ارائه­ دهنده:

  اساتید راهنما:

دکتر مهرداد آشتیانی

هیات داوران:
 دکتر رضا انتظاری ملکی
دکتر سعید صدیقیان
زمان:
 ۱۴۰۰/۱۰/۲۰

ساعت ۰۹:۰۰
 

خانم فائزه عظیمی چتابی دانشجوی کارشناسی ارشد جناب آقای دکتر مهرداد آشتیانی روز سه شنبه ۲۰ دی ماه ساعت ۰۹:۰۰ از پروژه کارشناسی ارشد خود تحت عنوان "ارائه یک رویکرد وابستگی-آگاه برای زمانبندی توابع در محیطهای بدون سرویس دهنده " دفاع خواهند نمود.

چکیده پایان نامه:
با توجه به پیشرفت فناوری و نیاز روزافزون کاربران، توسعه‌دهندگان باید برنامه‌های کاربردی خود را به سرعت توسعه دهند. محاسبات ابری با توجه به مزایایی که دارد توجه توسعه‌دهندگان را برای پیاده‌سازی برنامه‌های کاربردی به خود جلب کرده است. ابر، مدل‌های سرویس‌دهی مختلفی مانند زیرساخت به عنوان سرویس، بستر به عنوان سرویس، نرم‌افزار به عنوان سرویس، کانتینر به عنوان سرویس و تابع به عنوان سرویس را دارد. در این پژوهش تمرکز اصلی بر روی مدل سرویس‌دهی تابع به عنوان سرویس است. این مدل کاربران را قادر می‌سازد تا توابع ابری را بر روی بستری از منابع اجرا کنند بدون اینکه نگرانی در باره مدیریت زیرساخت آن داشته باشند. اینکار هزینه کمتری برای آن‌ها خواهد داشت. یکی از مهم‌ترین چالش‌های این حوزه، مسئله زمان‌بندی توابع به منابع است. ارائه‌دهندگان سرویس، از الگوریتم‌های زمان‌بندی برای نگاشت درخواست‌های ورودی خود که از نوع توابع ابری هستند، به منابع محاسباتی استفاده می‌کنند. این نگاشت باید از جنبه‌های مختلفی که بر عملکرد سیستم تاثیر دارند، بهینه باشد. زمان‌بند، وظیفه اجرای درخواست‌ها و مدیریت منابع را بر عهده دارد.
     الگوریتم‌های زمان‌بندی موجود صرفاً تعادل‌کننده‌های بار  بر روی منابع هستند و از الگوریتم‌های پیش فرض ساده‌‌ایی استفاده می‌کنند. هدف اصلی این پژوهش، کم‌کردن زمان اتمام تابع و بهینه‌سازی استفاده از منابع در دسترس برای زمان‎‌بند است. دستاورد این پژوهش، الگوریتم زمان‌بندی دو بخشی در محیط تابع به عنوان سرویس است که در انتخاب توابع از صف و نگاشت آن به منابع، هوشمند عمل خواهد کرد. بخش اول، هسته‌ی اصلی زمان‌بند است که با آگاهی از وابستگی توابع به بسته‌ها سعی بر این دارد که توابع را به منابعی اختصاص دهد که از قبل بسته‌ها بر روی آن موجود باشند. بنابراین، زمان سربار بسته‌ها حذف می‌شود و زمان اجرای توابع کم خواهد شد. بخش دوم، قسمت مانتورینگ زمان‌بند است که مدیریت منابع در دسترس را بر عهده دارد و با کم و زیاد کردن منابع کارگرهای موجود، از اشباع شدن آن‌ها جلوگیری می‌کند و با حذف کارگرهای غیرفعال، منابع را برای کارگرهای جدید آزاد می‌کند.
     با پیاده‌سازی و ارزیابی این روش و مقایسه آن با الگوریتم‌های زمان‌بندی منبع‌باز و یک زمان‌بند آگاه به وابستگی، پی بردیم که این روش در زمینه زمان‌ اتمام تابع ۵۲% و در زمینه بهینه‌سازی منابع ۷۰% بهبود را به دنبال داشته است.
واژه‌های کلیدی: محاسبات ابری، زمان‌بندی، تابع به عنوان سرویس، یادگیری ماشین، تصمیم‌گیری.