مروری برروش‌های یادگیری ماشین برای تامین منابع قابل اطمینان در رایانش ابری- لبه

در حال حاضر سیستم های نرم افزاری مقیاس بزرگ تحت عنوان موجودیت های توزیع شده طراحی و در دیتاسنتر های ابری مستقر شده اند.برای چیره شدن بر محدویت های طبیعی استقرار این نوع از شبکه ها ، برنامه های کاربردی به طور فزاینده با مولفه های تکمیل می شوند که پارادایم رایانشی را تحت عنوان را رایانش لبه شناخته شده است. مسئله قابل توجه ای که در حال حاضر برای مدیریت منابع و برنامه های کاربردی گسترده وجود دارد همان مسئله هماهنگ سازی موثر برای برنامه های کاربردی لبه – ابر می باشدکه تاکنون به طور کامل درک نشده است. ما در مقاله به بررسی مشکل تامین منابع قابل اطمینان در محیط های ابر- لبه پرداخته ایم. و فناوری‌ها، مکانیسم‌ها و روش‌هایی را بررسی کرده ایم که می‌توانند برای بهبود قابلیت اطمینان برنامه‌های کاربردی توزیع‌شده در محیط‌های شبکه متنوع و ناهمگن مورد استفاده قرار گیرند. با توجه به پیچیدگی مسئله، تاکید ویژه ای برای توصیف راه حل ها ، مدیریت و کنترل برنامه های کاربردی پیچیده توزیع شده با استفاده از رویکردهای یادگیری ماشین داریم.که بررسی ها حول تجزیه مسئله تامین منابع قابل اطمینان به سه دسته تکنیک ساختار یافته است: مشخصه‌سازی و پیش‌بینی حجم کارها، قرار دادن اجزا و یکپارچه‌سازی سیستم، و کشش و روند اصلاح برنامه. نتایج نظرسنجی همراه با یک بحث مسئله محور از وضعیت ارائه شده است. در نهایت، خلاصه ای از چالش های شناسایی شده و یک طرح کلی از جهت گیری های تحقیقاتی آینده برای نتیجه گیری مقاله ارائه شده است.

a survey on machine learning methods for reliable resource provisioning in edge-cloud computing

in this survey, the authors investigate the issue of ensuring reliable resource provisioning in joint edge-cloud environments. they explore various technologies and methods that can be employed to improve the reliability of distributed applications in different network settings. the main focus of this study is on the utilization of machine learning approaches for effectively characterizing, managing, and controlling complex distributed applications. the survey is divided into three main categories: workload characterization and prediction, component placement and system consolidation, and application elasticity and remediation. the survey presents the findings of the research conducted, along with a discussion on the current state of the field. additionally, the paper concludes by highlighting the challenges identified and providing suggestions for future research directions.