یکی از نکات مهم در cloud برآوردسنجی و ارزیابی دقیق تغییراتی است که پس از حرکت به سمت ابر با آن روبرو می‌شوید. تقریبا همه شرکت‌ها، قبل از انتقال فعالیت‌های تجاری به ابر این مسئله را به دقت ارزیابی میکنند. شرکت‌هایی که نیروهای متخصص برای ارزیابی این مسئله ندارند از مهارت‌های شرکت‌های متخصص در این زمینه دریافت کمک میکنند. در پروژه‌های بزرگ‌تر، نیز یک مدیر پروژه مسئول پیگیری و مدیریت این فرآیند میشود. در این مقاله به نکاتی در زمینه مهاجرت به فضای ابری می‌پردازیم. با فالنیک همراه باشید.
- اعتبارسنجی و آماده شدن برای حرکت به سمت ابر
- انتخاب عناصر و اشیاء در ابر
- اینترنت اشیا (Internet of Things)
- یادگیری ماشین/هوش مصنوعی (Machine Learning/Artificial Intelligence)
- یادگیری تحت نظارت (Supervised Learning)
- یادگیری بدون نظارت (Unsupervised Learning)
- یادگیری تقویتی (Reinforcement Learning)
- ایجاد و اعتبارسنجی یک استقرار ابری (Creating and Validating a Cloud Deployment)
- مدل ادغام منابع به اشتراک گذاشته شده در ابر (The Cloud Shared Resource Pooling Model)
- استخرهای/مخازن محاسباتی (Compute Pools)
- دسترسی تصادفی به حافظه
اعتبارسنجی و آماده شدن برای حرکت به سمت ابر
برای مهاجرت درست به ابر، مهم است که همه ذینفعان در جریان انجام این کار قرار داشته باشند. گروه‌های سنتی فناوری اطلاعات مانند توسعه، عملیات، شبکه و امنیت بخش‌های جدایی‌ناپذیر تیم‌های مهاجرت خواهند بود. گروه‌های غیر فناوری اطلاعات، مانند امور مالی و حقوقی، نیز باید در جریان باشند، زیرا رایانش ابری می‌تواند مدل‌های مالی و پرداخت سازمان را دستخوش تغییرات قابل توجهی کند. در مدل مرکز داده سنتی، بخشی از بودجه سازمان صرف هزینه‌های اولیه خرید زیرساختهای فیزیکی مانند سرورها و تجهیزات شبکه میشود. حسابداران به این مخارج هزینه سرمایه (Capex) می‌گویند. هنگام انتقال به ابر، این هزینه سرمایه به میزان قابل توجهی کاهش پیدا میکند، زیرا به جای این‌که میلیون‌ها تومان خرج آماده‌سازی زیرساختهای فناوری اطلاعات کنید، بر اساس استفاده ماهانه به ارائهدهنده ابر هزینه را پرداخت میکنید. این هزینه تا زمانی که از خدمات استفاده میکنید ادامه پیدا میکند، اما مبلغی که باید پرداخت کنید به مراتب کمتر از هزینه‌ای است که برای خرید تجهیزات زیرساختی اختصاص می‌‌دهید. این مدل پرداخت هزینه عملیاتی (opex) نام دارد. در اصل، به جای خرید یا اجاره تجهیزات موردنیاز، هزینه اجاره تجهیزاتی که ارائهدهنده ابر مدیریت آنها را بر عهده دارد، پرداخت میکنید.
