بررسی سیستماتیک تکنیک های توازن بار و زمان بندی وظایف در رایانش ابری: از روش های سنتی تا رویکردهای هوشمند مبتنی بر هوش مصنوعی

رایانش ابری به عنوان یکی از مهم ترین فناوری های عصر حاضر، با رشد سریع حجم داده ها و تنوع بارهای کاری، با چالش های جدی در مدیریت منابع و توزیع عادلانه بار مواجه شده است. توازن بار و زمان بندی وظایف به عنوان مسئله ای کلیدی و NP-Hard، تاثیر مستقیمی بر عملکرد سیستم، کیفیت خدمات، مصرف انرژی و رعایت توافق نامه های سطح خدمت دارد. این مقاله مروری سیستماتیک با هدف بررسی جامع و طبقه بندی تکنیک های توازن بار در محیط رایانش ابری، مقالات منتشرشده در بازه زمانی ۲۰۲۲ تا ۲۰۲۵ را مورد تحلیل قرار داده است. تمرکز اصلی بر رویکردهای نوین از روش های سنتی تا الگوریتم های پیشرفته فراابتکاری، مبتنی بر هوش مصنوعی و هیبریدی است تا روندهای فعلی و نقاط ضعف و قوت هر دسته به خوبی مشخص شود. در این مرور، تکنیک ها به چهار دسته اصلی سنتی و ابتکاری، فراابتکاری و الهام گرفته از طبیعت، مبتنی بر یادگیری ماشین و هوش مصنوعی، و رویکردهای پیشرفته مانند SDN-based و Cross-Region تقسیم بندی شدند. نتایج نشان می دهد که الگوریتم های هیبریدی و هوشمند به دلیل توانایی پیش بینی بارهای پویا و بهینه سازی همزمان چندین معیار، عملکرد بهتری نسبت به روش های سنتی دارند. این رویکردها در معیارهایی مانند Makespan، بهره برداری از منابع، هزینه، درجه عدم تعادل،Availability و Success Rate نتایج برتر به دست آورده اند، هرچند همچنان با چالش هایی مانند پیچیدگی محاسباتی و مقیاس پذیری در محیط های واقعی مواجه هستند. در نهایت، این مطالعه تاکید می کند که جهت گیری های آینده باید بر توسعه الگوریتم های هیبریدی آگاه از اعتماد و انرژی، ادغام با فناوری های نوظهور مانند Edge Computing و ارزیابی در محیط های واقعی و توزیع شده تمرکز کند. نتایج این مرور مروری جامع و کاربردی ارائه می دهد که می تواند برای پژوهشگران و متخصصان صنعت در طراحی سیستم های کارآمدتر توازن بار در رایانش ابری مفید باشد.

کلیدواژه ها:

توازن بار ، زمان بندی وظایف ، رایانش ابری ، الگوریتم های فراابتکاری ، یادگیری ماشین