14331

بررسي رويكردهاي مقياس خودكار براي ميكروسرويس ها در محيط هاي ابري

1402

آشتياني مهرداد

انتظاري ملكي رضا

رويكرد پيشنهادي اين كار بر تنظيم بار كاري خاص متمركز است، جايي كه رفتار مقياس‌بندي با الزامات منحصر به فرد بارهاي كاري ML تنظيم مي‌شود. مقياس بندي افقي شامل اضافه كردن گره هاي محاسباتي بيشتر (به عنوان مثال، سرورها، پردازنده هاي گرافيكي) براي توزيع وظايف آموزشي در چندين ماشين است، كه هنگام برخورد با مجموعه داده هاي بزرگ و مدل هاي يادگيري عميق ضروري است. از سوي ديگر، مقياس عمودي، منابع گره هاي جداگانه را افزايش مي دهد (به عنوان مثال، حافظه بيشتر يا قدرت GPU)، و آن را براي كارهاي سنگين منابع مانند استنتاج مدل هاي بزرگ يا عمليات با حافظه بالا موثر مي كند. مقياس خودكار تركيبي تضمين مي كند كه منابع به طور موثر بر اساس نيازهاي زمان واقعي تخصيص داده مي شوند. به عنوان مثال، در طول يك مرحله آموزشي با داده هاي عظيم، سيستم مي تواند با افزودن گره هايي براي پردازش داده ها به صورت موازي، به صورت افقي مقياس شود. در مقابل، هنگامي كه يك مدل بزرگ در طول استنتاج به حافظه بيشتري نياز دارد، مقياس بندي عمودي مي تواند براي تخصيص منابع اضافي به گره هاي جداگانه فعال شود. تركيب هر دو استراتژي با تنظيم پويا تعداد گره ها و ظرفيت منابع هر گره بر اساس نيازهاي بار كاري به تعادل هزينه و عملكرد كمك مي كند.

12/11/2024 12:00:00 AM

85318

1403/10/02

Review of Auto Scaling approaches For Microservices in Cloud Environments

مقياس خودكار مقياس خودكار هيبريدي حجم كار ميكروسرويس ها يادگيري ماشيني

Autoscaling Hybrid Autoscaling workload Microservices machine learning