پس از شناسایی بخش‌هایی که باید به ابر انتقال پیدا کنند، باید مشخص شود از چه مدل تحویل ابری استفاده شود. اگر در حال میزبانی برنامه‌های کاربردی هستید، آیا با استفاده از مدل IaaS قادر خواهید بود به میزبانی همان برنامه‌ها در فضای ابری ادامه دهید؟ یا با استفاده از یک مدل PaaS بخشی از مسئولیت را به عهده ارائهدهنده ابر واگذار میکنید؟ به طور مثال، ممکن است یک برنامه کاربردی در پایتون نوشته‌اید. در این حالت باید به بررسی این موضوع بپردازید که اجرای این برنامه در یک ماشین مجازی در فضای ابری با استفاده از مدل IaaS بهتر است، یا بهتر است از مدل PaaS استفاده کنید؟
همچنین، ممکن است به این جمع‌بندی کلی برسید که اکنون زمان خوبی است که برخی از برنامه‌های فعلی را کنار بگذارید و از یک مدل SaaS استفاده کنید که در آن ارائهدهنده ابر زیرساخت فناوری اطلاعات را مدیریت میکند. هرچه تحقیق جامعی در این زمینه انجام دهید، می‌توانید خدمات ارائه‌شده توسط شرکت‌های ابری را به دقت ارزیابی کنید.
به طور معمول، بیشتر شرکت‌ها بر مبنای این الگو کار میکنند که ابتدا مشخص میکنند چه برنامه‌های کاربردی در هنگام انتقال به ابر ریسک کمتری دارند. به طور مثال، می‌توانید یک یا چند برنامه را انتخاب کنید و در قالب یک پروژه اعتبارسنجی یا اثبات مفهومی به فضای ابری انتقال دهید تا ببنید انتقال به ابر چه تاثیری بر نحوه استفاده از این برنامه‌ها توسط کارمندان دارد.
به عنوان بخشی از فرآیند آماده‌سازی، گروه مالی باید در جریان این انتقال قرار بگیرد. هزینه‌های فناوری اطلاعات و بودجه‌بندی اغلب مخارج سنگینی به سازمان‌ها وارد میکنند. به طور کلی، مدل‌های پرداخت رایانش ابری، سعی میکند به شرکت‌ها کمک کند دغدغه‌ای در ارتباط با هزینه اولیه خرید تجهیزات و نرم‌افزارها نداشته باشند و بدون دغدغه از زیرساختهای سخت‌افزاری و نرم‌افزارهای گران‌قیمت استفاده کنند. به همین دلیل است که برای استفاده از مدل رایانش ابری به هزینه‌های سرمایه اولیه کمی نیاز دارید و هزینه‌ها تنها بر مبنای استفاده عملیاتی تعیین می‌شوند.
انتخاب عناصر و اشیاء در ابر
قبل از برنامه‌ریزی برای انتقال زیرساخت‌ها به ابر، مهم است که مشخص کنید قصد استفاده از کدامیک از مدل‌های IaaS، PaaS، SaaS یا هر ترکیبی از هر سه مورد را دارید. مدلی که استفاده میکنید، همان‌طور که می‌دانید، IaaS قابلیت‌های زیادی در اختیارتان قرار میدهد که باعث میشود فرآیند مهاجرت انعطاف‌پذیرتر و پیچیده‌تر شود. در سوی دیگر، مدل SaaS مهاجرت را سریع‌تر و آسان‌تر میکند، اما به قیمت از دست دادن کنترل بر زیرساخت خواهد بود.
پس از تصمیم‌گیری در مورد مدل، باید مشخص کنید چه خدمات و قابلیت‌هایی در فضای ابری موجود است که متناسب با نیازهای کاری است. هرچه ارائهدهندگان خدمات، پیشنهادات و قابلیت‌های متنوعی ارائه میکنند، به همان نسبت انتخاب گزینه درست سخت میشود. برخی از شرکت‌های بزرگ فعال در حوزه ابر عمومی بیش از هزاران شی (Object) و سرویس برای انتخاب دارند که دائما بر تعداد آنها افزوده میشود.
