مدل تحلیلی و بهبود مقیاس‌پذیری و امنیت در سیستم‌های هوش مصنوعی و devops مبتنی بر پایتون (securescalablepy)

پژوهش حاضر با هدف ارائه یک چارچوب تحلیلی و خودتطبیق برای بهبود همزمان عملکرد، مقیاسپذیری و امنیت در سامانههای هوش مصنوعی و devops مبتنی بر پایتون، مدل securescalablepy را معرفی میکند. این مدل با ساختاری سهلایه شامل بهینه سازی سطح کد (cython)، پیشبینی بار کاری با شبکههای عصبی بازگشتی (rnn) و پایش امنیتی مبتنی بر random forest، به گونهای طراحی شده است که بتواند تصمیمات تخصیص منابع و سیاستهای امنیتی را بهصورت هوشمند و پویا اتخاذ کند. نتایج آزمایشها در محیط kubernetes و docker نشان داد که securescalablepy در مقایسه با روشهای مرجع (autoscaling کلاسیک و سرویسمشها) توانسته است میانگین تاخیر پاسخدهی را تا 28٪ کاهش دهد، مصرف cpu را بهبود بخشد و در عین حال سطح امنیتی بالاتری با سربار کمتر فراهم آورد. تحلیل آماری (anova) نیز تفاوت معنیداری میان نتایج مدل پیشنهادی و سایر روشها نشان داد (p<0.01). این چارچوب، با تلفیق devsecops و یادگیری ماشین، گامی نو در جهت توسعه زیرساختهای هوشمند، امن و مقیاسپذیر برای اکوسیستم پایتون در محیطهای ابری بهشمار می رود.

the analytical model and enhancement of scalability and security in python-based ai and devops systems (securescalablepy)

this study introduces the securescalablepy model, an analytical and self-adaptive framework aimed at simultaneously improving performance, scalability, and security in python-based ai and devops systems. the model is structured in three layers, including code-level optimization (cython), workload prediction using recurrent neural networks (rnn), and security monitoring based on random forest, designed to make resource allocation and security policy decisions intelligently and dynamically. experimental results in kubernetes and docker environments showed that securescalablepy reduced average response latency by up to 28%, improved cpu usage, and provided a higher security level with less overhead compared to reference methods (classic autoscaling and service meshes). statistical analysis (anova) also showed significant differences between the proposed model and other methods (p<0.01). this framework, combining devsecops and machine learning, represents a step forward in developing intelligent, secure, and scalable infrastructures for the python ecosystem in cloud environments.