پیش بینی قیمت منابع در شبکه ابری با پیشنهاد ساختار جدیدی در یادگیری عمیق با در نظر گرفتن سطح کیفیت خدمات
سید سروش نظام دوست
1
(دانشجو دکتری مهندسی برق ، دانشکده برق و کامپیوترعلوم و تحقیقات، دانشگاه آزاد اسلامی، تهران ، ایران)
محمد علی پورمینا
2
(دانشکده:مکانیک، برق و کامپیوتر ، دانشگاه آزاد واحد علوم تحقیقات،تهران، ایران)
فربد رزازی
3
(دانشیار گروه برق، دانشکده برق و کامپیوتر- علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران)
کلید واژه: رایانش ابری, شبکه عصبی عمیق, پیش بینی قیمت نقطه ای, GRUاصلاح شده,
چکیده مقاله :
رایانش ابری یک مدل محاسباتی است که برای ارائه منابع به کاربران از سه الگوی برحسب تقاضا، رزرو شده و نقطه ای بهره می برد. قیمت نمونه های نقطه ای به طور متوسط کم تر از سایر الگوها بوده و بر اساس عرضه و تقاضا دارای نوسان است. هنگامی که کاربر یک نمونه نقطه ای را درخواست کند، باید پیشنهادی ارائه دهد. تنها در صورتی که قیمت پیشنهادی کاربر بالاتر از قیمت نقطه ای باشد، کاربر می تواند از این نوع منابع استفاده کند. لذا پیش بینی قیمت نمونه های نقطه ای بسیار مهم و چالش برانگیز است. پیش بینی این گونه سری های زمانی پویا که از مدل غیرخطی پیروی می کنند، نیازمند ابزار هوشمندی مانند شبکه های عصبی است تا بتواند با مشاهده مقادیری از یک سری زمانی، مقادیر آتی را با کم ترین خطا پیش بینی کنند. بنابراین قابلیت اطمینان و در نتیجه کیفیت سرویس ارتقاء می یابد. بدین منظور، ما آمازون EC2 را به عنوان یک بستر آزمایشی در نظر گرفتیم و از تاریخچه قیمت نقطه ای برای پیش بینی قیمت آینده با ساخت مدلی نوین مبتنی بر یادگیری عمیق استفاده کردیم. نتایج بدست آمده نشان داد که مدل ارائه شده مقاله بر پایه ساختار پیشنهادی MGRU (GRU اصلاح شده) به خوبی می تواند پیش بینی مقادیر غیرخطی را انجام دهد و عملکرد بهتری نسبت به سایر روش های مورد استفاده در این حوزه داشته باشد.
چکیده انگلیسی :
Cloud computing is a computing model that uses three instance, on-demand, reserved, and spot, to provide resources to users. The price of spot instances is on average lower than other patterns and fluctuates based on supply and demand. When a user requests a spot instance, they must provide an offer. Only if the price offered by the user is higher than the spot price, the user can use this type of resources. Therefore, predicting the price of spot instances is very important and challenging. Forecasting such dynamic time series that follow the nonlinear model requires intelligent tools such as neural networks to be able to predict the future values with the least error by observing the values of a time series. Therefore, the reliability and as a result the quality of the service is improved. For this purpose, we considered Amazon EC2 as an experimental platform and used the spot price history to predict the future price by building a new model based on deep learning. The obtained results showed that the model presented in the article based on the proposed structure of MGRU(modified GRU) can well predict nonlinear values and perform better than other methods used in this field.
