Machine learning based secure and efficient task allocation in multi‐cloud

doi:10.1002/cpe.7848

Machine learning based secure and efficient task allocation in multi‐cloud

2023-06-29

0

PRE

AI

DOI：10.1002/cpe.7848

原文链接

原文求助

摘要

En 中文

摘要任务调度是云计算环境中的一个关键问题，因为它对系统性能有显著影响。基于安全性和鲁棒性的任务分配模型提高了实时请求的安全性，同时保持了数据中心的高性能。目前，为最小化任务分配的完工时间，现有研究在多云环境中提出了生物启发式算法，但它需要更多内存来更新速度并增加了处理时间。因此，本研究提出了一种基于机器学习的安全高效多云环境任务分配方法。首先，所提出的模型包含一个任务分类模块，用于将提交的任务与适当的虚拟机（VM）类型进行匹配分类。其次是任务分配模块，其中建议采用智能引力搜索-遗传算法（Intellectual Gravitational Search-Genetic Algorithm）将任务分配给虚拟机。在分配阶段完成后，任务将按照指定顺序分发到虚拟机上执行。最后，为保障多云环境中的任务分配安全，本研究提出了一个朴素贝叶斯（Naïve Bayes）模块来检测攻击行为。模型和实验结果表明，所提出的方法能够产生更短的完工时间、更低的成本、改进的资源利用率，以及更好的时间与经济成本的权衡效果。该方法在多云环境中更为可靠和有效。

Machine learning based secure and efficient task allocation in multi‐cloud

摘要

期刊

机构

引用论文