ارائه کننده: حسین زهتاب آذری
استاد راهنما: دکتر سعید جلیلی
استاد مشاور اول: دکتر مهدی رعایائی
استاد ناظر داخلی اول: دکتر فوآد قادری
استاد ناظر خارجی اول: دکتر علیرضا رضوانیان (دانشگاه علم و فرهنگ)
تاریخ: 1402/12/26
ساعت: 11
مکان: اتاق 351

 چکیده:
با توجه به اقبال عمومی گسترده برای استفاده از خدمات و منابع ابری، و به طبع آن، توسعه زیرساخت های ابری، ارائه دهندگان ابر با چالش های مهمی از جمله مصرف انرژی و کیفیت خدمات، مواجه هستند. بمنظور مدیریت این چالش ها، زمانبند های کار متعددی در سال های اخیر ارائه شده است که اغلب آنها وفقی نبوده و اکثرا مبتنی بر رویکردهای اکتشافی و فرااکتشافی بوده و عمدتا تمرکز شان روی کارهای دسته‌ای بجای کارهای بلادرنگ بوده است. در این پژوهش، روشی مبتنی بر رویکرد خودوفقی، بمنظور زمانبندی کارهای بلادرنگ در محیط ابر عمومی با مدل خدمت iaas طراحی و ارائه شده است. روش پیشنهادی، مبتنی بر حلقه بازخورد MAPE-K بوده که با نظارت مستمر محیط ابر، تغییرات را شناسایی کرده و بصورت وفقی مدل مناسب را برای زمانبندی کارها، انتخاب می‌کند. زمانبندی کارها برعهده مولفه طرح ریز در روش پیشنهادی می‌باشد. این مولفه مبتنی بر یادگیری تقویتی عمیق بوده که بدون نیاز به دانش قبلی از محیط و بدون نیاز به دانستن الگوی کارهای ورودی، می‌تواند بصورت کارآمد، کارهای ورودی را زمانبندی کند. روش پیشنهادی طی ارزیابی‌های متعددی در شبیه ساز کلادسیم پلاس، مورد ارزیابی قرار گرفته و نتایج حاصل از آن، نشان دهنده افزایش قابل توجه کیفیت خدمات (از منظر مدت زمان پاسخ و نرخ موفقیت) و مدیریت و کاهش مصرف انرژی نسبت به سیاست های زمانبندی پایه و بهترین روش موجود، می‌باشد.