برای این‌که شناخت اولیه در این زمینه داشته باشید، اجازه دهید کار را با مدل IaaS شروع کنیم. وقتی صحبت از سرورهای مجازی به میان می‌آید، انواع سیستم‌عامل‌های از پیش ساخته شده برای انتخاب وجود دارند. در بخش سخت‌افزار مجازی، می‌توانید قدرت CPU و GPU، حافظه، فضای ذخیره سازی و پهنای باند شبکه در ارتباط با عملیات ورودی و خروجی را انتخاب کنید. در سمت شبکه، شما دارای ابزارهایی برای متعادل‌سازی بار، خدمات DNS و DHCP، مسیریابی، فایروال‌ها، ترجمه آدرس شبکه (NAT) و غیره هستید. برای ذخیره سازی، اکثر شرکت‌های ابری ذخیره‌سازی بلوک، شی و فایل را ارائه می‌دهند. وقتی نوبت به مدل‌های PaaS و SaaS می‌رسد، گزینه‌های شما محدودتر میشود، زیرا ارائهدهنده مسئولیت بیشتری برای نظارت بر زیرساختهای بک‌اند بر عهده میگیرد.
به عنوان مثال، ارائهدهندگان ابر انواع خدمات پایگاه داده مدیریت شده را برای انواع مختلف پایگاه‌های داده ارائه می‌دهند. به همین ترتیب، آنها ممکن است خدمات پیام‌رسانی یا ایمیلی را ارائه دهند که با راه‌حل‌های درون سازمانی سازگار باشد. البته، خدمات و ابزارهای PaaS برای توسعه و استقرار برنامه‌ها تنها به دلیل تعداد زیاد زبان‌های برنامه‌نویسی محدود هستند.
در ادامه به کاربرد مهم رایانش ابری در صنعت اینترنت اشیا و هوش مصنوعی نگاهی خواهیم داشت.
اینترنت اشیا (Internet of Things)
دسترسی و انعطافپذیری فراگیری که ابر ارائه کرده، منجر به شکل‌گیری مفهومی شده که اینترنت اشیا (IoT) نام دارد. در ساده‌ترین تعریف، اینترنت اشیا دستگاه‌های کوچک و هوشمندی را توصیف میکند که معمولا داده‌ها را جمع‌آوری کرده و برای پردازش به یک مکان مرکزی ارسال میکنند. برخی از دستگاه‌های اینترنت اشیا شامل سنسورهای دما، ترموستات‌های کنترل‌شده از راه دور و دکمه‌های الکترونیکی هستند که نظارت هر چه دقیق‌تر بر محیط را امکان‌پذیر میکنند. برخی از ارائهدهندگان خدمات ابری این مدل دستگاه‌ها را به فروش می‌رسانند که قابلیت برنامه‌ریزی دارند. دستگاه‌هایی که خدمات آنها به طور کامل با رایانش ابری ادغام شده است.
یادگیری ماشین/هوش مصنوعی (Machine Learning/Artificial Intelligence)
یکی از مهم‌ترین کاربردهای رایانش ابری در ارتباط با یادگیری ماشین و هوش مصنوعی (ML/AI) است که اساسا با یافتن الگوها در داده‌ها در ارتباط است. به بیان دقیق‌تر، رایانش ابری به متخصصان فعال در حوزه هوش مصنوعی کمک میکند مجموعه داده‌های آموزشی را به شکل طبقه‌بندی شده یا بدون ساختار در فضای ابری میزبانی کنند و در ادامه در اختیار مدل‌ها قرار دهند. با توجه به این‌که آموزش مدل‌های هوشمند به توان پردازشی زیادی نیاز دارد و از هسته‌های پردازشی کارت‌های گرافیکی قدرتمند برای آموزش آنها استفاده میشود، طبیعی است بیشتر سازمان‌ها چنین سخت‌افزارهای قدرتمندی در اختیار ندارند. به همین دلیل ماشینهای مجازی مستقر در ابر را اجاره میکنند تا بتوانند از آن‌های برای آموزش مدل استفاده کنند.
محبوبیت یادگیری ماشین و هوش مصنوعی به دلیل توانایی آنها در پیش‌بینی و طبقه‌بندی یا برچسب‌گذاری داده‌ها در مجموعه داده‌هایی است که برای مدیریت آنها به شکل دستی به زمان بسیار زیادی نیاز است، به ویژه آن‌که داده‌ها دائما در حال رشد هستند.
