Чтобы автоматизировать настройку производительности облака и обнаружение аномалий, пользователи облака по всему миру обращаются к следующему поколению программного обеспечения для управления облаком на основе искусственного интеллекта (ИИ). Инструменты искусственного интеллекта нуждаются в общем представлении облачных ресурсов и поддержке оптимизации машинного обучения, направленной на достижение нескольких целей, чтобы добиться успеха в облаках. Мы утверждаем, что модели, основанные на онтологии, могут учитывать и то, и другое.
ПОДХОД К УПРАВЛЕНИЮ ОБЛАКОМ, ОСНОВАННЫЙ НА МАШИННОМ ОБУЧЕНИИ
Способность поставщиков общедоступных облаков предоставлять недорогие услуги машинного обучения (ML) также вызвала интерес к использованию ML для управления облаком. Для определения, прогнозирования и оптимизации облачных рабочих нагрузок методы машинного обучения анализируют тенденции параметров облачных объектов.
Стандартное решение для науки о данных состоит в изменении масштаба и центрировании данных, вычитании среднего из каждой переменной и делении на стандартное отклонение, вычисленное для всех виртуальных машин. Кстати, это повышает вычислительную нагрузку реализации модели, что позволяет использовать облачные ресурсы, за которые нельзя выставлять счета потребителям.
Расширение облачной онтологии для отражения эквивалентности ресурсов 12 гарантирует, что все модели машинного обучения, реконфигурирующие облако, ведут себя единообразно для достижения цели, указанной на онтологическом (символическом) уровне, например нефункциональное свойство, указанное в соглашении об уровне обслуживания.
Также стоит отметить, что агент ИИ будет работать над несколькими целями одновременно: для достижения целей справедливости и эффективности можно использовать два разных метрических пространства с разными таблицами поиска, а также две разные модели машинного обучения. Естественная метрика может быть расширена до «гибридного» класса эквивалентности.
