10257

بررسي روش هاي مقياس پذيري خودكار منابع در محيط هاي رايانش ابري

1400-1401

دكتر مهرداد آشتياني

امروزه برنامه‌هاي تحت وب، از رايج‌ترين برنامه‌هاي كاربردي در فناوري هستند. ارائه‌دهندگان برنامه‌هاي تحت وب برنامههاي خود را به مراكز داده ابري منتقل كردهاند، كه توسط الگوي رايانش ابري در حال ظهور جذب شده‌اند. رايانش ابري قابليت ارتجاعي را براي كاربران خود فراهم مي‌آورد كه به آن‌ها اجازه مي‌دهد بسته به بار برنامه‌هاي وب خود، منابع را حذف يا اضافه كنند. در صورتي كه منابع اختصاص داده شده به برنامه، متناسب با نيازمندي‌هاي آن نباشد، با شكست يا تأخير در پاسخدهي مواجه مي‌شويم كه در پي آن عدم رضايت مشتري را خواهيم داشت. امروزه، بسته به رفتار كاربران كه بر تعداد درخواست‌هاي هر سرويس نيز تأثير مي‌گذارد، استفاده از برنامه به طور مداوم در نوسان است. ممكن است در يك زمان حجم درخواست‌ها بسيار بالا برود كه درنتيجه‌ تعداد منابع اختصاص داده شده به آن نيز بايد بيشتر شود و بالعكس زمان‌هايي كه بار كاري كم است بايد منابع كمتري به آن اختصاص داده شوند. مقياس‌پذيري خودكار يك ويژگي رايانش ابري است كه قابليت مقياس‌بندي منابع براساس تقاضا را فراهم مي‌كند و به ارائه‌دهندگان برنامه‌هاي وب اين امكان را مي‌دهد كه منابع ارائه شده به برنامه‌هاي خود را بدون دخالت انسان تحت فشار كاري پويا به منظور به حداقل رساندن هزينه منابع و تاخير و در عين حال برآوردن الزامات كيفيت خدمات ، مقياس‌بندي كنند. مي‌دانيم راه‌اندازي ماشين‌هاي مجازي با تأخير انجام مي‌شود در نتيجه سعي داريم، راه‌كار مناسبي در اين زمينه ارائه دهيم تا با پيش‌بيني بار كاري در زمان آينده، بتوانيم قبل از آن كه تأخير و كندي سيستم را داشته باشيم اقدامات لازم جهت مقياس‌بندي منابع را انجام دهيم. پس يك سازوكار براي نظارت بر ميزان استفاده از منابع داريم و نيز اقداماتي جهت بررسي و تحليل اطلاعات دريافت شده و نيز تصميم‌گيري نهايي براي انجام مقياس‌بندس خواهيم داشت.

12/1/2021 12:00:00 AM

73413

1400/09/27

A survey on the automatic resource scalability approaches in cloud computing environments

برنامه هاي تحت وب , رايانش ابري , باركاري , مقياس پذيري خودكار , ماشين مجازي

web applications , cloud computing , workload , auto-scaling , virtual machine