با هیاهوی زیادی که پیرامون یادگیری ماشین و هوش مصنوعی وجود دارد، مهم است که بفهمیم یادگیری ماشین قادر به انجام چه کارهایی نیست. به طور مثال، یادگیری ماشین نمی‌تواند به طور مستقل یک رمان منسجم بنویسد. نمی‌تواند همه کارها را همانند انسان‌ها انجام دهد. در واقع، کاربردهای ML/AI محدودتر از آن چیزی است که بسیاری از مردم تصور میکنند. قابلیت‌های ML/AI به سه حالت زیر محدود میشود:
انجام پیش‌بینی: برای مثال، پیش‌بینی آب و هوا یا محاسبه زمان رسیدن به مقصد.
شناسایی الگوها: تشخیص اشیاء در تصاویر و طبقه‌بندی آنها بر اساس محتوای آنها
شناسایی ناهنجاری‌ها: شناسایی تلاش‌ها برای تقلب یا هک
ML/AI نیاز به داده‌های ورودی دارند که متخصصان در اختیار آنها قرار می‌دهند. در واقع، ML/AI به مدل‌های یادگیری بر اساس میزان داده‌های ورودی که متخصصان در اختیار آنها قرار می‌دهند، به دو گروه تحت نظارت، بدون نظارت و تقویتی تقسیم می‌شوند.
یادگیری تحت نظارت (Supervised Learning)
برنامه‌های آموزشی تحت نظارت که با ناظر نیز نامیده می‌شوند، شامل پیش‌بینی‌ها و تشخیص تصویر یا صدا هستند. این نیاز به ایجاد یا آموزش یک مدل ML/AI با تغذیه داده‌های نمونه همراه است. به عنوان مثال، اگر می‌خواهید برنامه‌ای ایجاد کنید که صدای شما را در یک فایل صوتی شناسایی کند، می‌توانید مدل را با استفاده از نمونه‌های با کیفیت صدای خود آموزش دهید. پس از آن، مدل باید بتواند صدای شما را در بیشتر مواقع به طور دقیق شناسایی کند. دقت مدل‌ها به اندازه و کیفیت مجموعه داده‌های آموزشی بستگی دارد. به طور معمول، مدل‌هایی که دقت آنها بالای 90 درصد باشد، مدل‌های قابل اطمینان شناخته می‌شوند. امروزه، بیشتر ارائهدهندگان زیرساختهای رایانش ابری از فناوری‌هایی مثل آپاچی هدوپ پشتیبانی میکنند تا برنامه‌نویسان به راحتی داده‌هایی که نیازمند حافظه اصلی زیادی هستند را در زیرساخت ابری مستقر کنند.
یادگیری بدون نظارت (Unsupervised Learning)
مدل‌های هوشمند مبتنی بر یادگیری بدون نظارت برای تشخیص ناهنجاری و طبقه‌بندی خودکار استفاده می‌شوند. برخلاف مدل یادگیری تحت نظارت، مدل یادگیری بدون نظارت نیازی به آموزش دستی ندارد. یادگیری بدون نظارت به طور خودکار الگوها را در یک مجموعه داده پیدا میکند و بر اساس آن الگوها گروه‌بندی یا خوشه ایجاد میکند. به عنوان مثال، با توجه به مجموعه‌ای از تصاویر سیب زمینی، یک الگوریتم بدون نظارت ممکن است آنها را بر اساس اندازه، رنگ و پارامترهای دیگر طبقه‌بندی کند.
درک محدودیت های این رویکرد بسیار مهم است. الگوریتم نمی‌داند که به سیب زمینی نگاه میکند، بنابراین اگر لوبیا شبیه به نظر برسد، ممکن است به عنوان سیب زمینی طبقه‌بندی کند. تمام کاری که الگوریتم انجام میدهد این است که تصاویر را بر اساس شباهت‌ها برچسب‌گذاری میکند. اگر می‌خواهید برنامه شما بتواند مجموعه‌ای از تصاویر تصادفی را بگیرد و همه سیب زمینی‌ها را شناسایی کند، باید از یک مدل یادگیری نظارت شده استفاده کنید.
