000			07057namaa22004211i 4500
003			OSt
005			20250223033400.0
008			241231s2023 |||a|||f m||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a005.711
092			_a005.711 _221
097			_aM.Sc
099			_aCai01.20.05.M.Sc.2023.Mo.P.
100	0		_aMohamed Samir Hassan Khalil, _epreparation.
245	1	0	_aproactive auto-scaling approach for resource allocation using Machine learning / _cBy Mohamed Samir Hassan Khalil; Supervisors Prof. Khaled Tawfic Wassif, Dr. Soha Hassan Makady.
246	1	5	_aنهج التحجيم التلقائي الاستباقي لتخصيص الموارد باستخدام التعلم الالي /
264		0	_c2023.
300			_a73 Leaves : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (M.Sc.)-Cairo University, 2023.
504			_aBibliography: pages 67-70.
520			_aEfficient management of resources in cloud-based hosting services is essential to meet the demands of rapidly changing workloads. However, the automatic provisioning and de-provisioning of resources to match service demand is complex and requires careful attention and planning. This research presents a proactive auto-scaling framework that can accurately predict resource demand, enabling cloud providers to scale resources proactively, reduce resource waste, and improve efficiency. Two main approaches are used to manage resource usage in cloud-based hosting services: manual management by a DevOps team or automated rules. However, both can lead to scaling and inefficient resource usage. This research proposes a new proactive auto-scaling framework built on an ensemble model using several machine-learning techniques to predict application resource demand before it arises to address these challenges. The proposed framework is evaluated against three real production applications hosted on the Cegedim Cloud Hosting Environment and compared against other machine learning techniques used in similar experiments. The results show that predicting application resources like CPU or RAM is feasible. Furthermore, the ensemble model performs optimally in the CPU case and is near the optimal technique when predicting RAM resources, even in production environments.The ensemble model provides several advantages over existing methods. Firstly, it uses multiple machine learning algorithms to provide more accurate predictions of resource demand. Secondly, it is proactive, meaning it can anticipate resource demand before it arises, reducing the need for reactive scaling, which can lead to resource waste. Thirdly, it can optimize resource allocation based on predicted demand, leading to better resource utilization and cost savings. Overall, this research presents a promising approach to resource provisioning in cloud hosting services. By predicting resource demand proactively, the proposed framework can improve resource utilization and reduce costs for cloud providers.
520			_aإدارة الموارد بكفاءة في خدمات الاستضافة القائمة على السحاب ضرورية لتلبية متطلبات أعباء العمل المتغيرة بسرعة. ومع ذلك، فإن توفير الموارد تلقائيًا وإلغاء توفيرها لمطابقة طلب الخدمة معقد ويتطلب انتباهًا وتخطيطًا دقيقًا. تقدم هذه البحث إطارًا تكيفيًا يمكنه التنبؤ بطلب الموارد بدقة، مما يمكن مقدمي الخدمات السحابية من توجيه الموارد بشكل استباقي، وتقليل هدر الموارد، وتحسين الكفاءة. تُستخدم نهجان رئيسيان لإدارة استخدام الموارد في خدمات الاستضافة القائمة على السحابة: الإدارة اليدوية من قبل فريق DevOps أو قواعد آلية. ومع ذلك، يمكن أن يؤدي كلاهما إلى تكبير زائد واستخدام غير فعال للموارد. يقترح هذا البحث إطارًا جديدًا للتكيف التلقائي الاستباقي يعتمد على نموذج مجمع باستخدام عدة تقنيات لتعلم الآلة للتنبؤ بطلب موارد التطبيق قبل حدوثه لمعالجة هذه التحديات. تم تقييم الإطار المقترح مقابل ثلاث تطبيقات إنتاجية حقيقية مستضافة على بيئة استضافة السحابة المملوكة لشركة Cegedim ومقارنتها مع نماذج تعلم الآلة الأخرى المستخدمة في تجارب مماثلة. تُظهر النتائج أن توقع موارد التطبيق مثل وحدة المعالجة المركزية أو الذاكرة العشوائية هو ممكن. علاوة على ذلك، يعمل النموذج المجمع بشكل مثالي في حالة وحدة المعالجة المركزية ويكاد يكون نموذجًا مثاليًا عند توقع موارد الذاكرة العشوائية، حتى في بيئات الإنتاج. يقدم النموذج المجمع العديد من المزايا على الأساليب الحالية. أولاً، يستخدم عدة خوارزميات لتعلم الآلة لتوفير توقعات أكثر دقة لطلب الموارد. ثانيًا، فهو استباقي، مما يعني أنه يمكنه التنبؤ بطلب الموارد قبل حدوثه، مما يقلل من الحاجة إلى تكييف ردود الفعل، والتي يمكن أن تؤدي إلى هدر الموارد. ثالثًا، يمكنه تحسين تخصيص الموارد بناءً على الطلب المتوقع، مما يؤدي إلى استخدام أفضل للموارد وتوفير تكاليف. بشكل عام، يقدم هذا البحث نهجًا واعدًا لتوفير الموارد في خدمات استضافة السحابة. من خلال توقع طلب الموارد بشكل استباقي، يمكن للإطار المقترح تحسين استخدام الموارد وتقليل التكاليف لمقدمي الخدمات السحابية.
530			_aIssues also as CD.
546			_aText in English and abstract in English.
650		7	_aProgramming _2qrmak
653		0	_aAuto-scaling _aResource Allocation _aDynamic Resource Provisioning _aResource Management On Clouds
700	0		_aKhaled Tawfic Wassif _ethesis advisor.
700	0		_aSoha Hassan Makady _ethesis advisor.
900			_b01-01-2023 _cKhaled Tawfic Wassif _cSoha Hassan Makady _UCairo University _FFaculty of Computers and Artificial Intelligence _DDepartment of Software Engineering
905			_aSara _eHuda
942			_2ddc _cTH _e21 _n0
999			_c169899