دوره 6، شماره 1 - ( سال ششم-بهار و تابستان 1396 )                   جلد 6 شماره 1 صفحات 66-77 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Prediction of Approperiate Number of Virtual Machines based on Time Series and Artifical Methoads via Virtual machines Clustering. SCJ. 2017; 6 (1) :66-77
URL: http://scj.kashanu.ac.ir/article-1-320-fa.html
اسداللهی الناز، اصغری سید امیر. پیش‌بینی تعداد مناسب ماشین های مجازی بر اساس سری زمانی و روش‌های هوشمند مبتنی بر خوشه‌ بندی ماشین های مجازی. نشریه علمی ترویجی محاسبات نرم. 1396; 6 (1) :66-77

URL: http://scj.kashanu.ac.ir/article-1-320-fa.html


1- دانشگاه خوارزمی
2- دانشگاه خوارزمی ، seyyed_asghari@aut.ac.ir
چکیده:   (563 مشاهده)
یکی از مهم‌ترین چالش‏های رایانش ابری، مدیریت منابع و بهینه‏سازی تخصیص منابع در مراکز داده‏ای ابری در لایۀ زیرساخت است. در این مقاله به بررسی موضوع تخمین تعداد مناسب ماشین‏های مجازی در مراکز داده‏ای ابری پرداخته شده است. از جمله ایرادات رویکردهای پیشین، در نظر گرفتن مستقل ماشین‏های مجازی و بی‏توجهی به رفتارهای مشابه ماشین‏های مجازی است. بهره‏جویی از الگوریتم‏های یادگیری ماشین و سری زمانی و راهکار خوشه‏بندی رفتاری و خودکار ماشین‏های مجازی به‌عنوان عناصر زمینه‏ساز تأمین بهینۀ منابع در نظر گرفته شده است. پیش‏بینی سری زمانی و استفاده از گذشته، برای تخمین آینده به هدف جلوگیری از نقض توافق سطح خدمات از یک سو و جلوگیری از صرف هزینه‏های تأمین، نگهداری و مجازی‏سازی ماشین‏های مجازی که در آینده مورد استفاده قرار نخواهند گرفت از سوی دیگر، موجب افزایش کیفیت خدمات ابری شده است. هر میزانی که پیش‏بینی انجام‌شده دقیق‏تر باشد، منابع ماشین‏های مجازی آماده‌شده با نیاز واقعی مشتریان در آینده سازگارتر خواهد بود و فراهم‏کنندگان خدمات ابری کمتر متضرر می‏شوند. نوآوری انجام‌شده اعمال خوشه‏بندی رفتاری و خودکار ماشین‏های مجازی است که موجب کاهش تعداد سری‏های زمانی مشابهی که در نهایت منجر به دریافت یک نوع ماشین مجازی می‏شود، دقت در پیش‏بینی سری زمانی ماشین‏های مجازی، کاهش بار پردازشی و سهولت در اعمال راهبردهای مدیریتی شده است. به‌کارگیری روش پیشنهادی، موجب افزایش دقت پیش‏بینی‏کننده‏ها و کاهش خطا به میزان 1.93 برابر شده است.
 
متن کامل [PDF 1216 kb]   (272 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: ۱۳۹۴/۱۲/۲۳ | پذیرش: ۱۳۹۶/۱۱/۲۸ | انتشار: ۱۳۹۷/۲/۴

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA code

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به مجله محاسبات نرم می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2018 All Rights Reserved | Soft Computing Journal

Designed & Developed by : Yektaweb