یکی دیگر از کاربردهای جالب یادگیری بدون نظارت کشف تقلب است. اگر کارت اعتباری یا نقدی دارید، احتمال زیادی وجود دارد که موسسه مالی شما از ML/AI برای این منظور استفاده کند. این کار با تجزیه و تحلیل نحوه استفاده شما از کارت خود، مبالغی که برای خریدها پرداخت میکنید، انواع کالاها یا خدماتی که خریداری میکنید و غیره یک الگوی پایه ایجاد میکند و اطلاعات را در زیرساخت رایانش ابری ذخیره‌سازی میکند. اگر خریدهای شما بیش از حد الگوی تعیین شده باشد، الگوریتم آن را به عنوان یک ناهنجاری ثبت میکند و احتمالا موسسه مالی با شما تماس میگیرد.
نکته مهمی که باید به آن دقت کنید این است که در یادگیری نظارت شده، الگوریتم به دنبال چیزهایی است که تشخیص میدهد. در یادگیری بدون نظارت، الگوریتم به دنبال چیزهایی است که نمی‌شناسد.
یادگیری تقویتی (Reinforcement Learning)
مدل دیگری که وجود دارد، یادگیری تقویتی است که اساسا عملکردی متفاوت از دو حالت قبل دارد. در یادگیری تقویتی، همه چیز بر مبنای پاداش و تنبیه است. در اینجا عامل (Agent) سعی میکند در تعامل با محیط بهترین عملکرد را از خود نشان دهد تا بالاترین پاداش را به دست آورد. به همین دلیل، هیچ‌گونه داده‌ای در اختیار مدل قرار نمی‌گیرد و روند یادگیری بر مبنای تجربه خواهد بود.
ایجاد و اعتبارسنجی یک استقرار ابری (Creating and Validating a Cloud Deployment)
هنگامی که صحبت از رایانش ابری به میان می‌آید، مهم است معماری‌ها و فناوری‌های تاثیرگذار بر رایانش ابری را به دقت بررسی کنیم. به بیان دقیق‌تر، باید ببنیم مجازی‌سازی چقدر در شکل‌گیری و گسترش رایانش ابری تاثیرگذار بوده و فرآیند پیکربندی منابع فیزیکی، مجازی‌سازی آنها و تخصیص این منابع به سیستم‌ها و سرویس‌های در حال اجرا در مرکز داده مجازی‌سازی شده به چه صورتی انجام میشود.
مدل ادغام منابع به اشتراک گذاشته شده در ابر (The Cloud Shared Resource Pooling Model)
هر سرویس ابری به تجمیع منابع وابسته است. تجمیع منابع زمانی اتفاق می‌افتد که ارائهدهنده خدمات ابری منابع فیزیکی را در یک گروه یا مخزن مجازی قرار داده و این منابع را در اختیار مشتریان قرار میدهد. منابع فیزیکی زیربنایی پس از آن به شکل پویا تخصیص داده می‌شوند و برحسب نیاز تخصیص دومرتبه انجام میشود. موسسه NIST رایانش ابری را الگویی توصیف میکند که دسترسی راحت و بر اساس تقاضا به شبکه و مخزنی مشترک از منابع محاسباتی قابل تنظیم را امکان‌پذیر میکند.
تجمیع منابع، سخت‌افزار فیزیکی را از دید مشتری پنهان میکند و به مشتریان (شرکت‌ها) اجازه میدهد منابعی مانند فضای ذخیره‌سازی، توان محاسباتی و پهنای باند شبکه را میان کارمندان خود به اشتراک بگذارند. این مفهوم چند مستاجری نام دارد. معماری چند مستاجری (multi-tenant) یا multi-tenancy یک معماری نرم‌افزاری است که در آن چند نمونه از یک برنامه روی یک سرور فیزیکی اجرا می‌شوند تا آن سرور بتواند به چند مستاجر (tenant) خدمات ارائه دهد.
