نهج تعلم آلي ديناميكي لتنبؤ عبء العمل في بيئات السحابة

لماذا يهم التنبؤ الذكي لحركة المرور

في كل مرة تشاهد فيها فيديوًا مباشرًا أو تتابع حدثًا رياضيًا كبيرًا على الإنترنت أو تتسوق خلال عرض محدود، قد ينقر آلاف الأشخاص في نفس اللحظة. خلف الكواليس، تسعى مراكز بيانات السحابة للحفاظ على سرعة المواقع دون إهدار المال على آلات خاملة. تتناول هذه الورقة سؤالًا بسيطًا ذا أثر عملي هائل: كيف يمكن لأنظمة السحابة أن تتوقع موجات مفاجئة من حركة الويب بدقة كافية لتشغيل وإيقاف الخوادم في الوقت المناسب، بدلًا من التخمين والدفع الزائد؟

من خوادم جامدة إلى حاويات مرنة

تعتمد منصات السحابة الحديثة بشكل متزايد على الحاويات، وهي حزم برامج صغيرة يمكن تشغيلها أو إيقافها في غضون ثوانٍ. بالمقارنة مع الآلات الافتراضية التقليدية، الحاويات أخف ويمكن حشرها بكثافة أكبر، مما يجعلها مثالية للخدمات التي يجب أن تتوسع بسرعة خلال ساعات الذروة ثم تنخفض بعد ذلك. ومع ذلك، لا تؤتي هذه المرونة ثمارها إلا إذا كان النظام قادرًا على رؤية المشكلة قادمة—أي أن يتنبأ بعدد طلبات الويب التي ستصل في الدقائق القادمة ويجهز العدد المناسب من الحاويات مقدمًا.

لماذا يفشل نهج واحد يناسب الجميع

حاولت أبحاث سابقة العديد من الطرق لتوقع حركة الويب، من الإحصاءات التقليدية إلى الشبكات العصبية العميقة. بعضها يعمل جيدًا عندما يتغير الطلب بشكل سلس على مدار اليوم؛ والبعض الآخر أفضل عند حدوث قفزات غير متوقعة في الحركة، كما هو الحال أثناء مباراة في كأس العالم. المشكلة أن أي طريقة منفردة ليست الأفضل طوال الوقت. إذا اختار المشغلون نموذجًا مفضلًا وظلوا عليه، قد تنخفض الدقة بشدة كلما تغيّر سلوك المستخدمين، مما يؤدي إما إلى مواقع بطيئة أو صفوف من آلات غير مستغلة تنفق المال والطاقة بهدوء.

حلقة تعلم لا تتوقف عن التكيف

لتجاوز ذلك، يقترح المؤلفون إطارًا مغلق الحلقة يسمونه راقب–درّب–اختبر–نشر. الفكرة هي اعتبار عملية التنبؤ نفسها عملية حية. أولًا، يسجل النظام باستمرار طلبات الويب الواردة في سجل مؤرخ. بعد ذلك، يدرب عدة طرق تنبؤ مختلفة بالتوازي، كل منها يحاول تعلم الأنماط في ذلك السجل الحديث. ثم يختبر هذه النماذج المرشحة على أحدث البيانات ويقيّمها بحسب مدى انحراف تنبؤاتها عن الواقع. يُسند دور التنبؤ الحي إلى النموذج الوحيد الأكثر أداءً، وهو ما يوجه عدد الحاويات المطلوب تشغيلها. مع وصول حركة جديدة، تتكرر الحلقة: إذا نمت أخطاء التنبؤ فوق مستوى مقبول لمدة دورتين متتاليتين، يعيد النظام التدريب تلقائيًا وقد يسلم السيطرة إلى نموذج مختلف.

تجريب الإطار

قيّم الباحثون هذا النهج باستخدام آثار نشاط ويب تركيبية وحقيقية. أنشأوا عدة أنماط مثالية—منحنيات على شكل جرس سلسة، أحمال متصاعدة بثبات بسرعات مختلفة، وحركة متقلبة للغاية—كما استخدموا سجلات من مواقع كأس العالم الرسمية في 1998 و2018، حيث ترتفع الاهتمامات فجأة. لكل حالة، قارنوا ثلاث أو أربع أدوات توقع مألوفة، بما في ذلك طريقة قائمة على الإحصاء، نموذج المتجه الداعم، مجموعة أشجار القرار، وفي تجارب لاحقة نوع شائع من الشبكات العصبية المتكررة. النتيجة الأساسية أن "الفائز" تغيّر بحسب الموقف: تفوقت النماذج الإحصائية البسيطة عندما كان الطلب ثابتًا، بينما كانت الأساليب المعتمدة على التعلم أفضل بوضوح عندما أصبحت الحركة عنيفة ومتفجرة.

مكاسب في الدقة والكفاءة

من خلال التبديل المستمر إلى النموذج الأنسب للحالة الراهنة، خفض الإطار أخطاء التنبؤ بما يصل إلى نحو 15 بالمئة مقارنة بالبقاء على أي نموذج ثابت. وبقدر أهمية ذلك، فقد فعل ذلك دون تشغيل كل النماذج طوال الوقت. يكون متنبئ واحد فقط نشطًا أثناء التشغيل الحي؛ أما الباقون فيتم إعادة تدريبهم وفحصهم دوريًا، مما يحافظ على عبء حسابي متواضع. كما يقدم المؤلفون عتبة تضيق تدريجيًا لمتى يجب إعادة التدريب، بحيث يصبح النظام أقل تسامحًا مع الأخطاء المتكررة، مما يقلل خطر فترات طويلة من التنبؤ الضعيف.

ما معنى ذلك لمستخدمي السحابة يوميًا

عمليًا، تُظهر الدراسة أن منصات السحابة يمكن أن تُشغّل بذكاء أكبر من خلال جعل نماذج التنبؤ تتنافس والتكيف مع اختيارها بمرور الوقت. بالنسبة للمستخدمين، قد يترجم ذلك إلى تجارب على الإنترنت أكثر سلاسة أثناء الأحداث الكبيرة وقليل من التباطؤ عندما تظهر حشود غير متوقعة. وبالنسبة لمزودي الخدمة، فهذا يعد باستخدام أكثر رشاقة لموارد الحوسبة، وخفضًا لتكاليف التشغيل، وتقليلًا لهدر الطاقة. بدلًا من المراهنة على خوارزمية واحدة ذكية، يدعو هذا العمل إلى حلقة تحكم مرنة تستمر في التعلم والاختبار ومراجعة كيفية توقع الطلب في عالم رقمي متزايد عدم اليقين.

الاستشهاد: Nashaat, M., Moussa, W., Rizk, R. et al. Dynamic machine learning approach for workload prediction in cloud environments. Sci Rep 16, 10983 (2026). https://doi.org/10.1038/s41598-026-40777-z

الكلمات المفتاحية: تنبؤ عبء العمل في السحابة, التحجيم التلقائي, حاويات, التعلم الآلي, سلاسل زمنية