مروری جامع بر بهینه سازی منابع، مهاجرت ماشین های مجازی، مقیاس بندی خودکار و زمان بندی درخواست ها در محاسبات مه

گسترش محاسبات مه با انتقال پردازش و ذخیره سازی به نزدیکی کاربران، نقش مهمی در کاهش تاخیر، بهبود کیفیت خدمات و افزایش بهره وری منابع ایفا می کند. با افزایش حجم درخواست ها و پویایی بار کاری، مدیریت بهینه منابع به یکی از چالش های اصلی این محیط تبدیل شده است. در این میان، مهاجرت ماشین های مجازی، مقیاس بندی خودکار و زمان بندی درخواست ها از مهم ترین راهکارهای بهبود عملکرد و استفاده بهینه از منابع به شمار می روند. این مقاله با ارائه یک مرور جامع، پژوهش های انجام شده در حوزه بهینه سازی منابع در محاسبات مه را با تمرکز بر مهاجرت ماشین های مجازی، مقیاس بندی خودکار و زمان بندی درخواست ها بررسی و طبقه بندی می کند. همچنین، رویکردهای مبتنی بر الگوریتم های کلاسیک، فراابتکاری، یادگیری ماشین و یادگیری تقویتی از منظر معیارهایی نظیر زمان پاسخ، مصرف انرژی، تعادل بار، بهره برداری از منابع و کیفیت خدمات مورد مقایسه قرار گرفته اند. در ادامه، مهم ترین چالش ها و شکاف های پژوهشی موجود تحلیل شده و مسیرهای آینده پژوهش معرفی می شوند. نتایج این مطالعه نشان می دهد که اگرچه پیشرفت های قابل توجهی در هر یک از این حوزه ها حاصل شده است، اما ارائه راهکارهای یکپارچه برای مدیریت هم زمان مهاجرت ماشین های مجازی، مقیاس بندی خودکار و زمان بندی درخواست ها همچنان یکی از مهم ترین زمینه های پژوهشی در محاسبات مه محسوب می شود.

کلیدواژه ها:

محاسبات مه ، بهینه سازی منابع ، مهاجرت ماشین های مجازی ، مقیاس بندی خودکار ، زمان بندی درخواست ها ، مدیریت منابع.