استخرهای/مخازن محاسباتی (Compute Pools)
در مرکز داده ارائهدهنده ابر، سرورهای فیزیکی زیادی وجود دارند که هر کدام یک هایپروایزر را اجرا میکنند. وقتی یک ماشین مجازی را در فضای ابری ایجاد میکنید، پلتفرم هماهنگسازی (orchestration) ابری ارائهدهنده، یک سرور فیزیکی موجود را برای میزبانی ماشین مجازی شما انتخاب میکند. در اینجا، اهمیتی ندارد کدام میزبان (Host) خاص را دریافت میکنید، زیرا ماشین مجازی شما در هر صورت اجرا شده و در اختیارتان قرار میگیرد. در واقع، اگر بخواهید یک ماشین مجازی در حال اجرا را متوقف کنید و دومرتبه آنرا راهاندازی کنید، به احتمال زیاد روی یک میزبان کاملا متفاوت اجرا میشود و شما نمیتوانید تفاوت را تشخیص دهید. سرورهای فیزیکی که ارائهدهنده برای اجرای ماشینهای مجازی ارائه میدهد، بخشی از یک مجموعه محاسباتی منحصر به فرد هستند. با ادغام سرورهای فیزیکی به این روش، ارائهدهندگان ابری میتوانند به شکل انعطافپذیری قدرت محاسباتی کارآمدی در اختیار مشتریان مختلف قرار دهند. با ورود مشتریان بیشتری به فضای ابری، ارائهدهنده فقط باید سرورهای بیشتری اضافه کند تا بتواند تعادلی میان عرضه و تقاضا به وجود آورد.
با کمی ریزبینی در جزئیات فنی متوجه می‌شویم که هایپروایزر در هر میزبان منابع فیزیکی سرور را مجازی کرده و آنها را برای مصرف در اختیار ماشین مجازی قرار میدهد. در این حالت، چند ماشین مجازی میتوانند روی یک میزبان فیزیکی اجرا شوند، بنابراین یکی از وظایف هایپروایزر این است که به ماشینهای مجازی اجازه میدهد منابع میزبان را به شکل اشتراکی استفاده کنند در حالی که از یکدیگر مجزا هستند. در این حالت، یک ماشین مجازی قادر نخواهد بود حافظه استفاده‌شده توسط ماشین مجازی دیگر را بخواند. شکل زیر رابطه میان ماشینهای مجازی و منابع سخت‌افزاری را نشان میدهد.
وظیفه هایپروایزر مجازی‌سازی CPUها، حافظه، رابطهای شبکه و در صورت وجود فضای ذخیره‌سازی میزبان است. اجازه دهید به طور خلاصه نحوه مجازی‌سازی رابطهای CPU، حافظه و شبکه توسط هایپروازیر (Hypervisor) را بررسی کنیم.
در هر میزبان مشخصی، این احتمال وجود دارد که تعداد ماشینهای مجازی بیشتر از هسته‌های فیزیکی CPU میزبان باشد. بنابراین، هایپروایزر باید رشته‌های (Threads) مختلف اجرا شده توسط هر ماشین مجازی روی میزبان را هماهنگ یا زمان‌بندی (scheduling) کند. اگر ماشینهای مجازی همگی نیاز به استفاده همزمان از پردازنده داشته باشند، هایپروایزر می‌داند بر مبنای چه الگویی باید منابع کمیاب CPU را در اختیار ماشینهای مجازی قرار دهد. این فرآیند به صورت خودکار است و مدیر زیرساخت نقشی در آن ندارد، اما یک اصطلاح مهم به نام وابستگی پردازنده مرکزی (CPU affinity) وجود دارد که برخی کارشناسان آنرا با وابستگی هایپروازیر Hypervisor اشتباه می‌گیرند. وابستگی پردازنده مرکزی توانایی تخصیص یک رشته پردازشی به یک هسته است، به جای این‌که هایپروایزر به صورت پویا آن را تخصیص دهد. یک ماشین مجازی می‌تواند وابستگی CPU را فعال کند، در این حالت، زمانی که یک رشته پردازشی توسط هایپروازیر دریافت میشود، به پردازنده مرکزی که مرتبط با این وابستگی است، اختصاص داده میشود. در بیشتر موارد ویژگی وابستگی CPU عملکرد هایپروازیر را کم میکند، بنابراین بهتر است آن را غیرفعال کنید. Affinity الگوریتم‌های انتخاب پردازنده مرکزی توسط هایپروایزر را نادیده میگیرد و باعث میشود چند ماشین مجازی در یک زمان از یک پردازنده مرکزی استفاده کنند. در این حالت، امکان توزیع بار روی پردازنده‌های دیگر از دست می‌رود و یک پردازنده مرکزی با مشکل اشباع روبرو میشود، در حالی که پردازنده‌های دیگر بیکار هستند.
