L'utilisation des ressources cloud a augmenté avec la tendance croissante des organisations et des gouvernements à l'adaptation au cloud. Cette augmentation de l'utilisation des ressources cloud entraîne une énorme consommation d'énergie des serveurs de centres de données cloud. L'énergie peut être conservée dans un serveur cloud par une mise à l'échelle des ressources basée sur la demande. Mais la mise à l'échelle réactive peut entraîner une mise à l'échelle excessive. Cela, à son tour, entraîne une énorme consommation d'énergie en augmentant et en diminuant inutilement. La granularité de mise à l'échelle peut également entraîner une mise à l'échelle excessive de la ressource. L'absence d'un mécanisme approprié pour estimer l'utilisation des ressources cloud peut entraîner des frais généraux de mise à l'échelle importants. Pour surmonter ces inefficacités, nous présentons un réseau neuronal basé sur la programmation génétique cartésienne pour l'estimation des ressources et un système de mise à l'échelle basé sur des règles pour le serveur cloud IaaS. Notre système se compose d'un moniteur de ressources, d'un estimateur de ressources et d'un mécanisme de mise à l'échelle. Le moniteur de ressources prend les utilisations de ressources et les fournit à l'estimateur pour une estimation efficace des ressources. Le système de mise à l'échelle utilise la sortie de l'estimateur de ressources pour mettre à l'échelle la ressource avec la granularité d'un noyau CPU. La méthode proposée a été entraînée et testée avec des traces réelles de centre de données Bitbrains, produisant des résultats prometteurs en temps réel. Il a montré une meilleure précision de prédiction et une meilleure efficacité énergétique que les systèmes de mise à l'échelle prédictive de la littérature.

El uso de recursos en la nube ha aumentado con la creciente tendencia de las organizaciones y los gobiernos hacia la adaptación a la nube. Este aumento en el uso de recursos en la nube conduce a enormes cantidades de consumo de energía por parte de los servidores de centros de datos en la nube. La energía se puede conservar en un servidor en la nube mediante el escalado de recursos basado en la demanda. Pero el escalado reactivo puede conducir a un escalado excesivo. Eso, a su vez, resulta en un enorme consumo de energía por escalamiento inútil hacia arriba y hacia abajo. La granularidad de escalado también puede resultar en un escalado excesivo del recurso. Sin un mecanismo adecuado para estimar el uso de recursos en la nube, se pueden generar gastos generales de escalado significativos. Para superar tales ineficiencias, presentamos una red neuronal basada en programación genética cartesiana para la estimación de recursos y un sistema de escala basado en reglas para el servidor en la nube IaaS. Nuestro sistema consiste en un monitor de recursos, un estimador de recursos y un mecanismo de escalado. El monitor de recursos toma las utilizaciones de recursos y las alimenta al estimador para una estimación eficiente de los recursos. El sistema de escalado utiliza la salida del estimador de recursos para escalar el recurso con la granularidad de un núcleo de CPU. El método propuesto ha sido entrenado y probado con rastros reales del centro de datos de Bitbrains, produciendo resultados prometedores en tiempo real. Ha demostrado una mejor precisión de predicción y eficiencia energética que los sistemas de escalado predictivo de la literatura.

Use of cloud resources has increased with the increasing trend of organizations and governments towards cloud adaptation. This increase in cloud resource usage, leads to enormous amounts of energy consumption by cloud data center servers. Energy can be conserved in a cloud server by demand-based scaling of resources. But reactive scaling may lead to excessive scaling. That, in turn, results in enormous energy consumption by useless scale up and scale down. The scaling granularity can also result in excessive scaling of the resource. Without a proper mechanism for estimating cloud resource usage may lead to significant scaling overheads. To overcome, such inefficiencies, we present Cartesian genetic programming based neural network for resource estimation and a rule-based scaling system for IaaS cloud server. Our system consists of a resource monitor, a resource estimator and a scaling mechanism. The resource monitor takes resource utilizations and feeds to the estimator for efficient estimation of resources. The scaling system uses the resource estimator's output for scaling the resource with the granularity of a CPU core. The proposed method has been trained and tested with real traces of Bitbrains data center, producing promising results in real-time. It has shown better prediction accuracy and energy efficiency than predictive scaling systems from literature.

زاد استخدام الموارد السحابية مع الاتجاه المتزايد للمنظمات والحكومات نحو التكيف مع السحابة. تؤدي هذه الزيادة في استخدام الموارد السحابية إلى كميات هائلة من استهلاك الطاقة من قبل خوادم مراكز البيانات السحابية. يمكن الحفاظ على الطاقة في خادم سحابي عن طريق توسيع نطاق الموارد بناءً على الطلب. لكن التحجيم التفاعلي قد يؤدي إلى التحجيم المفرط. وهذا بدوره يؤدي إلى استهلاك هائل للطاقة عن طريق توسيع النطاق غير المجدي وتخفيضه. يمكن أن تؤدي دقة التحجيم أيضًا إلى التحجيم المفرط للمورد. بدون آلية مناسبة لتقدير استخدام الموارد السحابية قد يؤدي إلى نفقات عامة كبيرة. للتغلب على أوجه القصور هذه، نقدم شبكة عصبية قائمة على البرمجة الوراثية الديكارتية لتقدير الموارد ونظام قياس قائم على القواعد لخادم سحابة IaaS. يتكون نظامنا من مراقب للموارد ومقدر للموارد وآلية للتحجيم. يأخذ مراقب الموارد استخدامات الموارد ويغذي المقدر من أجل التقدير الفعال للموارد. يستخدم نظام القياس مخرجات مقدر الموارد لتوسيع نطاق المورد مع دقة نواة وحدة المعالجة المركزية. تم تدريب الطريقة المقترحة واختبارها باستخدام آثار حقيقية لمركز بيانات Bitbrains، مما أدى إلى نتائج واعدة في الوقت الفعلي. لقد أظهرت دقة تنبؤ وكفاءة طاقة أفضل من أنظمة القياس التنبؤية من الأدبيات.