Ein Modell zur Vorhersage der Ressourcennutzung für Cloud-Datenzentren unter Verwendung evolutionärer Algorithmen und Techniken des maschinellen Lernens

Cloud-Computing hat die Arten des Rechnens revolutioniert. Mit großem Erfolg und vielfältigen Vorteilen sieht sich das Paradigma auch mehreren Herausforderungen gegenüber. Der Energieverbrauch, die dynamische Ressourcenskalierung sowie Probleme der Über- und Unterbereitstellung sind Herausforderungen für das Cloud-Computing-Paradigma. Die Forschung wurde im Cloud-Computing zur Vorhersage der Ressourcennutzung durchgeführt, um Probleme der Über- und Unterbereitstellung zu überwinden. Die Überbereitstellung von Ressourcen verbraucht mehr Energie und führt zu hohen Kosten. Eine Unterbereitstellung hingegen führt zu einer Verletzung des Service Level Agreements (SLA) und einer Verschlechterung der Dienstgüte (QoS). Die meisten bestehenden Mechanismen konzentrieren sich auf die Vorhersage der Nutzung einzelner Ressourcen, wie z.B. Speicher, CPU, Speicherplatz, Netzwerk oder Server, die Cloud-Anwendungen zugewiesen sind, ignorieren jedoch die Korrelationen zwischen den Ressourcen. Diese Forschung konzentriert sich auf die Vorhersage der Mehrfachressourcennutzung unter Verwendung eines Functional Link Neural Network (FLNN) mit einem hybriden genetischen Algorithmus (GA) und Partikel-Schwarm-Optimierung (PSO). Die vorgeschlagene Technik wird anhand der Google-Cluster-Traces-Daten bewertet. Die experimentellen Ergebnisse zeigen, dass das vorgeschlagene Modell eine bessere Genauigkeit im Vergleich zu traditionellen Techniken erzielt.