یک زمان بندی کار کارآمد در HPCLOUD ایزومتریک با استفاده از بهینه سازی ZBLA

عنوان فارسی مقاله:یک زمان بندی کار کارآمد در HPCLOUD ایزومتریک با استفاده از بهینه سازی ZBLA

چکیده

زمان‌بندی کارآمد مشاغل در محیط ابری به معیار مهمی برای تعیین عملکرد سیستم تبدیل شده است. برای بهبود رضایت کاربر در زمان‌بندی مشاغل، باید یک الگوریتم بهینه‌سازی کارآمد برای توزیع مشاغل در محیط ابری وجود داشته باشد که در نهایت منجر به تخصیص پویا منابع در محیط توزیع شده می‌شود. یک الگوریتم بهینه‌سازی کارآمد به نام الگوریتم زندگی زنبورهای مبتنی بر منطقه (ZBLA) روی یک ابر مکعبی همتا به همتا (HPCLOUD) در یک چارچوب ساختاریافته همتا به همتا که بر روی محیط ابری پیاده‌سازی شده است، پیشنهاد شده است. ما ZBLA را با الگوریتم زندگی زنبورها (BLA) مقایسه کرده‌ایم که کارها را سریع‌تر تخصیص می‌دهد، علاوه بر این، شبکه با پارادایم محاسبات توزیع‌شده تقسیم‌بندی شده ایزومتریک تحمل خطا و مقیاس‌پذیر است(زمان بندی کار کارآمد در HPCLOUD).

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: An Efficient Job Scheduling in Isometric HPCLOUD using ZBLA Optimization

Abstract

Efficient scheduling of jobs in the cloud environment has become the important criteria to determine the system performance. To improve the user’s satisfaction in scheduling of jobs there should be an efficient optimization algorithm to distribute the jobs in cloud environment which eventually leads to dynamic allocation of resources in distributed environment. An efficient optimization algorithm named Zone-Based Bee Life Algorithm (ZBLA) has been proposed on a Hyper Cubic Peer-to-Peer cloud (HPCLOUD) in a structured peer-to-peer framework implemented on the cloud environment. We have compared ZBLA with the Bees life algorithm (BLA) which allocates the jobs faster in addition the network is fault tolerant and scalable with the Isometric partitioned distributed computing paradigm.