← أحدث الأبحاث
💻 علوم الحاسوب

Predictive Multi-Objective Energy--Latency Optimization in Cloud Environments Using Ensemble Learning

تقترح هذه الورقة إطار عمل تنبؤي متعدد الأهداف باستخدام التعلم التجميعي لتحسين المقايضة بين استهلاك الطاقة وزمن الاستجابة في مراكز بيانات السحابة، مما يظهر وفورات كبيرة في الطاقة وتحسناً في الاستقرار مقارنة بالسياسات الثابتة والتفاعلية من خلال المحاكاة القائمة على التتبع والتعميم القوي.

المؤلفون الأصليون: Ahmed A. M. Warad, Snaa A. ElSawy, Rana Mostafa, Miral Adel, Abdelrahman Farouk, Kareem Kamal A. Ghany

نُشر 2026-10-16
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Ahmed A. M. Warad, Snaa A. ElSawy, Rana Mostafa, Miral Adel, Abdelrahman Farouk, Kareem Kamal A. Ghany

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

في القاعات الشاسعة ذات الطنين المستمر لمراكز البيانات الحديثة، حيث تعمل آلاف الخوادم على مدار الساعة لتشغيل حياتنا الرقمية، يواجه المشغلون صراعاً مستمراً وصعباً. فمن جانب، هناك الحاجة إلى السرعة: فعندما ينقر المستخدم على رابط أو يرسل طلباً، يجب أن يستجيب النظام فوراً تقريباً، وإلا سيبدو أن الخدمة معطلة. ومن الجانب الآخر، تبرز تكلفة الطاقة: إذ إن تشغيل تلك الخوادم بكامل طاقتها يستهلك كميات هائلة من الكهرباء، مما يؤدي إلى ارتفاع التكاليف والبصمة الكربونية. لسنوات طويلة، كان النهج القياسي هو تشغيل الخوادم بأقصى سرعتها لضمان الاستجابة الفورية، أو محاولة توفير الطاقة عن طريق إبطائها، وهو ما ينطوي غالباً على مخاطرة بحدوث تأخير بطيء ومحبط للمستخدم. وتكمن المعضلة في أن هذين الهدفين مرتبطان ارتباطاً وثيقاً؛ فإبطاء الخادم لتوفير الطاقة لا يقلل استهلاك الطاقة بشكل خطي فحسب، بل يمكن أن يتسبب أيضاً في ارتفاع أوقات الاستجابة بشكل غير متوقع، خاصة عندما يكون الخادم مشغولاً. إن العثور على النقطة المثالية التي تجعل الخادم سريعاً بما يكفي ليكون مفيداً وبطيئاً بما يكفي ليكون كفؤاً يتطلب التنقل في مشهد معقد حيث يمكن للتغييرات الصغيرة أن تؤدي إلى عواقب كبيرة.

لقد وضع فريق من الباحثين هدفاً لحل هذه المشكلة من خلال تعليم الحواسيب التنبؤ بالسلوك المستقبلي لهذه الخوادم قبل اتخاذ أي تغييرات. وبدلاً من الاعتماد على قواعد بسيطة أو التخمين، استخدموا طريقة تسمى "التعلم الجماعي" (ensemble learning)، وهي تعتمد أساساً على وجود لجنة من نماذج حاسوبية مختلفة تصوت على أفضل إجراء يمكن اتخاذه. وقد قاموا بتغذية هذه النماذج ببيانات واقعية جُمعت من بيئة سحابية إنتاجية، وبالتحديد من خلال مراقبة كيفية سلوك سبعة أجهزة افتراضية مختلفة على مدار عدة أيام. وكان الهدف هو بناء "خريطة" يمكنها التنبؤ بدقة بشيئين في آن واحد: مقدار الطاقة التي سيستهلكها الخادم عند سرعة معينة، والوقت الذي سيستغرقه لإنجاز مهمة ما. ووجد الباحثون أن التنبؤات الخطية البسيطة فشلت فشلاً ذريعاً في هذه المهمة، خاصة عندما يتعلق الأمر بالتأخيرات. فعندما يقترب الخادم من حده الأقصى، لا يزداد الوقت المستغرق للاستجابة قليلاً فحسب، بل ينفجر بشكل هائل. ولم تستطع النماذج البسيطة توقع ذلك، لكن النماذج الجماعية الأكثر تقدماً تعلمت كيفية التعرف على هذه الارتفاعات الخطيرة بدقة عالية.

ومع امتلاك هذه الخرائط الدقيقة، بنى الباحثون متحكماً ذكياً يعمل مثل مدير حركة المرور للخوادم. يقوم هذا المتحكم بفحص حجم العمل الحالي باستمرار ويقرر السرعة المثالية للحظة التالية. إنه يوازن بين الرغبة في توفير الطاقة والحاجة إلى الحفاظ على سرعة الخدمة، مما يضمن عدم تباطؤ الخادم لدرجة تكسر بها وعدها للمستخدم. وعندما اختبروا هذا النظام الجديد مقابل الطرق القديمة المتبعة، كانت النتائج مذهلة. فمقارنة بتشغيل الخوادم بأقصى سرعتها طوال الوقت، خفض النظام الجديد استهلاك الطاقة بأكثر من 72 بالمائة. وحتى عند مقارنته بالأنظمة الذكية الأخرى التي تحاول التفاعل مع التغييرات فور حدوثها، فقد وفر ما يقرب من 59 بالمائ المائة من الطاقة. والأهم من ذلك، أنه فعل كل هذا دون أن يتسبب أبداً في تأخير يتجاوز الحد المتفق عليه للمستخدم. وفي المقابل، فإن النظام الذي حاول توفير الطاقة دون أي اعتبار للسرعة فشل في الوفاء بوعوده في نحو 4 بالمائة من الحالات، مما يثبت أن توفير المال لا فائدة منه إذا أصبحت الخدمة غير موثوقة.

لقد ذهبت الدراسة إلى أبعد من ذلك للتأكد من أن هذه النتائج لم تكن مجرد ضربة حظ. فقد اختبر الباحثون نظامهم تحت ظروف مختلفة عديدة، حيث غيروا الافتراضات المتعلقة بكمية الطاقة التي تستهلكها الخوادم في حالة الخمول أو مدى ضجيج البيانات. وفي كل سيناريو، استمر النظام في توفير ما بين 64 و73 بالمائة من الطاقة مع إبقاء التأخيرات تحت السيطرة. كما اختبروا ما إذا كان بإمكان النظام التعلم من مجموعة واحدة من الخوادم والعمل بشكل جيد على مجموعة أخرى مختلفة تماماً لم يسبق له رؤيتها من قبل. وقد نجح في ذلك، محافظاً على أدائه ودقته العالية. وهذا يشير إلى أن الطريقة قوية ويمكن الوثوق بها للعمل في المواقف الواقعية، وليس فقط في تجربة خاضعة للرقابة. وخلص الباحثون إلى أنه باستخدام أدوات التنبؤ المتقدمة هذه، يمكن لمشغلي السحابة تقليل فواتير الطاقة والأثر البيئي بشكل كبير دون التضحية بالسرعة والموثوقية التي يتوقعها المستخدمون. لقد كان المفتاح ليس مجرد محاولة توفير الطاقة، بل فهم العلاقة غير الخطية المعقدة بين السرعة والتأخير، واستخدام هذا الفهم لاتخاذ قرارات آمنة لكل من الميزانية وتجربة المستخدم.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →