مجله علمی رایانش نرم و فناوری اطلاعات

مجله علمی رایانش نرم و فناوری اطلاعات

مدل خوشه‌بندی فرا ابتکاری و یادگیری انتقال عمیق ترکیبی برای پیش‌بینی مصرف انرژی در رایانش ابری

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی فارسی

نویسندگان
حبیب ناجی آتیه 1
بهنام برزگر 2
محمدرضا سلطان آقایی 3
حسن فلاح فخرالدین 4
1 گروه علمی کامپیوتر ، واحد اصفهان خوراسگان، دانشگاه آزاد اسلامی اصفهان ، ایران
2 گروه مهندسی کامپیوتر، واحدبابل، دانشگاه آزاد اسلامی، بابل، ایران
3 گروه مهندسی کامپیوتر ،واحد خوراسگان ،دانشگاه آزاد اسلامی خوراسگان ،اصفهان ،ایران
4 استادیار گروه کامپیوتر، واحد دانشگاه امام جعفر صادق، بغداد، عراق
10.22034/jscit.2026.569591.2215
چکیده
رایانش ابری علی‌رغم گسترش و محبوبیت روزافزون با چالش مصرف بالای انرژی در مراکز داده مواجه است که منجر به افزایش هزینه‌های عملیاتی و پیامدهای زیست‌محیطی می‌شود. ازاین‌رو، ارائه روش‌های دقیق برای پیش‌بینی بار مصرف انرژی در این محیط‌ها امری ضروری است. در این مقاله، یک رویکرد ترکیبی مبتنی بر خوشه‌بندی بهینه‌شده و یادگیری عمیق انتقالی برای پیش‌بینی بار مصرف انرژی در رایانش ابری ارائه می‌شود. روش پیشنهادی بر روی مجموعه‌داده‌های متنوع شامل مجموعه‌داده Google Cluster، داده‌های بار مصرفی و پیش‌بینی انرژی خورشیدی (PV) شهر لندن، و داده ‌های بار ساعتی و قیمت برق مجموعه‌داده IESO ارزیابی شده است. در مجموع، پنج سناریوی داده‌ای شامل استفاده از CPU، بار ساعتی و انرژی خورشیدی مورد بررسی قرار گرفته‌اند. عملکرد مدل با استفاده از معیارهای MSE، RMSE، MAPE و MAE ارزیابی شده است. نتایج نشان می‌دهد که مدل پیشنهادی در مجموعه‌داده Google Cluster به دقت بالایی دست یافته است، به‌گونه‌ای که در داده‌های آموزشی مقادیر خطا برابر با (MSE برابر ۰.۰۱۹۹، RMSE برابر ۰.۱۴۱۱، MAPE برابر ۰.۴۲۹۳ و MAE برابر ۰.۱۱۹۵) و در داده‌های آزمایشی برابر با (MSE برابر ۰.۰۳۵۶، RMSE برابر ۰.۱۸۸۶، MAPE برابر ۰.۶۴۶۰ و MAE برابر ۰.۱۶۴۷) به دست آمده است. این نتایج بیانگر توانایی تعمیم‌پذیری مناسب و کارایی بالای مدل در داده‌های حجیم و پیچیده می‌باشد.
کلیدواژه‌ها
خوشه‌بندی با الگوریتم فراابتکاری
یادگیری عمیق انتقالی
پیش‌بینی بار مصرفی
رایانش ابری
مجله علمی رایانش نرم و فناوری اطلاعات

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از 01 شهریور 1405