تعتمد أنظمة التحجيم التلقائي التقليدية في السحابة على قواعد ثابتة تعتمد على حدود عتبية تتفاعل فقط بعد حدوث تغييرات في عبء العمل، مما يؤدي إلى استجابات متأخرة، واستخدام غير فعال للموارد، وزيادة في الكمون. لمعالجة هذه القيود، تقترح هذه الورقة نظام تحجيم تلقائي تنبؤي على AWS باستخدام تقنيات التعلم الآلي والتعلم الفيدرالي. يستخدم النظام نماذج الذاكرة القصيرة والطويلة المدى (LSTM) لتحليل بيانات عبء العمل التاريخية والوقت الحقيقي، بما في ذلك استخدام وحدة المعالجة المركزية، واستخدام الذاكرة، ومعدلات الطلبات التي تم جمعها من خلال Amazon CloudWatch. على عكس النهج المركزية، يتم توظيف التعلم الفيدرالي لتدريب النماذج عبر عُقد سحابية موزعة دون مشاركة البيانات الخام، مما يضمن خصوصية البيانات ويقلل من حمل الاتصال. تشارك النماذج المحلية المدربة التحديثات التي تُجمّع لتشكيل نموذج تنبؤي عالمي قادر على التنبؤ بدقة بمطالب عبء العمل المستقبلية. بناءً على هذه التنبؤات، يقوم النظام بتحجيم مثيلات AWS EC2 بشكل استباقي باستخدام مجموعات التحجيم التلقائي، مما يمكّن من تخصيص الموارد في الوقت المناسب قبل حدوث تدهور في الأداء. يحسن هذا النهج استجابة التطبيقات، ويقلل الكمون، ويُحسن استخدام الموارد، ويخفض التكاليف التشغيلية. بشكل عام، يوفر النظام المقترح حلاً قابلاً للتوسع، وكفء، ويحافظ على الخصوصية لإدارة الموارد السحابية بذكاء.
Building similarity graph...
Analyzing shared references across papers
درس Panchetti وآخرون (الأربعاء) هذا السؤال.
Loading...
Add This Paper to Your Research Feed
Any time a new paper drops it will be there.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: