پیش بینی تعداد مناسب ماشین های مجازی بر اساس سری زمانی و روش های هوشمند مبتنی بر خوشه بندی ماشین های مجازی

یکی از مهمترین چالش‏های رایانش ابری، مدیریت منابع و بهینه‏سازی تخصیص منابع در مراکز داده‏ی ابری در لایه‏ی زیر ساخت است. در این مقاله به بررسی موضوع تخمین تعداد مناسب ماشین‏های مجازی در مراکز داده‏ای ابری پرداخته شده است. از جمله ایرادات رویکردهای پیشین، در نظر گرفتن مستقل ماشین‏های مجازی و بی‏توجهی به رفتارهای مشابه ماشین‏ها است. بهره‏جویی از الگوریتم‏های یادگیری ماشین و سری زمانی و راهکار خوشه‏بندی رفتاری و خودکار ماشین‏های مجازی به عنوان عناصر زمینه‏ساز تامین بهینه‏ی منابع درنظر گرفته شده است. پیش‏بینی سری زمانی و استفاده از گذشته، برای تخمین آینده به هدف جلوگیری از نقض توافق سطح خدمات از یک سو و جلوگیری از صرف هزینه های تامین، نگهداری و مجازی‏سازی ماشین‏های مجازی که در آینده مورد استفاده قرار نخواهند گرفت از سوی دیگر موجب افزایش کیفیت خدمات ابری شده است. هر میزانی که پیش‏بینی انجام شده دقیق‏تر باشد، یعنی منابع ماشین‏های مجازی آماده شده، با نیاز واقعی مشتریان در آینده سازگارتر باشد، فراهم‏کنندگان خدمات ابری کمتر متضرر می‏شوند. نوآوری انجام شده اعمال خوشه‏بندی رفتاری و خودکار ماشین‏های مجازی است که موجب کاهش تعداد سری های زمانی شبیه، که در نهایت منجر به دریافت یک نوع ماشین مجازی می‏شود، دقت در پیش‏بینی سری زمانی ماشین‏های مجازی، کاهش بار پردازشی و سهولت در اعمال راهبردهای مدیریتی شده است. به کارگیری روش پیشنهادی، موجب افزایش دقت پیش‏بینی‏کننده ها و کاهش خطا به میزان 1.93 برابر شده است.