في عصر التحول الرقمي السريع، أصبح إدارة بنية السحابة التحتية بكفاءة ضرورة حتمية، خصوصًا في ظل وجود مقدمي خدمات سحابية كبار أو ما يعرف بـ"هايبرسكلر". يعد اختيار الأحجام المناسبة للآلات الافتراضية (Virtual Machines) من العناصر الأساسية لتحقيق الكفاءة من حيث التكلفة والأداء. ومع ذلك، غالبًا ما تفشل الطرق التقليدية في تخصيص مجهودات الآلات الافتراضية في مواجهة التقلبات الغير قابلة للتوقع في استخدام الموارد.

تساعد التنبؤات عالية الجودة في التقاط عدم اليقين في طلب موارد السحابة بدقة، مما يدعم مشغلي السحابة في تخصيص الأمثلة بفعالية. في هذا السياق، تم تقديم إطار عمل موثوق لبناء فترات التنبؤ (Prediction Intervals) باستخدام تقنية التنبؤ المطابق (Conformal Prediction) للقيام بمهام التنبؤ على المدى المتوسط والطويل في بيئات الحوسبة السحابية.

تقترح الدراسة الجديدة نهجًا مبتكرًا لبناء فترات التنبؤ استنادًا إلى البيانات من خلال استخدام تقنية التنبؤ المطابق، مما يعزز توصيات الحجم المناسب (RSR) لتحسين تخصيص الموارد للتطبيقات المتنوعة على مقدمي الخدمات السحابية.

من خلال تعلم أنماط استخدام الحمل، وتحديد الارتباطات across العديد من السلاسل الزمنية، والتنبؤ بالاتجاهات على المدى المتوسط والطويل، تسعى هذه الأبحاث إلى تحسين كفاءة عمليات السحابة ومراكز البيانات من خلال سلسلة التوريد المدعومة بالذكاء الاصطناعي وتعلم الآلة (AI/ML).

تظهر دراستنا أن النماذج المدفوعة بالذكاء الاصطناعي، المدعومة بتقنيات الانحدار في تعلم الآلة، قد حققت نتائج واعدة في التنبؤ باستخدام موارد السحابة. بالإضافة إلى ذلك، نقوم بتصنيف النماذج المختارة لتحديد أفضل النماذج أداءً للآلات الافتراضية المستهدفة. يعزز الإطار المقترح توصيات الحجم المناسب ويدعم تخصيص موارد أكثر فعالية من حيث التكلفة في البيئات السحابية الديناميكية.

في النهاية، كيف ترون هذه الابتكارات في تحسين عمليات إدارة السحابة؟ نحن متشوقون لسماع آرائكم في التعليقات!