مروری بر روش های پیش بینی خرابی در سیستم های توزیع شده مقیاس بزرگ

امروزه به علت رشد تولید اطلاعات در جهان، استفاده از سیستم های توزیع شده مقیاس بزرگ همه گیر شده و کاربردهای فراوانی نه تنها در علوم کامپیوتر بلکه در علوم دیگر نظیر اقلیم شناسی، پزشکی و زیست شناسی پیدا کرده است. این گونه سیستم ها به علت طبیعت پویا و پیچیده ای که دارند همواره دچار خرابی های مختلف می گردند. راهبرد بیشتر این سیستم ها در هنگام مواجه شدن با خرابی این است که برنامه را مجددا بر روی بخش دیگری از سیستم اجرا نمایند که این روش موجب هدر رفتن منابع، زمان و انرژی می شود؛ بنابراین وجود یک سیستم واکنشی پیشگیرانه که خرابی را قبل از وقوع آن پیش بینی و متوقف کند بسیار مفید به نظر می رسد. در این مقاله تلاش شده است تا بخشی از پژوهش هایی که در چند سال گذشته به جهت پیش بینی خرابی در سیستم های توزیع شده مقیاس بزرگ انجام گرفته است مرور و دسته بندی شود. تمرکز اصلی مقاله روی مطالعاتی می باشد که با استفاده از فایل های ثبت وقایع، به پیش بینی خرابی برنامه ها یا منابع (سخت افزار و نرم افزار) در یک سیستم توزیع شده (شامل خوشه های کامپیوتری و سیستم های مشبک) در دنیای واقعی پرداخته است. به طور کلی، بررسی این مطالعات نشان می دهد که پیش بینی برخط (به علت استفاده از ویژگی های بیشتر) نتایج بهتری دارد. اما، پیش بینی غیر برخط منابع بیشتری را حفظ می کند. به همین جهت، پیش بینی ترکیبی بهترین گزینه به نظر می رسد. همچنین در سال های اخیر، مطالعه بر روی داده های ثبت وقایع مرتبط با سیستم های زیرساخت ابری (مانند خوشه های گوگل) محبوبیت بیشتری داشته است.

کلیدواژه ها:

پیش بینی خرابی ، سیستم توزیع شده ، طبقه بندی ، یادگیری ماشین ، داده کاوی