عنوان

پیش‌بینی بار‌ کاری در سرویس‌های مبتنی بر ابر بر‌اساس تشخیص نقشه‌ی ترتیبی

Number

پ۲۴۴۲۸

.Language of Text, Soundtrack etc

per

Title Proper

پیش‌بینی بار‌ کاری در سرویس‌های مبتنی بر ابر بر‌اساس تشخیص نقشه‌ی ترتیبی

First Statement of Responsibility

ثمین شیدا

Name of Publisher, Distributor, etc.

مهندسي برق و کامپيوتر

Date of Publication, Distribution, etc.

۱۳۹۹

Specific Material Designation and Extent of Item

۵۰ص.

Accompanying Material

سی دی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی کامپیوتر گرایش نرم افزار

Date of degree

۱۳۹۹/۱۱/۱۴

Text of Note

چکیده:پیش‌بینی رفتار شبکه یک کار ضروری است که می‌تواند برای اهداف مختلف مانند نظارت و مدیریت زیرساخت شبکه استفاده شود. پیش‌بینی رفتار شبکه در سرویس‌های مبتنی بر محاسبات ابری پیچیده‌تر است، چراکه این شبکه‌ها رفتار غیرخطی با خصوصیات خاصی را در طول عملیات روزانه نشان می‌دهند. چالش‌های عمده در زمینه محاسبات ابری، استفاده از منابع پویا و کاهش توان مصرفی است. این فاکتورها باعث می‌شود که سیستمهای مبتنی بر محاسبات ابری ارزان و به صرفه باشد. پیش‌بینی حجم کار یکی از متغیرهایی است که می‌تواند با کمک به پویایی منابع، کارایی و هزینهی محاسبات ابری را بهبود بخشد. علاوه‌ بر این، پیش‌بینی حجم کار شبکه در زمینه‌های دیگر مانند: بهبود کیفیت خدمات، پیش‌بینی نیازهای پهنای باند، مدل‌های دقیق‌تر شبیه‌سازی و کنترل‌پذیری کاربرد دارد.چالش در محاسبات ابری به این دلیل بیشتر است که ترافیک آن میتواند بطور ناگهانی تغییر کند و در نتیجه، خواستار یک مدل مناسب برای در نظر گرفتن پویایی ترافیک ابر است. این نوع ترافیک شبکه متفاوت از ترافیک شبکه‌های سنتی است و از یک الگوی خاصی پیروی نمی‌کند. در تمام روش‌هایی که تاکنون برای این منظور استفاده شده‌اند، سعی در پیدا کردن یک الگوی خاص برای پیش‌بینی ترافیک شبکه شده است، مانند: سری‌های زمانی، شبکه‌های عصبی، یادگیری ماشین. درحالیکه به عامل‌های هوشمند در سرویس‌های ابری کمتر توجه شده‌است. ما قصد داریم، یک مدل پیش‌بینی بار کاری را با استفاده از تشخیص نقشه‌ی ترتیبی ارائه دهیم که فرضیه‌هایی را به عنوان خروجی تولید می‌کند که هر فرضیه شامل نقشه‌‌هایی است که نشان دهنده‌ی رفتار عامل‌ها است. در این پایان‌نامه، ما سیستمی طراحی کردیم که وظیفه‌ی آن، پیش‌بینی رفتار سرویس‌ها در محاسبات ابری با درنظر گرفتن فرایندهای هوشمندانه کاربران آنها است. ما تلاش کردیم تا با بهینه‌سازی این روش، با کاهش تعداد فرضیه‌های بدست آمده در الگوریتم رفتار سیستم را پیش‌بینی کنیم. نتایج بدست آمده نشان می‌دهد، روش استفاده شده در تشخیص بار کاری نامنظم، عملکرد ضعیف‌تری نسبت به شبکه‌ی عصبی دارد، در عین حال می‌تواند نتایج بهتری از روش‌های خطی داشته باشد.

Text of Note

Abstract:Workload predicting is an essential task used for various goals like monitoring and managing the network infrastructure. The prediction of the networks based on a cloud server is very complicated because these have nonlinear behavior and demonstrate special characteristics during daily operations. The main challenges in cloud computing are the use of dynamic resources and reducing resource consumption. These factors have made cloud computing systems cheaper and cost-effective. Workload prediction can help us have dynamic resources to improve the efficiency and utilization of cloud calculations. Also, workload prediction of a network is useful in improving the quality of services, prediction of the usage of the bandwidth, and having better control-ability and simulation models.The challenge in cloud computing is more because its traffic may change unexpectedly, and as a result, it needs a suitable model to consider the dynamicity of cloud network traffic. This type of network traffic is different from traditional network traffic and does not follow a specific pattern. Until now, in all the prediction methods that are used for this purpose, an attempt has been made to find a specific pattern for the workload, such as time series, neural networks, machine learning. While the Intelligent agents in cloud services have received less attention. We intend to provide a workload prediction model using sequential plan recognition that generates hypotheses as output, in which, each hypothesis has plans that reflect network behavior.In this thesis, we designed a system that its purpose is to predict the behavior of the cloud workload by observing the intelligent processes of its users. By optimizing this method, we tried to predict the behavior of the system by reducing the number of the hypotheses in the algorithm. The results show that the method used to detect irregular workloads has poor performance compared to the neural network, while it can have better results than the linear methods.

Variant Title

Cloud Workload Prediction Based on Sequential Plan Recognition

Entry Element

‏شیدا،

Part of Name Other than Entry Element

‏ثمین

Relator Code

تهيه کننده

Entry Element

‏محمدخانلی،

Entry Element

‏صالح‌پور،

Part of Name Other than Entry Element

‏ لیلی

Part of Name Other than Entry Element

‏ پدرام

Dates

استاد راهنما

Dates

استاد مشاور

Entry Element

‏ تبریز