ارائه رویکردی نوین مبتنی بر یادگیری بیزی برای تامین کارآمد منابع برنامه های کاربردی در محیط های ابری

تامین منابع برنامه‌های کاربردی چندلایه در محیط‌های ابری با یکسری چالش‌ها روبروست. که شامل کسر تامین، اضافه تامین و نوسان است. در این مقاله برای مرتفع کردن چالش‌های مطرح‌شده همچنین بهینه‌ سازی زمان‌بندی درخواست‌های کاربران و پاسخ‌ دهی به آن‌ها، تقلیل مشکل تخطی از سرویس، به ارائه رویکردی بهبود یافته مبتنی بر یادگیری ماشین با بهره‌گیری از حلقه mape می‌پردازیم. در مرحلۀ تحلیل این حلقه از مدل رگرسیون خطی(lrm) و در مرحلۀ برنامه‌ریزی، از روش مبتنی بر نظریۀ بیز به منظور بهینه نمودن اقدامات استفاده شده است. سپس رویکرد پیشنهادی خود را تحت بار کاری واقعی fifa با روش‌های stat-ra و dpm-ra مقایسه نموده‌ایم که راهکار ارائه شده نسبت به راه‌کارهای پیشین، منجر به افزایش تعداد ماشین‌های مجازی به میزان 10 درصد با بهبود نرخ مقیاس‌بندی، کاهش 8 درصدی میانگین بهره‌وری، کاهش 3 درصدی زمان پاسخ‌دهی، در نتیجه کاهش 5 درصدی هزینه تمام شده و افزایش 1 درصدی سود حاصل شده است.