پیش‌بینی تعداد مناسب ماشین های مجازی بر اساس سری زمانی و روش‌های هوشمند مبتنی بر خوشه‌ بندی ماشین های مجازی

یکی از مهم ترین چالش های رایانش ابری، مدیریت منابع و بهینه سازی تخصیص منابع در مراکز داده ای ابری در لایۀ زیرساخت است. در این مقاله به بررسی موضوع تخمین تعداد مناسب ماشین های مجازی در مراکز داده ای ابری پرداخته شده است. از جمله ایرادات رویکردهای پیشین، در نظر گرفتن مستقل ماشین های مجازی و بی توجهی به رفتارهای مشابه ماشین های مجازی است. بهره جویی از الگوریتم های یادگیری ماشین و سری زمانی و راهکار خوشه بندی رفتاری و خودکار ماشین های مجازی به عنوان عناصر زمینه ساز تامین بهینۀ منابع در نظر گرفته شده است. پیش بینی سری زمانی و استفاده از گذشته، برای تخمین آینده به هدف جلوگیری از نقض توافق سطح خدمات از یک سو و جلوگیری از صرف هزینه های تامین، نگهداری و مجازی سازی ماشین های مجازی که در آینده مورد استفاده قرار نخواهند گرفت از سوی دیگر، موجب افزایش کیفیت خدمات ابری شده است. هر میزانی که پیش بینی انجام شده دقیق تر باشد، منابع ماشین های مجازی آماده شده با نیاز واقعی مشتریان در آینده سازگارتر خواهد بود و فراهم کنندگان خدمات ابری کمتر متضرر می شوند. نوآوری انجام شده اعمال خوشه بندی رفتاری و خودکار ماشین های مجازی است که موجب کاهش تعداد سری های زمانی مشابهی که در نهایت منجر به دریافت یک نوع ماشین مجازی می شود، دقت در پیش بینی سری زمانی ماشین های مجازی، کاهش بار پردازشی و سهولت در اعمال راهبردهای مدیریتی شده است. به کارگیری روش پیشنهادی، موجب افزایش دقت پیش بینی کننده ها و کاهش خطا به میزان 1.93 برابر شده است.