تحلیل کارایی الگوریتم‌های پیش‌بینی هزینه در رایانش ابری: مدلی ترکیبی برای بهینه‌سازی بودجه سازمانی

چکیده

رشد سریع فناوری‌های ابری، موجب افزایش وابستگی سازمان‌ها به خدمات ابری و در نتیجه بروز چالش‌های گسترده در مدیریت هزینه‌های مرتبط شده است. هزینه‌های ابری به دلیل ماهیت پویا، مقیاس‌پذیر و متنوع بودن سرویس‌ها، پیچیدگی‌های فراوانی در کنترل و پیش‌بینی دارند. یکی از راهکارهای کلیدی برای مقابله با این چالش، استفاده از الگوریتم‌های پیش‌بینی هزینه و توسعه مدل‌های ترکیبی به‌منظور ارتقای دقت و کارایی این پیش‌بینی‌ها است. پژوهش حاضر با تمرکز بر تحلیل الگوریتم‌های پرکاربرد پیش‌بینی هزینه در رایانش ابری شامل مدل‌های یادگیری ماشین، روش‌های آماری کلاسیک و مدل‌های هیبرید، به بررسی نقاط قوت و ضعف هرکدام می‌پردازد. داده‌های واقعی از نمونه سازمانی مورد مطالعه، شامل لاگ‌های مصرف CPU، حافظه، ذخیره‌سازی و پهنای باند گردآوری شده و بر اساس آن، مدلی ترکیبی طراحی شده است که همزمان از مزیت دقت الگوریتم‌های یادگیری ماشین و قابلیت تبیین مدل‌های آماری بهره‌مند می‌شود. نتایج حاصل نشان می‌دهد که مدل ترکیبی ارائه‌شده توانسته است میانگین خطای پیش‌بینی را تا ۲۵ درصد نسبت به بهترین مدل منفرد کاهش دهد. علاوه‌براین، جداول و نمودارهای چندپارامتری نشان می‌دهند که این مدل قادر است بهینه‌سازی بودجه سازمانی را در حوزه‌های مختلف زیرساختی تسهیل کند. در نهایت، پژوهش حاضر مسیر تازه‌ای برای مدیران فناوری اطلاعات و تصمیم‌گیرندگان سازمانی فراهم می‌کند تا با اتکا به مدل‌های ترکیبی، مدیریت هوشمندانه‌تر هزینه‌های ابری و تخصیص منابع کارآمدتر را تجربه نمایند.