دسترسی تصادفی به حافظه
اکنون اجازه دهید کمی در مورد حافظه با دسترسی تصادفی (RAM) صحبت کنیم. همان‌طور که تعداد محدودی هسته پردازشی پردازنده مرکزی در دسترس قرار دارد، مقدار حافظه اصلی نصب شده در سرورهای فیزیکی نیز محدود است. این حافظه اصلی توسط نرم‌افزار هایپروایزر به استخرهای حافظه مجازی‌سازی شده و به ماشینهای مجازی اختصاص داده میشود. وقتی یک ماشین مجازی ایجاد میکنید، توانایی انتخاب مقدار حافظه اصلی را دارید. برخلاف پردازنده مرکزی که به شکل مشترک در دسترس ماشینهای مجازی قرار میگیرد، این قاعده در ارتباط با حافظه‌های اصلی صادق نیست. به طوری که هر حافظه اصلی که به یک ماشین مجازی اختصاص داده میشود تنها در اختیار آن ماشین مجازی قرار دارد و هیچ ماشین مجازی دیگری نمی‌تواند به آن دسترسی داشته باشد. هنگامی که یک ماشین مجازی تمام حافظه اصلی اختصاص داده شده را مصرف میکند، فرآیند انتقال برخی اطلاعات حافظه اصلی به حافظه جانبی که ممکن است هارددیسک یا حافظه حالت جامد باشد، اتفاق می‌افتد. این اطلاعات در فایلی که swap نام دارد، قرار داده می‌شوند. فایلی که به عنوان حافظه اصلی مجازی (virtual RAM) نامیده میشود. هنگام پیکربندی یک ماشین مجازی، حتما فضای ذخیره سازی کافی برای فایل swap در نظر بگیرید و در نظر داشته باشید که مکانیزم ذخیره‌سازی اطلاعات در فایل swap تاثیر منفی بر عملکرد ماشین مجازی می‌گذارد و عملکرد آنرا کاهش میدهد. تا این بخش از آموزش رایگان Cloud+، در مورد استخرهای محاسباتی از دیدگاه یک مدل IaaS صحبت کرده‌ایم. اما چگونه استخرهای محاسباتی با مدل‌های PaaS یا SaaS کار میکنند؟ در پشت صحنه، تقریبا اتفاقات مشابهی می‌افتد. تفاوت اصلی این است که در مدل‌های PaaS و SaaS، ارائهدهنده ابر یک رابط کاربرپسند را در بالای زیرساخت محاسباتی اجرا میکند. به عنوان مثال، اگر ارائهدهنده خدمات ابری، سرویس میزبانی ایمیل را به عنوان یک سرویس ارائه میدهد، سیستم مدیریت ایمیل توان محاسباتی خود را از همان منابع محاسباتی زیرساخت IaaS دریافت میکند. در واقع، هر سرویس تحت مدل PaaS یا SaaS که ارائهدهنده ارائه میدهد، به احتمال زیاد و به شکل مستقیم روی همان زیرساخت IaaS اجرا میشود. به عبارت دیگر، ارائهدهندگان ابر از همان منابعی که در اختیار مشتریان قرار می‌دهند برای میزبانی سرویس‌های داخلی خود استفاده میکنند. آنها زیرساختهای محاسباتی را برای ارائه استخرهای محاسباتی به مشتریان و انجام فعالیت‌های داخلی خود استفاده میکنند.
