دانلود ترجمه مقاله مدیریت منابع پایدار و کارآمد با شبکه عصبی عمیق در رایانش ابری

1. مقدمه 2. مقالات مربوطه 3. طرح ProHPA 4. طراحی ProHPA 5. پیاده سازی ProHPA 6. ارزیابی عملکرد 7. نتیجه گیری

چکیده – مقیاس بندی خودکار مدیریت منابع در یک سرویس رایانش ابری، دسترسی و تعمیم پذیری زیاد برنامه های کاربردی و خدمات را تضمین می کند. «مقیاس بندی خودکار پاد افقی» (HPA) نه تنها بر وظایف اجرا شده تاثیر ندارد بلکه همچنین این عیب را دارد که نمی تواند مقیاس بندی فوری فراهم کند. علاوه بر آن، مقیاس دهی کاهشی (کوچک سازی) امکان پذیر نیست اگر منابع مازاد تخصیص داده شوند، زیرا شناسایی مقدار منابع مورد نیاز برای برنامه های کاربردی و خدمات، دشوار است؛ بنابراین منابع اتلاف و ضایع می شوند. از این رو، این مطالعه یک «مقیاس بندی خودکار پاد ترکیبی کنش گرا» (ProHPA) را پیشنهاد می کند که فوراً به حجم کار غیرعادی پاسخ می دهد و اضافه تخصیص منابع را کاهش می دهد. ProHPA از یک مدل «حافظه کوتاه مدت بلند دو طرفه» (Bi-LSTM) بکار گرفته با یک مکانیزم توجه برای پیش بینی مصرف CPU و حافظه در آینده استفاده می کند که الگوهای مشابه یا متفاوت دارد. کاهش مصرف منابع مازاد با «مقیاس بندی خودکار پاد عمودی» (ReVPA)، اضافه تخصیص منابع درون یک پاد را با مصرف منابع پیش بینی شده، تنظیم می کند. در آخر، (پیشگیری از اضافه بار با HPA) (PoHPA) فوراً مقیاس بندی منابع را با استفاده از مصرف منابع پیش بینی شده و اطلاعات پاد، انجام می دهد. هنگامی که عملکرد ProHPA ارزیابی شد، بهره برداری میانگین از پردازنده و حافظه به ترتیب به میزان 23.39% و 42.52% در مقایسه با HPA متداول در زمان اضافه تخصیص منابع اولیه، بهبود یافت. علاوه بر آن، ProHPA، در مقایسه با HPA متداول در زمان تخصیص ناکافی منابع، موجب اضافه بار نشد.

Resource management autoscaling in a cloud computing service guarantees the high availability and extensibility of applications and services. Horizontal pod autoscaling (HPA) does not affect the executed tasks but also has the disadvantage that it cannot provide immediate scaling. Furthermore, scale down is not possible if excess resources are allocated, because it is difficult to identify the amount of resources required for applications and services; thus resources are wasted. Therefore, this study proposes Proactive Hybrid Pod Autoscaling (ProHPA), which immediately responds to irregular workloads and reduces resource overallocation. ProHPA uses a bidirectional long short-term memory (Bi-LSTM) model applied with an attention mechanism for forecasting future CPU and memory usage that has similar or different patterns. Reducing excessive resource usage with vertical pod autoscaling (ReVPA) adjusts the overallocation of resources within a pod by forecasted resource usage. Lastly, prevention overload with HPA (PoHPA) immediately performs resource scaling by using forecasted resource usage and pod information. When the performance of ProHPA was evaluated, CPU and memory average utilization were improved by 23.39% and 42.52%, respectively, compared with conventional HPA when initial resources were overallocated. In addition, ProHPA did not exhibit overload compared to conventional HPA when resources are insufficiently allocated.

ترجمه این مقاله در 27 صفحه آماده شده و در ادامه نیز صفحه 9 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.