ارائه­ دهنده:

  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