یعقوب سیاه مرگویی - دانشگاه صنعتی امیرکبیر(پلی تکنیک تهران)
آرزو رحیمیان - دانشگاه آزاد اسلامی واحد ساری
سیما امیرخانی - موسسه آموزش عالی میرداماد گرگان
یمین سیاه مرگویی - دانشگاه گلستان،گرگان

یکی از نگرانی های مشتریان رایانش ابری ، عدم آگاهی از مقدار منابع پردازش 30 مورد نیاز خود در دوره های زمانی مختلف است. چالش اصلی، محاسبه مقدار منابع پردازش 30 مورد نیاز در هر لحظه با توجه به میزان درخواست های ورودی سرویس ها در ابر است. در این مقاله سعید داریم با استفاده از رویکردی جدید، یک مدل مقیاس بتی خودکار ماشین های مجازی با توانایی کاهش هزینه اجاره منابع برای مشتریان زیرساخت ابری را ارائه نماییم. ابتدا با مروری بر کارهای مرتبط در این حوزه، به نوآوری های رویکرد پیشنهادی و مؤلفه های اصلی آن اشاره خواهیم کرد. پس از آن با هدف پیاده سازی، اقدام به خوشه بندی الگوهای درخواست سرویس ها کرده از آن ها به عنوان ورودی الگوریتم ژنتیکی استفاده می کنید تا تعداد ماشین های مجازی به دین و چیدمان سرویس ها روی آن ها را محاسبه نماید. سپس با کمک داده های آزمون، عملکرد مدل را ارزیابی می نماییم. در انتها بر اساس آنچه نتایج نشان می دهد، مدل پیشنهادی با پیچیدگی زمانی کمتر نسبت به دیگر روش ها باعث کاهش هزینه اجاره منابع شده است.

رایانش ابری،تخصیص منابع،مقیاس دهی خودکار،جریان کاری،انتخاب سرویس