في عالم تقنيات الحوسبة المعتمدة على السيرفرلس، تعد إدارة الموارد أوتوماتيكيًا وتنفيذ الفواتير بالدفع حسب الاستخدام من الخصائص الأساسية. ومع ذلك، تبقى مشكلة توسيع الموارد التلقائي (Autoscaling) تحديًا مستمرًا، خاصة عند مواجهة أحمال العمل الديناميكية، وأوقات البدء الباردة، والتبعيات بين الوظائف.

للحل، تم تقديم إطار جديد لتوسيع الموارد التلقائي يعتمد على الوعي بالتبعيات، يجمع بين التعرف على نقاط الاختناق بناءً على الرسوم البيانية، وتوقعات الأحمال القصيرة الأجل، وتحقيق توافق متعدد النماذج، بالإضافة إلى التحكم في التكاليف. حيث يتم تمثيل التطبيقات السيرفرلس على شكل رسوم بيانية تعتمد على التبعية، وتحديد الوظائف المهمة هيكليًا باستخدام مركزية الدرجة الموزونة.

تُستخدم نماذج البنية الخفيفة، مثل الشبكات العصبية متعددة الطبقات (MLP) ونماذج الذاكرة الطويلة والقصيرة المدى (LSTM) ونماذج الشبكة العصبية التلافيفية (CNN) لتوقع متطلبات الموارد. يتم دمج نواتج هذه النماذج من خلال تجميع احتمالي معتمد على الأداء، مستلهمًا من متوسط نموذج بايزي.

تضيف الوحدة المتحكم تلقائيًا الوعي بوقت البدء البارد ومقارنة التكاليف لاختيار أفضل إجراء بين التوسع، أو الانكماش، أو الاحتفاظ بالموارد.

أظهرت التجارب باستخدام بيانات حقيقية أن التوقعات المشرف عليها تتفوق بشكل كبير على التقنيات غير المشرفة في توليد قرارات توسيع الموارد، مع معدل دقة توقع يصل إلى 99.88% وتقليل الخطأ مقارنة بأساليب التوقع المختلطة الممثلة.

كما أثبتت التقييمات عبر نماذج تسعير سحابية متعددة تحقيق تخفيض متسق في تكاليف البنية التحتية دون التأثير على أهداف الأداء. تكشف النتائج أن الجمع بين تحليل التبعيات، وتوقعات متعددة الخبراء، والتحكم المدروس للتكاليف يوفر حلاً متينًا وعمليًا لتوسيع موارد السيرفرلس.