ارائه یک رویکرد مقیاس‌پذیری خودکار منابع در محیط‌های بدون سرویس‌دهنده

مدیریت صحیح منابع همواره یکی از دغدغه‌های کاربران هنگام استفاده از محیط‌های محاسباتی بوده‌است. یک سامانه مقیاس‌پذیر خودکار می‌تواند با توجه به تاریخچه‌ی عملکرد سامانه، منابع سخت‌افزاری را مدیریت کند و در زمان مناسب برای جلوگیری از اختلال درروند اجرای برنامه با وفق دادن سامانه با محیط عملیاتی جدید منابع را به‌صورت خودکار، بدون دخالت انسان و بر اساس معیارهای تنظیم‌شده افزایش یا کاهش دهد. در این پژوهش، با درنظرگرفتن ویژگی منحصربه‌فرد محیط‌های بدون سرویس‌دهنده که فعالیتی براساس توابع دارند، توابع را با نظریه گراف مدل‌سازی کرده و با تحلیل وابستگی‌های آن‌ها و پیداکردن مهم‌ترین گلوگاه در گراف، دو رویکرد با نظارت و بدون نظارت را برای پیش‌بینی مقیاس‌پذیری منابع گلوگاه در نظر می‌گیریم و برای اطمینان بیشتر به تصمیم مقیاس‌پذیری، پیش‌بینی مدل‌ها توسط سازوکار اجماع‌نظر مقایسه می‌گردد و نتیجه‌ی بهترین مدل به‌عنوان تصمیم نهایی مقیاس‌پذیری درنظرگرفته ‌می‌شود که به‌نوعی میان نتایج حاصل‌شده از روش‌ها سازگاری ایجاد کند. نتایج نشان می‌دهند که رویکرد‌های با نظارت در مقایسه با رویکرد‌های بدون نظارت در مسئله مقیاس‌پذیری خودکار بهتر عمل می‌کنند و مدل‌های پیاده‌سازی شده در این پژوهش‌، می‌توانند تا دقت 98% نتیجه‌ی مقیاس‌پذیری را تعیین کنند که نسبت به کارهای پیشین انجام‌شده بهبود 2.5 درصدی داشته است.

a consensus-based auto-scaling approach for serverless environments

efficient management of computing resources has always been a significant concern for users. an automatic scaling system can help in managing hardware resources by adapting to the system s performance history. it can increase or decrease resources automatically, without human intervention, based on predefined criteria. this ensures smooth program execution without any disruption caused by changes in the operating environment. this study focuses on serverless environments, which rely on functions. we model these functions using graph theory, analyze their dependencies, and identify the most critical bottlenecks in the graph. we then use two approaches, supervised and unsupervised, to predict the scalability of bottleneck resources. to be more sure of the scaling decision, the consensus mechanism compares the predictions of the models, and the best model s result is considered the final scaling decision, which creates consistency between the results obtained from the methods. results show that supervised approaches perform better than unsupervised approaches in the automatic scaling problem. the models implemented in this research can determine the scaling result with 98% accuracy, which is a 2.5% improvement compared to previous works.