ایده اصلی وب معنایی، ایجاد فراداده هایی است که داده را شرح می دهند تا کامپیوترها را قادر به پردازش معنی اشیا کنند. هدف از وب معنایی این است که ماشین ها نیز همانند انسان ها سندها را درک کرده و تفسیر کنند. یکی از مولفه های اصلی وب معنایی، آنتولوژی است، که نسبت به سایر مولفه ها از قدرت بیان بیشتری برخوردار است. آنتولوژی، مجموعه ای از واژگان مشترک را برای محققانی تعریف می کند که نیاز به اشتراک گذاری اطلاعات در یک دامنه دارند. امروزه استفاده از آنتولوژی در وب افزایش یافته است. بسیاری از آنتولوژی های معروف، اندازه بزرگی دارند. اندازه بزرگ این آنتولوژی ها باعث کاهش سرعت و کارایی در استفاده مجدد، استنتاج، نگهداری و هماهنگی سیستم های توزیع شده می شود. راه حل این مساله، پیمانه ای کردن آنتولوژی می باشد. پیمانه ای کردن آنتولوژی، بخش مهمی از مهندسی آنتولوژی است که برای کاهش پیچیدگی و اندازه آنتولوژی، یا آن را به کل قطعات تشکیل دهنده می شکند (تقسیم بندی آنتولوژی) و یا اینکه فقط بخش کوچکی از آن را استخراج می کند (استخراج پیمانه). هدف از این پژوهش ارائه رهیافتی برای پیمانه ای کردن آنتولوژی به پیمانه هایی درست، کامل و متصل به هم است، به صورتی که کاربر بتواند بر اساس نیازهای برنامه کاربردی تنظیماتی را در پیمانه ای کردن اعمال کند. رهیافت ارائه شده در این پژوهش روی تقسیم بندی آنتولوژی تمرکز دارد. برای داشتن قطعه های کامل، ابتدا یک استنتاج مقدماتی روی آنتولوژی انجام شده و سپس حاصل آن به pato، که ابزاری برای تقسیم بندی است، داده می شود. به دلیل انجام استنتاج مقدماتی، نتیجه تقسیم بندی، پیمانه هایی مرتبط و نیمه کامل است. بنابراین، قضایای کامل کننده به آن ها اضافه می شود. سپس پیمانه ها توسط زبان آنتولوژی پیمانه ای p-dl به هم متصل می شوند. به این ترتیب، پیمانه های حاصل، پیمانه هایی متصل و کامل با اندازه مناسب هستند. هرچند استنتاج روی آنتولوژی های بزرگ عملی وقت گیر است، اما فقط یکبار صورت می گیرد و در عوض مزایای زیادی به همراه دارد که توسط دیگر روش ها تامین نمی شوند. برای ضمانتِ این ادعا، روش ارائه شده و روش های قبلی به صورت تئوری و عملی ارزیابی شده و نشان داده می شود که این روش باعث می شود که آنتولوژی به طور متعادلی بخش بندی شود و پیمانه های حاصل مانند یک آنتولوژی خودشمول، توسط ابزارهای زیادی استفاده شوند.

محاسبات ابری یک مدل محاسباتی بر مبنای شبکه های عظیم کامپیوتری مانند اینترنت است که روشی برای دسترسی سریع و آسان به سرویس های مختلف محاسباتی فراهم می کند. این سرویس ها شامل نرم افزار، سخت افزار و بطور کلی تمامی نیازهای محاسباتی کاربران می شود.?? زیرساخت بصورت سرویس به عنوان لایه پایین محاسبات ابری بطور وسیعی در صنعت بکارگرفته شده است. این بخش از ابر، با بهره برداری از ماشین مجازی امکانات گسترده ای برای انواع مختلف محاسبات فراهم کرده است. ماشین مجازی یک نهاد مستقل محاسباتی در اختیار مصرف کننده قرار می دهد. به این ترتیب کاربر ابر می تواند سیستم عامل دلخواه خود را بکار گیرد. نرم افزارهای کاربردی خود را نصب نماید و داده های مورد نیازش را از طریق ارتباطات شبکه ای منتقل کند. کاربر زیرساخت بصورت سرویس، می تواند هنگام نیاز به منابع محاسباتی بیشتر، تعداد ماشین های مجازی بکار گرفته شده در ابر را افزایش دهد. درصورت عدم نیاز نیز با ارسال یک درخواست به مدیر ابر این تعداد کاهش می یابد. این مدل افزایش/کاهش مبتنی بر تقاضای ماشین مجازی، با وجود کارایی بالا به خودی خود یک راه حل عمومی برای توزیع بار بین ماشین ها ارائه نمی کند. به همین دلیل تا کنون روش های مختلفی برای ارائه یک راه حل کلی برای تغییر مقیاس در ابر پیشنهاد شده است. به عنوان مثال می توان به توزیع بار در لایه نرم افزار یا همانند سازی ماشین های مجازی به عنوان دو راه حل پیشنهاد شده اشاره کرد. روش استفاده شده در این پژوهش تغییر مقیاس منابع تخصیص یافته شده به ماشین مجازی بصورت برخط می باشد. در روش تغییر مقیاس منابع، بجای افزایش یا کاهش تعداد ماشین های مجازی در ابر، منابع محاسباتی تخصیص داده شده به یک ماشین مجازی افزایش یا کاهش می یابد. به این ترتیب بدون نیاز به دخالت مستقیم کاربر برای توزیع بار، امکان تغییر مقیاس منابع فراهم می شود. این کار باعث می شود تا بتوان نرم افزارهای سنتی که نیازهای محاسباتی متغیری دارند ولی هنوز امکان اجرای توزیع شده آنها فراهم نشده است را نیز در یک محیط با امکانات تغییر مقیاس بکار گرفت. این روش، جایگزینی برای روش افزایش یا کاهش تعداد ماشین های مجازی نیست، بلکه در کنار آن و با افزایش انتخاب های کاربر، هزینه ها مجدداً کاهش پیدا می کنند و در نهایت، ایده «پرداخت بر اساس استفاده» ابر بهتر فراهم می شود. نتایج آزمایش های عملی مختلف در پیاده سازی صورت گرفته برای این کار پژوهشی نشان می دهد که استفاده از تغییر مقیاس ابر می تواند در بسیاری از کاربردها قابل انجام باشد. اضافه شدن مهاجرت ماشین مجازی به عملیات می تواند انعطاف پذیری بیشتری به ابر دهد و در مجموع نیز هزینه ها کاهش پیدا می کنند.