التنبؤ بأداء تطبيقات البرمجيات عبر المنصات باستخدام نماذج التعلم الآلي لتحقيق استخدام أمثل للموارد

الملخص

التنبؤ بكفاءة الأداء عبر المنصات المتنوعة وتحسين الموارد يعدان من العوامل الحاسمة لنشر تطبيقات البرمجيات في بيئات الحوسبة غير المتجانسة. تعتبر الطرق الحالية بما في ذلك نماذج التعلم الآلي التقليدية مثل: Random Forest، LSTM، CNN-LSTM. غالبًا ما تفشل في التحقق من التفاعلات المعقدة بين البرمجيات والأجهزة وديناميكيات عبء العمل الزمنية، مما يؤدي إلى الحصول على دقة تنبؤ غير مثالية. لمعالجة هذه القيود، نقترح في هذه الورقة إطار عمل جديد PAGA–CPTM–NSGA-II  يدمج طبقة Platform-Aware Graph Attention (PAGA)   لنمذجة الاعتمادات الهيكلية وطبقة الذاكرة الزمنية العبر-منصات (CPTM) لالتقاط التطور الزمني الديناميكي لمقاييس الأداء، وخوارزمية الترتيب الجينية غير المُهيمنة الثانية (NSGA-II) لتحسين متعدد الأهداف لوقت التنفيذ، استخدام الذاكرة، واستهلاك الطاقة. يُنفذ النموذج باستخدام Python مع PyTorch للمكونات العميقة وNumPy/Matplotlib  لمعالجة البيانات والتصور. أُجريت التجارب على مجموعة بيانات لمقاييس أداء الحوسبة السحابية: ( CPU، الذاكرة، الشبكة، الطاقة، وقت التنفيذ، عدد التعليمات). يحقق الإطار المقترح دقة تنبؤ عالية بمعدل خطأ مطلق (MAE) قدره 0.087، وجذر متوسط مربع الخطأ (RMSE) قدره 0.132، ومعامل تحديد (R²) يبلغ 0.97، مما يمثل تحسناً بنسبة تتراوح بين 20% و25% مقارنة بالنماذج الأساسية .وفي مرحلة التحسين، يحقق خوارزم NSGA-II انخفاضاً في زمن التنفيذ بنسبة 26.8%، وتوفيراً في استهلاك الطاقة بنسبة 23.5%، وتحسناً في استخدام الذاكرة بنسبة 17.4%.. تُظهر هذه النتائج قدرة الإطار على التنبؤ بكفاءة الأداء وتوجيه نشر الموارد بشكل واع resource-aware عبر المنصات غير المتجانسة. توفر الطريقة المقترحة حلاً قويًا وقابلًا للتوسع وقابلًا للتفسير، مع خلق فرص للبحث المستقبلي في تحسين البرمجيات في الوقت الحقيقي بشكل تكيفي.