Machine Learning for Cloud Management

رایانش ابری خدمات بر اساس درخواست را ارائه می دهد و به عنوان ستون فقرات صنعت محاسبات ظاهر شده است. این ما را قادر می سازد تا منابع را از طریق مجازی سازی بین چندین کاربر به اشتراک بگذاریم، که یک نمونه مجازی از یک سیستم کامپیوتری در حال اجرا در یک لایه سخت افزاری انتزاعی را ایجاد می کند. برخلاف مدل‌های محاسباتی توزیع‌شده اولیه، منابع محاسباتی تقریباً نامحدودی را از طریق مراکز داده ابری در مقیاس بزرگ ارائه می‌دهد. در چند سال گذشته با زیرساخت های روزافزون، تعداد کاربران و میزان داده های میزبانی شده، محبوبیت زیادی به دست آورده است. حجم کاری بزرگ و پیچیده ای که در این مراکز داده میزبانی می شود، چالش های زیادی از جمله استفاده از منابع، مصرف انرژی، مقیاس پذیری و هزینه عملیاتی را به همراه دارد. بنابراین، یک طرح مدیریت منابع موثر برای دستیابی به کارایی عملیاتی با افزایش کشش ضروری است. راه‌حل‌های فعال‌شده با یادگیری ماشینی بهترین گزینه برای رسیدگی به این مسائل هستند، زیرا می‌توانند داده‌ها را تجزیه و تحلیل کنند و از آنها بیاموزند. علاوه بر این، اتوماسیون را برای راه حل ها به ارمغان می آورد، که یک عامل اساسی در برخورد با سیستم های توزیع شده بزرگ در الگوی ابری است.

یادگیری ماشین برای مدیریت ابری مدیریت منابع ابری را از طریق مدل سازی پیش بینی و قرار دادن ماشین مجازی بررسی می کند. رویکردهای پیش‌بینی با استفاده از تحلیل سری‌های زمانی مبتنی بر رگرسیون و مدل‌های شبکه عصبی توسعه یافته‌اند. مدل‌های مبتنی بر شبکه عصبی عمدتاً با استفاده از الگوریتم‌های تکاملی آموزش داده می‌شوند و طرح‌های کارآمد قرار دادن ماشین مجازی با استفاده از الگوریتم‌های ژنتیک چندهدفه توسعه یافته‌اند.

ویژگی‌های کلیدی:

• اولین مورد کتابی برای تنظیم طیف وسیعی از روش‌های یادگیری ماشین برای مدیریت کارآمد منابع در یک شبکه بزرگ توزیع‌شده از ابرها.
• تحلیل پیش‌بینی‌کننده بخشی جدایی‌ناپذیر از مدیریت کارآمد منابع ابری است، و این کتاب یک جهت تحقیقاتی آینده را ارائه می‌دهد. محققان در این حوزه.
• توسط محققان برجسته بین المللی نوشته شده است.

این کتاب برای محققانی که در حوزه رایانش ابری کار می کنند ایده آل است.

Cloud computing offers subscription-based on-demand services, and it has emerged as the backbone of the computing industry. It has enabled us to share resources among multiple users through virtualization, which creates a virtual instance of a computer system running in an abstracted hardware layer. Unlike early distributed computing models, it offers virtually limitless computing resources through its large scale cloud data centers. It has gained wide popularity over the past few years, with an ever-increasing infrastructure, a number of users, and the amount of hosted data. The large and complex workloads hosted on these data centers introduce many challenges, including resource utilization, power consumption, scalability, and operational cost. Therefore, an effective resource management scheme is essential to achieve operational efficiency with improved elasticity. Machine learning enabled solutions are the best fit to address these issues as they can analyze and learn from the data. Moreover, it brings automation to the solutions, which is an essential factor in dealing with large distributed systems in the cloud paradigm.

Machine Learning for Cloud Management explores cloud resource management through predictive modelling and virtual machine placement. The predictive approaches are developed using regression-based time series analysis and neural network models. The neural network-based models are primarily trained using evolutionary algorithms, and efficient virtual machine placement schemes are developed using multi-objective genetic algorithms.

Key Features:

• the first book to set out a range of machine learning methods for efficient resource management in a large distributed network of clouds.
• predictive analytics is an integral part of efficient cloud resource management, and this book gives a future research direction to researchers in this domain.
• it is written by leading international researchers.

The book is ideal for researchers who are working in the domain of cloud computing.