یک رهیافت خودتطبیق‌پذیر مدیریت منابع در محیط‌های‌ رایانش ابری

افزایش تقاضا، سرویس دهنده ابری را با چالش زمان‌بندی مناسب منابع مرکز داده برای حفظ تعادل زمان پاسخگویی به کار ها، کاهش این زمان و داشتن شانس تقریبی برابر انتخاب هر یک از کارها روبه رو ساخته است. زمان بندی کارها، یک واحد اصلی در مرکز داده محیط رایانش ابری است. الگوریتم های اکتشافی توانمندی تطبیق پذیری خودکار نسبت به بهینگی و تغییرات محیطی یک بارکاری از پیش تعیین شده را ندارند. از طرف دیگر، فرآیند تخصیص چندگانه منابع در واحد زمان و مکان منجر به ایجاد پیچیدگی بیشتر این فرآیند در محیط رایانش ابری می شود. در جهت توجه و مواجهه با چالش‌های مطرح شده از یادگیری تقویتی به عنوان یک روش تصمیم گیری ترتیبی با امکان تغییر رفتار در مقابل تغییر محیطی استفاده شده است. رهیافت پیشنهادی، با کارهای پژوهشی deeprm و deepscheduler در حوزه زمان‌بندی خودکار و مبتنی بر یادگیری تقویتی با دادگان شبیه سازی‌ از منظر معیار کندی میانگین پاسخ، نقطه تعادلی میانگین پاسخگویی به کارها و کمینه‌سازی بهره وری منابع مرکز داده در الگوی تقاضای نرمال کارها مورد ارزیابی قرار گرفت و مولفه زمان‌بند رهیافت پیشنهادی، عملکرد بهتری نسبت به آن‌ها در مدیریت منابع مرکزداده از خود نشان داد.

A Self-adaptive Resource Management Approach for Cloud Computing Environments

The Cloud computing environment is a new computing resource that its users have increased compared to the past due to convenience and quick services. The increased demand for cloud services has confronted the cloud server with the challenges like scheduling data center resources to balance slowdown, reduce makespan, and gives an equal chance of selecting jobs(requests). Job scheduling is a crucial unit in data centers. The hand-crafted heuristic can not automatically adapt to the environment and optimize for a specific workload. As well, the allocation of multi-dimensional resources over time and space. To confront the mentioned challenges, we applied reinforcement learning as a sequential decision-making method that changes its behavior to deal with environmental changes. The proposed scheduler is evaluated through a series of simulation scenarios and real data from Google using the metrics of average response slowdown, the balance point of mean slowdown, and resource utilization of data center. Results show that the proposed scheduler has a significant improvement compared to the automated learning methods Monte Carlo and the actor-critic.