دانلود پاورپوینت مقاله روش های مدیریت موثر منابع با شبکه عصبی عمیق

بسیاری از شرکت های IT یک الگوی محاسبات بومی ابری را بکار گرفته اند که یک معماری ریزسرویس مبتنی بر کانتینر را دنبال می کند؛ بنابراین، کانتینر به عنوان یک فنآوری مجازی سازی استاندارد شده در رایانش ابری، پدیدار شده است. یک کانتینر، بالاسری کمتری در مقایسه با فنآوری مجازی سازی مبتنی بر ناظر دارد و قابل حمل بودن (portability) و تعمیم پذیری کارآمد را بخاطر وزن کمش، تضمین می کند. با این حال، وابستگی کانتینر ها به هم با افزایش تعداد کانتینر ها، پیچیده می شود. در این نمونه پاورپوینت به بررسی تکنیک های مدیریت موثر منابع از طریق شبکه عصبی عمیق در محیط رایانش ابری پرداخته شده است.

این پاورپوینت در 21 اسلاید آماده شده و در ادامه نیز اسلاید شماره 0 آن قرار داده شده است:

پلتفرم های هماهنگ سازی کانتینر مانند Kubernetes، Docker Swarm و Apache Mesos، کارکردهای مدیریت کانتینر خودکار متنوعی برای مدیریت کانتینر های مقیاس بزرگ فراهم می کنند که این کارکردها شامل برنامه ریزی زمانی، مقیاس بندی و فیل آوور (failover) می باشند. بخصوص اینکه، Kubernetes مقیاس بندی اندازه و تعداد کانتینر هایی که شامل حداقل یک کانتینر برای بهره برداری انعطاف پذیر منابع براساس موجود بودن «مقیاس بندی خودکار عمودی پاد» (VPA) و «مقیاس بندی خودکار افقی پاد» (HPA)، می باشد. VPA، اندازه یک پاد را با محاسبه درخواست توصیه شده براساس سابقه مصرف منابع قبلی، تنظیم می کند. با این حال، VPA نمی تواند پیوستگی خدمات را تضمین کند، زیرا پادهای موجود حذف می شوند و سپس دوباره تولید می شوند. برعکس، HPA تعداد پادها را با تکثیر و حذف پادها طبق مصرف منابعی که تغییر می کنند، تنظیم می کند. با این حال، HPA براساس یک مکانیزم کنترل کنش گرا بخاطر تاخیر در بکارگیری منابع مقیاس بندی شده، قادر به پاسخ فوری نیست. بنابراین، هنگامی که بهره برداری از منابع هنگام افزایش ناگهانی حجم کار بسیار زیاد می شود، اضافه بار رخ می دهد. علاوه بر آن، هنگامی که یک توسعه دهنده، مقدار مازادی از منابع اولیه را تخصیص می دهد، HPA نمی تواند اندازه منابع را تنظیم و تعدیل کند و بنابراین باعث اتلاف می شود.

بنابراین، این پاورپوینت، «مقیاس دهی خودکار پاد ترکیبی کنش گرا» (ProHPA) را پیشنهاد می کند که به نحو پایدار و کارآمد پادها را با پیش بینی مصرف پردازنده و حافظه آینده را مقیاس بندی خودکار می کند تا بر معایب HPA فراهم شده توسط Kubernetes غلبه کند. ProHPA داده های حجم کار را از طریق نظارت استخراج می کند و یک مدل «حافظه کوتاه مدت بلند دو طرفه مبتنی بر توجه» (Bi-LSTM) را آموزش می دهد تا الگوهای غیرعادی و نامنظم را تحلیل کند.

در ادامه نیز، اسلاید شماره 16 این پاورپوینت قرار داده شده است:

این پاورپوینت، جهت مدیریت کارآمدتر و پایدارتر منابع در مقایسه با HPA متداول که با یک روش انفعالی در Kubernetes کار می کند، ProHPA را پیشنهاد داده است که به صورت ترتیبی ReVPA و PoHPA را انجام می دهد. مدل Bi-LSTM مبتنی بر توجه با ProHPA از پیش تعبیه شده، مقیاس بندی خودکار ترکیبی را برای منابع درون یک پاد با پیش بینی حجم کار آتی از حجم کارهای گذشته ای که الگوهای غیرمنظم داشته اند، انجام داد. هنگامی که عملکرد ProHPA ارزیابی شد، مشاهده شد که بهره برداری میانگین پردازنده و حافظه به ترتیب به میزان 23.39% و 42.52% در مقایسه با HPA متداول بهبود یافت هنگامی که منابع اولیه اضافه تخصیص داده شدند. هنگامی که منابع اولیه به اندازه ناکافی تخصیص داده شدند، اضافه بار پردازنده و حافظه به ندرت در ProHPA در مقایسه با HPA ارائه شده توسط Kubernetes، رخ داد.

اگر HPA هنگامی انجام شود که الگوهای مصرف بین اشیاء منبع مقیاس دهی خودکار تفاوت داشته باشند یا هنگامی که خطاها قابل توجه باشند، این منابع خاص ممکن است بخاطر مقیاس بندی غیرضروری به هدر بروند. علاوه بر آن، مدیریت انعطاف پذیر منابع با HPA متداول امری چالش برانگیز است زیرا مقیاس دهی براساس آستانه تخصیص داده شده توسط یک توسعه دهنده، فراهم می شود. بنابراین، پژوهش های بیشتری برای تحلیل فنون برای تنظیم انعطاف پذیر آستانه ها با ملاحظه تغییرات وضعیت منابع و افزودن روش هایی که به نحو انعطاف پذیر منابع را برای ProHPA فراهم می کنند، لازم می باشد.