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.
اسداللهی, الناز, & اصغری, سید امیر. (1400). پیش‌بینی تعداد مناسب ماشین های مجازی بر اساس سری زمانی و روش‌های هوشمند مبتنی بر خوشه بندی ماشین های مجازی. محاسبات نرم, 6(1), 66-77.
MLA
الناز اسداللهی; سید امیر اصغری. "پیش‌بینی تعداد مناسب ماشین های مجازی بر اساس سری زمانی و روش‌های هوشمند مبتنی بر خوشه بندی ماشین های مجازی", محاسبات نرم, 6, 1, 1400, 66-77.
HARVARD
اسداللهی, الناز, اصغری, سید امیر. (1400). 'پیش‌بینی تعداد مناسب ماشین های مجازی بر اساس سری زمانی و روش‌های هوشمند مبتنی بر خوشه بندی ماشین های مجازی', محاسبات نرم, 6(1), pp. 66-77.
VANCOUVER
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. محاسبات نرم, 1400; 6(1): 66-77.
)