پیش بینی بار کاری ماشین های مجازی به منظور کاهش مصرف انرژی در مراکز داده ابری با استفاده از ترکیب مدل های یادگیری ژرف

افزایش تقاضا برای کاربردهای مبتنی بر ابر و استفاده ناکارآمد از منابع، موجب مصرف بیرویه انرژی در مراکز داده ابری شده است.مدیریت پویای منابع در مراکز داده با هدف کاهش مصرف انرژی، از طریق پیش بینی بار کاری ماشین مجازی امکان پذیر است. پیش بینی بار کاری ماشین مجازی این امکان را می دهد که ماشین مجازی متناسب با درخواست کاربران در زمان مناسب مهاجرت کند و در مصرف انرژی موثر باشد و منابع را به کارآمدترین روش تخصیص دهد. پیش بینی بار کاری ماشین مجازی می تواند بر اساس الگوی درخواست کاربران باشد برای این منظور می توان ماشین های مجازی را بر اساس پیش بینی مصرف منابع (به عنوان مثال میانگین مصرف پردازنده) در کلاس های حساس یا غیر حساس به تاخیر دسته بندی کرد و سپس، ماشین های مجازی متناسب با در خواست کاربران را به آنها اختصاص داد. در واقع پیش بینی بار کاری و تحلیل پیش بینی به عنوان یک فرآیند اولیه برای مدیریت منابع (مانند کاهش تعداد مهاجرت در ادغام پویای ماشین مجازی) باشد. از این رو در این مقاله از ترکیب شبکه عصبی پیچشی و واحد برگشتی دروازه دار به منظور پیش بینی بار کاری ماشین های مجازی مایکروسافت آزور استفاده شده است. مجموعه داده آزور یک مجموعه داده دارای برچسب است و بار کاری ماشین های مجازی در این مجموعه داده در دو برچسب حساس یا غیر حساس به تاخیر قرار دارند. در این مجموعه داده اکثر ماشین های مجازی دارای برچسب غیر حساس به تاخیر می باشند؛ بنابراین بنابراین توزیع نمونه ها در این مجموعه داده به صورت نامتوازن است از ین رو برای رفع این چالش از افزایش تصادفی نمونه های کلاس اقلیت استفاده شده است. طبق نتایج حاصل از آزمایش ها، روش پیشنهادی دارای دقت 42 / 94 است که نشان دهنده برتری مدل پیشنهادی نسبت به سایر مدل های پیشین است.

predicting the workload of virtual machines in order to reduce energy consumption in cloud data centers using the combination of deep learning models

cloud computing service models are growing rapidly, and inefficient use of resources in cloud data centers leads to high energy consumption and increased costs. plans of resource allocation aiming to reduce energy consumption in cloud data centers has been conducted using live migration of virtual machines (vms) and their consolidation into the small number of physical machines (pms). however, the selection of the appropriate vm for migration is an important challenge. to solve this issue, vms can be classified according to the pattern of user requests into delay-sensitive (interactive) or delay-insensitive classes, and thereafter suitable vms can be selected for migration. this is possible by virtual machine workload prediction .in fact, workload predicting and predicting analysis is a pre-migration process of a virtual machine. in this paper, in order to classification of vms in the microsoft azure cloud service, a hybrid model based on convolution neural network (cnn) and gated recurrent unit (gru) is proposed. microsoft azure dataset is a labeled dataset and the workload of virtual machines in this dataset are in two labeled delay-sensitive (interactive) or delay-insensitive. but the distribution of samples in this dataset is unbalanced. in fact, many samples are in the delay-insensitive class. therefore, random over-sampling (ros) method is used in this paper to overcome this challenge. based on the empirical results, the proposed model obtained an accuracy of 94.42 which clearly demonstrates the superiority of our proposed model compared to other existing models.