تحلیل تکنیک های شبکه ی عصبی و رگرسیون خطی تصحیح خطا برای تأمین نیازمندی به منابع بیشتر در رایانش ابر

از ویژگی های کلیدی که ابر را از الگوی محاسبات سنتی متفاوت می سازد این است که رایانش ابری اجازه ی مقیاس بندی منابع پویا برای سیستم های تراکنش آنلاین شرکت را می دهد. با این حال، مقداردهی اولیه ی یک نمونه ی مجازی جدید در ابر، آنی نیست؛ بسترهای میزبانی ابر چندین دقیقه تاخیر در تخصیص منابع سخت افزاری معرفی می کنند. تجزیه و تحلیل پیش بینی استفاده از منابع، کلیدی برای چندین طراحی و استقرار تصمیم گیری مهم سیستم، مانند، مدیریت بار کار، اندازه ی سیستم، برنامه ریزی ظرفیت و تولید قانون پویا در ابر است. در این مقاله، به بررسی تکنیک های تامین منابع و همچنین تحلیل منابع بر اساس پیش بینی ها توسعه و استراتژی های تأمین با استفاده از شبکه ی عصبی و رگرسیون خطی برای ارضای خواسته های منابع آینده بررسی می شود و تلاش شده است بر روی مسئله ی پژوهش توسعه ی مدل های پیش بینی منابع برای تسهیل مقیاس پذیری فعال در ابر تمرکز شود به طوری که برنامه های کاربردی میزبانی شده قادر به مقاومت در برابر تغییر در بار کار با حداقل کاهش عملکرد و در دسترس بودن باشد. و با تحلیل نشان می دهیم که مدل های مبتنی بر شبکه ی عصبی با یک اندازه ی بهینه ی پنجره، منجر به دقت پیش بینی برتری نسبت به رگرسیون خطی می شود.

کلیدواژه ها:

رایانش ابری ، مقیاس پذیری فعال ، تامین منابع ، شبکه عصبی تصحیح خطا ، رگرسیون خطی