Human-Centered Cloud Automated Provisioning with Deep Reinforcement Learning for Adaptive Computing

تخيل الإنترنت كمدينة ضخمة غير مرئية حيث يطلب الملايين من الناس أشياءً باستمرار: بث الأفلام، إرسال الرسائل، أو تشغيل ألعاب معقدة. ولإبقاء هذه المدينة تعمل، نحتاج إلى خوادم "سحابية" — وهي مستودعات ضخمة من الحواسيب التي توفر القوة اللازمة لجعل هذه الأشياء تحدث. لكن الجزء الصعب هنا هو أن المدينة لا تهدأ أبداً. فأحياناً يكون الثلاثاء يوماً هادئاً، وأحياناً يكون هناك حفل موسيقي ضخم حيث يسجل الجميع دخولهم في وقت واحد. إذا كان مديرو المدينة (أنظمة السحابة) بطيئين جداً أو جامدين للغاية، فسترتعش الأضواء، وتتعثر الموسيقى، وتتعطل الخدمة. هذا هو عالم تخصيص موارد السحابة (Cloud Resource Provisioning). إنه فن تحديد مقدار قوة الحوسبة التي يجب منحها لكل مهمة، في الوقت الذي تشتد فيه الحاجة إليها تماماً. والهدف هو عملية توازن دقيقة: فأنت تريد إنفاق أقل قدر ممكن من المال على تشغيل هذه الخوادم، ولكنك تريد أيضاً أن تعد مستخدميك بأن تطبيقاتهم لن تتعطل أبداً (وهو وعد يسمى اتفاقية مستوى الخدمة، أو SLA). إذا أعطيت قوة قليلة جداً، سيتعطل التطبيق؛ وإذا أعطيت قوة كبيرة جداً، فستبدد ثروة طائلة.

لفترة طويلة، استخدم مديرو السحابة حِيلاً بسيطة تعتمد على القواعد، مثل "أعطِ المهمة التالية للخادم المتاح التالي" أو "أضف القوة فقط إذا كان الخادم أقل من 80% من سعته". لكن هذه الحيل القديمة تشبه استخدام خريطة يدوية في مدينة تعاني من ازدحامات مرورية مستمرة؛ فهي لا تستطيع الاستجابة بسرعة عندما تندفع الحشود فجأة. وهنا يأتي دور التعلم التعزيزي العميق (Deep Reinforcement Learning - DRL). فكر في التعلم التعزيزي العميق كذكاء اصطناعي فائق الذكاء يلعب ألعاب الفيديو، ويتعلم من خلال التجربة والخطأ. وبدلاً من اتباع كتاب قواعد جامد، فإنه يراقب ما يحدث، ويتعلم من أخطائه، ويكتشف أفضل طريقة لإدارة الخوادم من تلقاء نفسه، متكيفاً مع الفوضى في الوقت الفعلي.

في هذه الدراسة، قررت الباحثتان كافيتا سريفاستاوا والدكتورة مانيشا أغاروال اختبار القواعد القديمة الجامدة مقابل فكرة استخدام هذا الذكاء الاصطناوي الذكي. لم يكتفيا بالتخمين؛ بل أجريا سلسلة من عمليات المحاكاة باستخدام بيانات حقيقية من مجموعة حواسيب جوجل الخاصة. لقد تعاملتا مع السحابة كأنها مطبخ مطعم مزدحم واختبرتا أربع طرق مختلفة لتقديم "الطلبات" (مهام الحوسبة).

أولاً، جربتا الأساليب القديمة. كان أحدها هو التوزيع الدوري (Round Robin)، وهو يشبه النادل الذي يوزع الأطباق في دائرة صارمة، بغض النظر عن مدى جوع الشخص أو حجم الطلب. والآخر هو القائم على العتبة (Threshold-Based)، حيث لا يخدم النادل الطاولة إلا إذا كان المطبخ أقل من 80% من سعته. كما جربتا التعبئة الجشعة (Greedy Packing)، وهي تشبه طباخاً فعالاً جداً يحاول وضع أكبر عدد ممكن من الطلبات الصغيرة في أصغر فرن متاح. وأخيراً، نظرتا في طريقة المدركة للتكلفة (Cost-Aware) التي حاولت توفير المال باستخدام أقل عدد ممكن من الأفران.

كانت النتائج مزيجاً من الأخبار الجيدة والسيئة. كانت طريقة التوزيع الدوري (Round Robin) مسرفة للغاية، حيث استخدمت الكثير من الخوادم. أما طريقتي العتبة (Threshold) والتعبئة الجشعة (Greedy) فقد كانتا أفضل في توفير المساحة، لكنهما كانتا تعانيان من عيب رئيسي: وهما أنهما بطيئتان جداً في الاستجابة عندما تصبح الأمور جنونية. في اختبار محدد، تمكن نظام ثابت يعمل تحت قيود تكلفة صارمة من إبقاء الفاتورة منخفضة لتصل إلى إجمالي 298.65 روبية هندية، لكنه فعل ذلك بثمن باهظ: فقد خرق النظام وعوده للمستخدمين 3,297 مرة لأنه حاول حشر الكثير من المهام في عدد قليل جداً من الخوادم.

بعد ذلك، قامت الباحثتان بمحاكاة "طفرة" مفاجئة في حركة المرور، مثل اندفاع مفاجئ للزبلاء يطلبون جميعاً في وقت واحد. تعثرت الأساليب القديمة هنا. فقد كانت "تفاعلية"، مما يعني أنها تضيف المزيد من الخوادم فقط بعد أن يصبح النظام مثقلاً بالفعل. تسبب هذا في حدوث تأخير، مما أدى إلى المزيد من خرق الوعود (انتهاكات SLA) وإجهاد الخوادم. على سبيل المثال، في اختبار محاكاة طفرة معين، قفز عدد الوعود المنتهكة من 5,473 في الظروف العادية إلى 5,507 أثناء الزحام، مما أظهر أن النظام لا يستطيع المواكبة.

تشير الورقة البحثية إلى أن الحل ليس مجرد تعديل هذه القواعد القديمة، بل التحول إلى نهج التعلم التعزيزي العميق (DRL). تجادل الباحثتان بأنه ينبغي لنا النظر إلى إدارة السحابة كـ "لعبة اتخاذ قرار متسلسل"، حيث يتعلم وكيل الذكاء الاصطناعي موازنة التكلفة والأداء بشكل ديناميكي. ورغم أنهما لم تبنيا النظام النهائي للذكاء الاصطناعي في هذه الورقة البحثية تحديداً، إلا أنهما استخدما هذه التجارب لإثبات أن الأساليب القديمة الثابتة محدودة جوهرياً. لقد أظهرتا أنه للتعامل مع الطبيعة غير المتوقعة والمتمركزة حول البشر للحوسبة الحديثة، نحتاج إلى نظام متكيف يمكنه التعلم والتنبؤ والتعديل في الوقت الفعلي، بدلاً من مجرد اتباع قائمة مهام ثابتة. وتخلص الدراسة إلى أنه بينما يكون للأساليب القديمة مكانها، فإن مستقبل إدارة السحابة يكمن في هذه الأنظمة الذكية القائمة على التعلم، والتي يمكنها إبقاء أضواء المدينة مشتعلة دون إفلاس صاحبها.