AI Driven Optimization of Resource Allocation and Cost Efficiency in Cloud Computing Environments

Abstract

AI can improve resource allocation and minimise operational costs in cloud computing settings. Machine learning (ML) and reinforcement learning are examined. The study recommends two models. Linear regression, random forests, and neural networks were utilised to optimize resource consumption depending on workload, cost, and performance.

Random Forest was the most accurate model, with an R² score of 0.9870, outperforming others in prediction. The second section employed RL to find smart resource-use strategies. By watching states, actions, and rewards interact, the DDPG and Q-learning algorithms learnt how to allocate resources flexibly. Classic rule-based approaches were inferior to RL models, which saved money, used resources better, and improved system reliability.

The paradigm combines adaptive decision-making and predictive analytics, delivering a theoretical and practical contribution. The study reveals that AI-driven systems can manage cloud resources in real time with various benefits. The study found certain issues, such as tiny datasets and a lack of computing capacity, but it also opened new possibilities for studying more advanced RL approaches in the real world across multiple cloud platforms.

Tekoälyllä on merkittävä potentiaali parantaa resurssien allokointia ja vähentää toimintakustannuksia pilvilaskentaympäristöissä. Tässä tutkimuksessa tarkasteltiin koneoppimisen (ML) ja vahvistusoppimisen (RL) menetelmiä. Suositeltaviksi malleiksi nousivat lineaarinen regressio, satunnaismetsät ja neuroverkot, joita sovellettiin resurssien käytön optimointiin työkuorman, kustannusten ja suorituskyvyn perusteella.

Satunnaismetsä osoittautui tarkimmaksi malliksi, saavuttaen R²-arvon 0,9870, mikä ylitti muiden mallien ennustustarkkuuden. Tutkimuksen toisessa vaiheessa hyödynnettiin RL-menetelmiä älykkäiden resurssienhallintastrategioiden kehittämiseen. DDPG- ja Q-learning-algoritmit oppivat allokoimaan resursseja tehokkaasti havainnoimalla tiloja, toimenpiteitä ja niistä saatavia palkkioita. Perinteiset sääntöpohjaiset lähestymistavat jäivät jälkeen RL-malleista, jotka tuottivat parempia säästöjä, tehokkaampaa resurssien hyödyntämistä ja paransivat järjestelmän luotettavuutta.

Esitetty malli yhdistää ennakoivan analytiikan ja mukautuvan päätöksenteon, tarjoten sekä teoreettista ymmärrystä että käytännön sovelluksia. Tutkimus osoittaa, että tekoälypohjaiset järjestelmät voivat hallita pilvialustoja dynaamisesti ja reaaliaikaisesti useilla eri tavoilla. Vaikka tutkimuksessa kohdattiin haasteita, kuten pienet aineistot ja rajallinen laskentateho, se avaa samalla uusia mahdollisuuksia jatkotutkimukseen edistyneemmillä RL-menetelmillä eri pilviympäristöissä.