ارایه رویکردی برای مقایاس پذیری خودکار خوشه ها در محیط های ابری مبتنی بر پیش بینی بار کاری

امروزه مقاس پذیری خودکار در محیط های ابری امری بحرانی واساسی است. این مفهوم به توانایی سیستم برای تطبیق بانوسانات ترافیک و نیازهای متغیر کاربران بدون دخالت انسانی اشاره دارد. با توجه به تغییرات سریع تقاضا در زمینه فناوری اطلاعات، مقیاس پذیری خودکار به عنوان یک ابزار قابل اعتماد و ضروری، سازمان ها را در مواجهه با چالش ها و نوسانات بازار اطلاعاتی یاری می دهد و انعطاف پذیری و بهره وری سیستم را ارتقا می دهد. هرچند روش ها و الگوریتم های موجود پیشرفت های زیادی داشته اند، اما کاستی هایی وجود دارد که نیاز به تحقیق دارد. پیچیده و زمان بر بودن الگوریتم ها، نیاز به تنظیمات دقیق، ناپایداری در مواجهه با بارکاری ناگهانی و دقت پایین در پیش بینی بارکاری آینده، همچنین افت سرعت و عملکرد الگوریتم هنگام نوسانات و تغییرات ترافیک از مشکلات و مسایلی است که نیاز به مطالعه و پژوهش دارد. در این پژوهشی یک رویکرد جدید برای بهبود الگوریتم های مقیاس پذیری خودکار با استفاده از پیش بینی بار در محیط ابری ارایه شده است که از مدل ترکیبی چندمرحله ای استفاده می کند. این روش با استفاده از مدل های پیش بینی اولیه، بارکاری را پیش بینی می کند و با وزن دهی و ترکیب این مدل ها، دقت پیش بینی نهایی و در پی آن عملکرد مقیاس پذیری را بهبود می بخشد. الگورتیم پیش نهادی در این پژوهش با استفاده از داده های خوشه گوگل آزمایش و ارزیابی شده است و نتایج نشان می دهد الگوریتم پیشنهادی با دقتی معادل 0.99 و میزان خطا معادل 0.05 در مقایسه با موارد بررسی شده به میزان 0.56 افزایش دقت و به میزان 0.34 کاهش خطای پیش بینی داشته است و عملکرد بهتر و دقت بالاتری دارد.

an approach for cluster autoscaling in cloud environments based on workload prediction

today, autoscaling in cloud environments critical and fundamental. this concept refers to a system’s ability to adapt to traffic fluctuations variable user needs without human intervention. given the rapid changes in demand in the field of information technology, autoscaling serves as a reliable and essential tool, assisting organizations in facing informational market challenges and enhancing system flexibility and efficiency. while existing methods and algorithms have significant advances, there are deficiencies that require investigation. the complexity and time-consuming nature of algorithms, the need for precise configurations, instability when facing sudden workload spikes, and low accuracy in predicting future workloads are among the issues that necessitate study research. in this study, an approach for cluster autoscaling in cloud environments based on workload prediction is presented, utilizing a multi-stage hybrid model. this method predicts workload using initial prediction models and enhances the final prediction accuracy and consequently scalability performance through weighting and combining these models. the proposed algorithm in this research has been experimented and evaluated using google cluster data, showing that it has achieved a precision of 0.99 and an error rate of 0.05 compared to the baseline accuracy of 0.56, indication an increase in prediction accuracy by 0.34 and better performance with higher accuracy.