پیش بینی بار کاری ماشین های مجازی به منظور کاهش مصرف انرژی در مراکز داده ابری با استفاده از ترکیب مدل های یادگیری ژرف

افزایش تقاضا برای کاربردهای مبتنی بر ابر و استفاده ناکارآمد از منابع، موجب مصرف بیرویه انرژی در مراکز داده ابری شده است. مدیریت پویای منابع در مراکز داده با هدف کاهش مصرف انرژی، از طریق پیشبینی بار کاری ماشین مجازی امکانپذیر است. پیشبینی بار کاری ماشین مجازی این امکان را میدهد که ماشین مجازی متناسب با درخواست کاربران در زمان مناسب مهاجرت کند و در مصرف انرژی موثر باشد و منابع را به کارآمدترین روش تخصیص دهد. پیشبینی بار کاری ماشین مجازی میتواند بر اساس الگوی درخواست کاربران باشد برای این منظور میتوان ماشینهای مجازی را بر اساس پیشبینی مصرف منابع )به عنوان مثال میانگین مصرف پردازنده( در کلاسهای حساس یا غیر حساس به تاخیر دستهبندی کرد و سپس، ماشینهای مجازی متناسب با در خواست کاربران را به آنها اختصاص داد. در واقع پیشبینی بار کاری و تحلیل پیشبینی به عنوان یک فرآیند اولیه برای مدیریت منابع )مانند کاهش تعداد مهاجرت در ادغام پویای ماشین مجازی( باشد. از این رو در این مقاله از ترکیب شبکه عصبی پیچشی و واحد برگشتی دروازهدار بهمنظور پیشبینی بار کاری ماشینهای مجازی مایکروسافت آزور استفادهشده است. مجموعه داده آزور یک مجموعه داده دارای برچسب است و بار کاری ماشینهای مجازی در این مجموعه داده در دو برچسب حساس یا غیر حساس به تاخیر قرار دارند. در این مجموعه داده اکثر ماشینهای مجازی دارای برچسب غیر حساس به تاخیر میباشند؛ بنابراین بنابراین توزیع نمونهها در این مجموعه داده به صورت نامتوازن است از ین رو برای رفع این چالش از افزایش تصادفی نمونههای کلاس اقلیت استفاده شده است. طبق نتایج حاصل از آزمایشها، روش پیشنهادی دارای دقت ۴۲ / ۹۴ است که نشاندهنده برتری مدل پیشنهادی نسبت به سایر مدلهای پیشین است.