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

इंटरनेट की कल्पना एक विशाल, अदृश्य शहर के रूप में करें जहाँ लाखों लोग लगातार चीज़ों की मांग कर रहे हैं: फिल्में स्ट्रीम करना, संदेश भेजना, या जटिल गेम चलाना। इस शहर को चलाने के लिए, हमें "क्लाउड" सर्वरों की आवश्यकता होती है—कंप्यूटरों के विशाल गोदाम जो इन चीज़ों को संभव बनाने के लिए शक्ति प्रदान करते हैं। लेकिन पेचीदा हिस्सा यह है: यह शहर कभी शांत नहीं रहता। कभी यह एक सुस्त मंगलवार जैसा होता है, और कभी यह एक विशाल संगीत कार्यक्रम जैसा होता है जहाँ हर कोई एक साथ लॉग इन करता है। यदि शहर के प्रबंधक (क्लाउड सिस्टम) बहुत धीमे या बहुत कठोर हैं, तो लाइटें टिमटिमाती हैं, संगीत रुक जाता है, और सेवा टूट जाती है। यह क्लाउड रिसोर्स प्रोविजनिंग (Cloud Resource Provisioning) की दुनिया है। यह निर्णय लेने की कला है कि किस कार्य को कितनी कंप्यूटर शक्ति दी जाए, ठीक उसी समय जब उसकी आवश्यकता हो। लक्ष्य एक नाजुक संतुलन बनाना है: आप इन सर्वरों को चलाने पर जितना संभव हो सके उतना कम पैसा खर्च करना चाहते हैं, लेकिन आप अपने उपयोगकर्ताओं को यह वादा भी करना चाहते हैं कि उनके ऐप्स कभी क्रैश नहीं होंगे (एक वादा जिसे सर्विस लेवल एग्रीमेंट या SLA कहा जाता है)। यदि आप बहुत कम शक्ति देते हैं, तो ऐप क्रैश हो जाता है; यदि आप बहुत अधिक देते हैं, तो आप एक बड़ी राशि बर्बाद करते हैं।

लंबे समय तक, क्लाउड प्रबंधकों ने इन चीज़ों को संभालने के लिए सरल, नियम-आधारित तरीकों का उपयोग किया है, जैसे "अगले कार्य को अगले उपलब्ध सर्वर को दें" या "केवल तभी शक्ति जोड़ें जब सर्वर 80% से कम भरा हो।" लेकिन ये पुराने तरीके एक ऐसे शहर में मैन्युअल मानचित्र का उपयोग करने जैसे हैं जहाँ निरंतर ट्रैफिक जाम रहता है; वे तब तक प्रतिक्रिया नहीं दे सकते जब जब भीड़ अचानक बढ़ जाती है। यहीं पर डीप रीइन्फोर्समेंट लर्निंग (DRL) काम आता है। DRL को एक सुपर-स्मार्ट, वीडियो-गेम खेलने वाले AI के रूप में सोचें जो परीक्षण और त्रुटि (trial and error) से सीखता है। एक कठोर नियम पुस्तिका का पालन करने के बजाय, यह देखता है कि क्या होता है, अपनी गलतियों से सीखता है, और वास्तविक समय में अराजकता के अनुकूल होने के लिए अपने आप में सबसे अच्छा तरीका खोज लेता है।

इस अध्ययन में, शोधकर्ताओं कवीता श्रीवास्तव और डॉ. मनीषा अग्रवाल ने पुराने, कठोर नियमों का इस विचार के विरुद्ध परीक्षण करने का निर्णय लिया कि इस स्मार्ट AI का उपयोग किया जाए। उन्होंने केवल अनुमान नहीं लगाया; उन्होंने गूगल के अपने कंप्यूटर क्लस्टर से वास्तविक डेटा का उपयोग करके सिमुलेशन की एक श्रृंखला चलाई। उन्होंने क्लाउड को एक व्यस्त रेस्टोरेंट किचन की तरह माना और "ऑर्डर" (कंप्यूटर कार्यों) को परोसने के चार अलग-अलग तरीकों का परीक्षण किया।

