Delivering Internet-scale services and IT-enabled capabilities as computing utilities has been made feasible through the emergence of Cloud environments. While current approaches address a number of challenges such as quality of service, live migration and fault tolerance, which is of increasing importance, refers to the embedding of users’ and applications’ behaviour in the management processes of Clouds. The latter will allow for accurate estimation of the resource provision (for certain levels of service quality) with respect to the anticipated users’ and applications’ requirements. In this paper we present a two-level generic black-box approach for behavioral-based management across the Cloud layers (i.e., Software, Platform, Infrastructure): it provides estimates for resource attributes at a low level by analyzing information at a high level related to application terms (Translation level) while it predicts the anticipated user behaviour (Behavioral level). Patterns in high-level information are identified through a time series analysis, and are afterwards translated to low-level resource attributes with the use of Artificial Neural Networks. We demonstrate the added value and effectiveness of the Translation level through different application scenarios: namely FFMPEG encoding, real-time interactive e-Learning and a Wikipedia-type server. For the latter, we also validate the combined level model through a trace-driven simulation for identifying the overall error of the two-level approach

چکیده

با ظهور محیط های ابری، ارائه خدمات در مقیاس اینترنت و IT محور و آنهم در قالب تسهیلات رایانشی به امری ممکن مبدل گردیده است. با توجه به اینکه روش های کنونی در حوزه ابری توانسته اند چالش هایی مانند کیفیت خدمات، مهاجرت زنده و تحمل پذیری در برابر خطا را پاسخ دهند (که البته از اهمیت شایانی نیز برخوردار می باشد)، ادغام رفتار کاربران و اپلیکیشن ها در فرآیندهای مدیریت ابری، به عنوان یک چالش به قوت خود باقی است. این ادغام می تواند منجر به تخمین صحیح تدارک منابع ابری (برای سطوح خاصی از کیفیت خدمات) و آن هم بر حسب نیازمندی های کاربران و اپلیکیشن ها گردید. در این مقاله قصد داریم یک روش مبتنی بر جعبه سیاه جنریکی دو سطحی را برای مدیریت رفتاری در لایه های ابری (لایه نرم افزار، پلت فرم، زیر ساختار) ارائه دهیم؛ این روش می تواند صفات منبع را در سطوح پایین پیش بینی نماید، بدین شکل که اطلاعات را در سطوح بالای مرتبط با بازه های اپلیکیشن (سطح ترجمه) تحلیل نموده و رفتار کاربر را پیش بینی می نماید (در سطح رفتاری). الگوهای موجود در اطلاعات بالا سطح را می توان از طریق تحلیل سری های زمانی تشخیص داده و پس از آن، این الگوها را به صفات منبع در سطح پایین ترجمه کرد که البته برای این کار باید از شبکه های عصبی مصنوعی استفاده نمود. ارزش افزوده و بهره وری سطح ترجمه را از طریق سناریوهای کاربردی مختلف اثبات خواهیم کرد: سناریوهایی که در نظر گرفته ایم، شامل رمزنگاری FFMPEG، یادگیری الکترونیکی تعاملی آنلاین و سرور نوع ویکیپدیا می باشد. همچنین مدل سطح ترکیبی را از طریق شبیه سازی های گام محور برای تشخیص خطای کلی این روش دو سطحی، مورد ارزیابی قرار داده ایم.

1-مقدمه

مجازی سازی سخت افزار، تدارک سریع خدمات، مقیاس پذیری، وفق پذیری، دانه بندی در سطح حسابرسی و همچنین مدل های مختلف تخصیص هزینه می توانند به سرویس دهندگان ابری اجازه داده تا به شکلی کارآمد، خدمات را بر اساس نیازمندی های پویای کاربران اینترنتی در اختیار آنها قرار دهند [1]. در یک چنین محیط های ابری که زیر ساختاری را برای تسهیل در ارائه خدمات ارزش افزوده برای کاربران فراهم می سازد [2]، چندین سرویس دهنده ابری می توانند خدمات خود را بر اساس مدل خدماتی نرم افزار، پلت فرم، زیر ساختار (SPI) به کاربران ارائه دهند...