با گسترش روزافزون اینترنت اشیا و افزایش تقاضا برای خدمات رایانشی مقیاسپذیر و انعطافپذیر، رایانش بدونسرور بهعنوان یکی از مدلهای نوین و تحولآفرین در معماریهای ابری مطرح شده است. این مدل با حذف نیاز به مدیریت مستقیم زیرساخت، امکان توسعه و استقرار آسان توابع سبکوزن را برای توسعهدهندگان فراهم میکند، اما در عین حال با چالشهایی نظیر شروع سرد، مصرف انرژی و تضمین کیفیت خدمات مواجه است. از میان این چالشها، تخصیص بهینه منابع نقش اساسی در بهبود عملکرد سیستم و افزایش رضایت کاربران دارد. در این پایاننامه، با هدف ارائهی راهکاری کارآمد برای تخصیص منابع در محیطهای رایانش بدونسرور، یک چارچوب همکارانه مبتنی بر نظریه بازی معرفی شده است. در این چارچوب، نمونههای پردازشی بهعنوان بازیکنان بازی مدلسازی میشوند و منابع پردازنده را بهصورت رقابتی اما هماهنگ، با در نظر گرفتن سه کلاس کیفیت سرویس شامل وظایف سخت، بلادرنگ و نرم و معیارهای سود، مصرف انرژی و مهلت اجرا درخواست میکنند. برای حل مسئله، یک الگوریتم هیوریستیک دادهمحور طراحی شد که از مدل یادگیری ماشین XGBoost برای پیشبینی سود پیکربندیهای مختلف استفاده کرده و فرآیند تخصیص منابع را بهصورت حریصانه و تطبیقی انجام میدهد. برای ارزیابی عملکرد الگوریتم پیشنهادی، مجموعهای از شبیهسازیها در سناریوهای متنوع بار کاری اجرا گردید. نتایج نشان میدهد که روش پیشنهادی نسبت به الگوریتمهای پیشرفته موجود، از جمله FARM، تخصیص وزندار و مدل ریلکسشده برنامهریزی خطی، عملکرد بهتری دارد. بهطور میانگین، سود خالص سیستم که بهعنوان درآمد حاصل از اجرای موفق توابع پس از کسر هزینههای انرژی و جرایم تعریف میشود 8% افزایش یافته و در عین حال مجموع جریمهها ۳۱% و هزینه انرژی ۱۸% کاهش پیدا کرده است. یافتههای این پژوهش نشان میدهد که مدلسازی مسئله تخصیص منابع بهصورت یک بازی همکارانه و بهرهگیری از الگوریتمهای دادهمحور میتواند گامی مؤثر در جهت طراحی راهکارهای هوشمند و مقیاسپذیر برای رایانش بدونسرور باشد. این رویکرد علاوه بر ارتقای بهرهوری و کیفیت خدمات، مسیر تحقیقات آینده را در زمینه توسعه روشهای تطبیقی و کارآمد در محیطهای رایانشی نوین هموار میسازد.