सबसे पहले, उन्होंने पुराने तरीकों को आज़माया। एक था राउंड रॉबिन (Round Robin), जो एक वेटर की तरह है जो बिना यह देखे कि कौन भूखा है या ऑर्डर कितना बड़ा है, एक सख्त घेरे में प्लेटें बांटता है। दूसरा था थ्रेशोल्ड-बेस्ड (Threshold-Based), जहाँ वेटर केवल तभी मेज पर परोसता है जब रसोई 80% से कम भरी हो। उन्होंने ग्रीडी पैकिंग (Greedy Packing) का भी परीक्षण किया, जो एक बहुत ही कुशल शेफ की तरह है जो यथासंभव छोटे ऑर्डर्स को सबसे छोटे उपलब्ध ओवन में फिट करने की कोशिश करता है। अंत में, उन्होंने एक कॉस्ट-अवेयर (Cost-Aware) विधि को देखा जिसने कम से कम ओवन का उपयोग करके पैसे बचाने की कोशिश की।

परिणाम अच्छे और बुरे समाचारों का मिश्रण थे। राउंड रॉबिन तरीका बहुत अधिक बर्बादी वाला था, जिससे बहुत अधिक सर्वर उपयोग हुए। थ्रेशोल्ड और ग्रीडी तरीके स्थान बचाने में बेहतर थे, लेकिन उनमें एक बड़ी खामी थी: वे पागलपन के समय में प्रतिक्रिया देने में बहुत धीमे थे। एक विशिष्ट परीक्षण में, एक स्थिर प्रणाली (static system) जो सख्त लागत सीमाओं के तहत काम कर रही थी, ने कुल ₹298.65 तक बिल को कम रखने में सफलता पाई, लेकिन इसने एक भयानक कीमत पर ऐसा किया: सिस्टम ने अपने उपयोगकर्ताओं से 3,297 बार वादे तोड़े क्योंकि इसने बहुत कम सर्वरों में बहुत अधिक कार्यों को ठूसने की कोशिश की।

फिर, शोधकर्ताओं ने ट्रैफ़िक के अचानक "स्पाइक" (spike) का अनुकरण किया, जैसे ग्राहकों की अचानक भीड़ जो एक साथ ऑर्डर दे रही हो। पुराने तरीके लड़खड़ा गए। वे रिएक्टिव (reactive) थे, जिसका अर्थ है कि उन्होंने अधिक सर्वर तब जोड़े जब सिस्टम पहले से ही ओवरलोड हो चुका था। इसके कारण एक लैग (lag) पैदा हुआ, जिससे अधिक टूटे हुए वादे (SLA उल्लंघन) और तनावग्रस्त सर्वर हुए। उदाहरण के लिए, एक विशिष्ट स्पाइक सिमुलेशन टेस्ट में, सामान्य परिस्थितियों में 5,473 टूटे हुए वादों की संख्या भीड़ के दौरान बढ़कर 5,507 हो गई, जो दर्शाता कि सिस्टम तालमेल नहीं बिठा सका।

पेपर सुझाव देता है कि समाधान केवल इन पुराने नियमों को सुधारना नहीं है, बल्कि डीप रीइन्फोर्समेंट लर्निंग दृष्टिकोण की ओर स्विच करना है। शोधकर्ता तर्क देते हैं कि हमें क्लाउड प्रबंधन को एक "अनुक्रमिक निर्णय लेने" (sequential decision-making) के खेल के रूप में देखना चाहिए, जहाँ एक AI एजेंट गतिशील रूप से लागत और प्रदर्शन को संतुलित करना सीखता है। हालाँकि उन्होंने इस विशिष्ट पेपर में अंतिम AI सिस्टम नहीं बनाया, लेकिन उन्होंने इन प्रयोगों का उपयोग यह साबित करने के लिए किया कि पुराने, स्थिर तरीके मौलिक रूप से सीमित हैं। उन्होंने दिखाया कि आधुनिक कंप्यूटिंग की अप्रत्याशित, मानव-केंद्रित प्रकृति को संभालने के लिए, हमें एक ऐसे अनुकूलन योग्य सिस्टम की आवश्यकता है जो वास्तविक समय में सीख सके, भविष्यवाणी कर सके और समायोजन कर सके, न कि केवल एक स्थिर चेकलिस्ट का पालन कर सके। अध्ययन निष्कर्ष निकालता है कि जबकि पुराने तरीकों की अपनी जगह है, क्लाउड प्रबंधन का भविष्य इन बुद्धिमान, सीखने वाले सिस्टमों में निहित है जो बिना बजट बिगाड़े शहर की लाइटें चालू रख सकते हैं।