چکيده
يك سيستم مقياس‌پذيري خودكار مي‌تواند خدمات و برنامه‌هاي مبتني بر خدمات ابري را از طريق تنظيمات مختلفي در سطح نرم‌افزار و نيز با تخصيص و آزادسازي منابع سخت‌افزاري براي وفق دادن سيستم با محيط عملياتي در حال تغيير، در زمان اجرا پيكربندي دوباره كند.
چنين رفتاري، پايه‌اي براي دستيابي به كشش و وفق پذيري در پارادايم محاسبات ابري ارائه مي‌دهد. با در نظر گرفتن ماهيت پويا و نامعلوم زيرساخت ابري مشترك، سيستم مقياس‌پذيري خودكار به‌عنوان يكي از پيچيده‌ترين و هوشمندترين ساخته‌هاي انسان طراحي شده است كه هدف آن دستيابي به مقياس‌پذيري خودآگاه1، خودسازگار2 و قابل‌اعتماد3 در زمان اجرا است. براي اينكه بتوانيم راه‌حلي كارآمد براي اين مسئله پيدا كنيم، نياز داريم بتوانيم مقدار باركاري و متريك‌هاي سيستمي را براي زمآن‌هاي آينده، با دقت پيش‌بيني كنيم. تاكنون راه‌حل‌هاي مختلفي براي حل اين مسئله به كار گرفته‌شده‌اند، براي مثال از يادگيري ماشين و روش‌هاي آماري سري زماني و روش‌هاي گروهي راه‌حل‌هاي زيادي مطرح شده است. در اين نوشته، راهكارهاي مختلف بكار گرفته‌شده براي حل مسئله مقياس‌پذيري خودكار در سيستم‌هاي رايانش ابري را بررسي ميكنيم و بر اساس درك نقاط ضعف و قوت كارهاي انجام‌شده، با تمركز بر سازوكاري پيشگيرانه، ايده‌هايي را براي حل اين چالش مطرح ميكنيم. در اين مسير سعي ميكنيم مشكلاتي كه در كارهاي مشابه وجود داشتند برطرف كنيم. براي مثال، سعي ميكنيم پيش‌بيني دقيق‌تري داشته باشيم و راه حلي ارائه دهيم كه با انواع مختلف باركاري بتواند پيش‌بيني‌هاي دقيق انجام دهد و همچنين، فصلي بودن داده ها را نيز در نظر بگيرد، همچنين قصد داريم در مكانيزم تصميم گيري، انواع متريك‌ها مانند ميزان مصرف حافظه، مقدار استفاده از Cpu، تعداد درخواست بر ثانيه و غيره را دخيل كنيم.
