ارائه دهنده:
احسان گلشنی گلباغی
استاد راهنما:
دکتر مهرداد آشتیانی
استاد ممتحن خارجی : دکتر علیرضا شاملی سندی
استاد ممتحن داخلی: دکتر محسن شریفی
زمان : یکشنبه 20 بهمن ماه 1398
ساعت 10:00
مکان: دانشکده مهندسی کامپیوتر- طبقه سوم- اتاق 304
آقای احسان گلشنی گلباغی دانشجوی کارشناسی ارشد جناب آقای دکتر مهرداد آشتیانی یکشنبه 20 بهمن ماه ساعت 10:00 در اتاق 304 واقع در طبقه سوم دانشکده کامپیوتر از پروژه کارشناسی ارشد خود تحت عنوان "ارائه یک سازوکار فعالانه مقیاسپذیری خودکار در محیطهای ابری" دفاع خواهند نمود.
چکیده پایان نامه:
یک سیستم مقیاسپذیری خودکار میتواند خدمات و برنامههای ابری را از طریق تنظیمات مختلفی در سطح نرمافزار و نیز با تخصیص و آزادسازی منابع سختافزاری برای وفق دادن سیستم با محیط عملیاتی در حال تغییر، در زمان اجرا پیکربندی دوباره کند. چنین رفتاری، پایهای برای دستیابی به کشش و وفق پذیری در پارادایم محاسبات ابری ارائه میدهد. با در نظر گرفتن ماهیت پویا و نامعلوم زیرساخت ابری مشترک، سیستم مقیاسپذیری خودکار بهعنوان یکی از پیچیدهترین و هوشمندترین ساختههای انسان طراحی شده است که هدف آن دستیابی به مقیاسپذیری خودآگاه[1]، خودسازگار[2] و قابلاعتماد[3] در زمان اجرا است. برای اینکه بتوانیم راهحلی کارآمد برای این مسئله پیدا کنیم، نیاز داریم بتوانیم مقدار بارکاری و متریکهای سیستمی را برای زمآنهای آینده، با دقت پیشبینی کنیم. تاکنون راهحلهای مختلفی برای حل این مسئله به کار گرفتهشدهاند، برای مثال از یادگیری ماشین و روشهای آماری سری زمانی و روشهای گروهی راهحلهای زیادی مطرح شده است. در این نوشته، راهکارهای مختلف بکار گرفتهشده برای حل مسئله مقیاسپذیری خودکار در سیستمهای رایانش ابری را بررسی میکنیم و بر اساس درک نقاط ضعف و قوت کارهای انجامشده، با تمرکز بر سازوکاری فعالانه، ایدههایی را برای حل این چالش مطرح میکنیم. در این پژوهش، مسئله را بهصورت یک مدل توالی میبینیم و برای اولین بار از شبکههای عصبی کانولوشن برای پیشبینی بارکاری یک برنامه ابری استفاده خواهیم کرد. همچنین با استفاده از شبکههای عصبی، نگاشتی از بارکاری پیشبینی شده و مقدار زمانواقعی منابع مصرفی به مقدار منابع مصرفی در آینده بهدست میآوریم. در بخش آخر نیز یک سازوکار تصمیمگیری ارائه میدهیم که معیارهای مختلف و گاهاً متضاد تصمیمگیری را درنظر بگیرد و نوعی سازش بین آنها ایجاد کند. در بخش ارزیابی مقدار خطای پیشبینی، مقدار تخطی از توافق سطح خدمات و همچنین مقدار بیاستفاده ماندن منابع را بررسی کردیم. ارزیابیهای انجامشده نشان میدهند روشهای ارائهشده کارایی و دقت قابلقبولی دارند و روش پیشنهادشده برای پیشبینی بارکاری نسبت به کارهای پیشین انجامشده بهبود 4 درصدی داشته است.
واژههای کلیدی: رایانش ابری، مقیاسپذیری خودکار، تخصیص منابع، مقیاسپذیری
از اساتید بزرگوار، دانشجویان گرامی و دیگر متخصصان و علاقه مندان به موضوع دفاعیه دعوت
می شود با حضور خود موجبات غنای علمی و ارتقای کیفی را فراهم سازند.
دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی |