رویکردی مبتنی بر یادگیری برای بهبود تامین منابع در محیط رایانش ابری

توسعه سریع استفاده از رایانش ابری منجر به انتشار مراکز داده مختلفی در سراسر جهان شده است که این افزایش تعداد مراکز داده، تعداد منابع با عملکرد مشابه ولی مشخصات مختلف را افزایش داده است . سرویسهای ابری با مفاهیم جدیدی مانند کشسانی، پرداخت به میزان مصرف و مقیاس پذیری همراه هستند. یکی از مهمترین وجه های تمایز بین سرویسهای سنتی و سرویسهای ابری ویژگی کشسانی است. در این مقاله روشی برای بهبود تامین منابع برای محیط رایانش ابر ارائه شده است که دارای چهار فاز مانیتور، تحلیل، تصمیم و اجرا است .در فاز مانیتور داده ها دریافت می شود و در فاز تحلیل داده ها مورد پیش پردازش قرار می گیرد و درخواست های نویزی و زمان گذشته حذف می شود . فاز تصمیم که مهمتر ین فاز است از تکنیک یادگیری بیزین برای تصمیم گیری در مورد تامین منابع ابر استفاده شده است.در انتها نتیجه حاصل از فاز تصمیم، توسط فار اجرا بر روی منابع اعمال می شود. نو آوری این مقاله استفاده از تکنیک بیزین و ترکیب آن با روش های ا ستفاده شده در فاز تحلیل می باشد . نتایج عملکرد روش پیشنهادی افزایش خاصیت کشسانی 5.05 درصد و افزایش دقت کشسانی 59.6درصد و سرعت مقیاس بندی 31 /4 درصد را نسبت به روش های مورد مقا یسه نشان می دهد