KI-gesteuerte Ressourcenallokation in der Cloud-Computing: eine systematische Übersicht, die kritische Nachhaltigkeits- und Bewertungsressourcen aufdeckt

Zusammenfassung Diese systematische Literaturübersicht analysiert die KI-gesteuerte Ressourcenallokation im Cloud-Computing durch eine umfassende Analyse von 63 qualitativ hochwertigen Studien, die über die PRISMA 2020-Methode aus einer ursprünglichen Sammlung von 485 Artikeln ausgewählt wurden. Unser taxonomischer Rahmen categorisiert Ansätze über vier Dimensionen: algorithmische Methoden, Bereitstellungsumgebungen, Optimierungsziele und Bewertungsmethoden. Die quantitative Analyse zeigt eine deutliche Überlegenheit der KI gegenüber traditionellen Ansätzen: 45 % durchschnittliche Reduktion der Latenz (Spanne 11−77,7 %) aus 10 Studien mit quantifizierbaren Latenzdaten, 32 % Kosteneinsparungen (Spanne 10–48 %) aus 6 Studien mit quantifizierbaren Kostendaten und 35 % Verbesserungen der Energieeffizienz (Spanne 3,68–71 %) aus 16 Studien mit Energievermessungen. Das verstärkende Lernen dominiert das Feld (40 % der Studien) mit besonderer Effektivität in dynamischen Umgebungen, während hybride Ansätze eine überlegene multiobjektive Optimierung demonstrieren. Kritische Forschungslücken sind die minimale Integration von kohlenstoffbewusster Planung (nur 4 Studien, 6,3 % des Korpus), die Überabhängigkeit von Simulationsumgebungen (70 % der Bewertungen) und das Fehlen standardisierter Bewertungsrahmen. Die begrenzte Verfügbarkeit quantifizierbarer Leistungsdaten über die Studien hinweg zeigt eine signifikante methodische Lücke in den aktuellen Bewertungspraktiken der Forschung. Wir identifizieren fünf forschungsprioritäre Richtungen und geben umsetzbare Empfehlungen zur Förderung von produktionsfertigen KI-gesteuerten Cloud-Ressourcenmanagementsystemen, die Leistung, Nachhaltigkeit und praktische Bereitstellungsanforderungen ausbalancieren.