ارائه رویکردی نوین مبتنی بر یادگیری بیزی برای تامین کارای منابع برنامه های کاربردی در محیط های ابری

تامین منابع برنامه های کاربردی چندلایه در محیط های ابری با یکسری چالش ها روبروست. که شامل کسر تامین، اضافه تامین و نوسان است. در این مقاله برای مرتفع کردن چالش های مطرح شده همچنین بهینه سازی زمان بندی درخواست های کاربران و پاسخ دهی به آن ها، تقلیل مشکل تخطی از سرویس، به ارائه رویکردی بهبود یافته مبتنی بر یادگیری ماشین با بهره گیری از حلقه "MAPE" می پردازیم. در مرحله تحلیل این حلقه از مدل رگرسیون خطی(LRM) و در مرحله برنامه ریزی، از روش مبتنی بر نظریه بیز به منظور بهینه نمودن اقدامات استفاده شده است. سپس رویکرد پیشنهادی خود را تحت بار کاری واقعی FIFA با روش های Stat-RA و DPM-RA مقایسه نموده ایم که راهکار ارائه شده نسبت به راه کارهای پیشین، منجر به افزایش تعداد ماشین های مجازی به میزان ۱۰ درصد با بهبود نرخ مقیاس بندی، کاهش ۸ درصدی میانگین بهره وری، کاهش ۳ درصدی زمان پاسخ دهی، در نتیجه کاهش ۵ درصدی هزینه تمام شده و افزایش ۱ درصدی سود حاصل شده است.