اريا شهسوار

Design an‎d eva‎luation of MLSFS: ML-Based OS/User-Space Scheduler for Serverless Computing

محاسبات بدون خدمت‌گزار، به عنوان يك الگوي نوين پردازش ابري، امكان اجراي توابع كوچك و كوتاه‌مدت را بدون نياز به مديريت مستقيم سرورها فراهم مي‌كند و توسعه و مقياس‌پذيري برنامه‌ها را ساده‌تر مي‌سازد. با اين حال، مدت اجراي توابع در اين محيط‌ها مي‌تواند به شدت نامنظم و غيرقابل پيش‌بيني باشد، زيرا بار كاري پويا و رقابت توابع براي منابع مشترك سيستم باعث افزايش زمان اجراي توابع و كاهش بهره‌وري مي‌شود. زمان‌بند هوشمند توابع (SFS)، كه در فضاي كاربري لينوكس پياده‌سازي شده است، با تركيب دو سطحي زمان‌بندهاي CFS و FIFO، رفتاري نزديك به SRTF را شبيه‌سازي مي‌كند و با اولويت‌بندي هوشمند توابع كوتاه، زمان پاسخ آن‌ها را بهبود مي‌بخشد. در اين پروژه، زمان‌بند SFS توسعه يافته است و از ويژگي‌هاي چندگانه بار كاري همچون ميانگين زمان ورود درخواست‌ها و زمان خدمت، به همراه مدل يادگيري ماشين خطي استفاده شده است تا آستانه‌هاي تصميم‌گيري زمان‌بندي به صورت پويا و تطبيقي تنظيم شوند. اين روش باعث مي‌شود زمان‌بندي نه تنها به ميانگين فاصله زماني بين ورود توابع حساس باشد، بلكه بتواند رفتار توابع را با توجه به مجموعه‌اي از ويژگي‌هاي مرتبط پيش‌بيني و بهينه‌سازي كند. نتايج آزمايش‌ها نشان مي‌دهد كه روش پيشنهادي، در عين اينكه تأثير منفي قابل توجهي بر توابع طولاني ندارد، مدت زمان بازگشت توابع كوتاه را به ميزان قابل توجهي كاهش مي‌دهد و بهره‌وري سيستم را بهبود مي‌بخشد. همچنين به طور چشمگيري پايداري و پيش‌بيني‌پذيري سيستم را افزايش مي‌دهد. اين پروژه نشان مي‌دهد كه تركيب زمان‌بندي در سطح سيستم‌عامل، مديريت فضاي كاربري و يادگيري ماشين مي‌تواند راهكاري هوشمند و دقيق براي اجراي توابع پويا در محاسبات بدون خدمت‌گزار ارائه دهد.

محاسبات بدون خدمت‌گزار , زمان‌بندي‌ تابع‌ها‌ , يادگيري ماشين , زمان‌بندي‌ تطبيقي , زمان بازگشت توابع