الگوریتم بهینه‌سازی زمان‌بندی مبتنی بر کلان داده برای سیستم‌های فیزیکی-سایبری

الگوریتم بهینه‌سازی زمان‌بندی مبتنی بر کلان داده برای سیستم‌های فیزیکی-سایبری

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 21

تعداد کلمات : 7800

مجله : Computer Communications

انتشار : 2022

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

:

تاریخ انتشار
16 دسامبر 2021
دسته بندی
تعداد بازدیدها
1146 بازدید
29,000 تومان
دانلود اصل مقاله

عنوان فارسی مقاله:الگوریتم بهینه‌سازی زمان‌بندی مبتنی بر کلان داده برای سیستم‌های فیزیکی-سایبری مبتنی بر پلت فرم ابری

 چکیده

  در این مقاله، سیستم‌های سایبری-فیزیکی مبتنی بر داده‌های بزرگ (CPS) را از طریق پلت‌فرم‌های ابری و طراحی الگوریتم‌های بهینه‌سازی زمان‌بندی برای بهبود کارایی سیستم مطالعه می‌کنیم. یک طرح زمان‌بندی کار برای دسترسی کارخانه در مقیاس بزرگ تحت معماری محاسبات مشترک لبه ابری پیشنهاد شده است. این روش ابتدا نمودارهای غیر چرخه ای جهت دار را در سرورهای سمت ابر و سرورهای سمت لبه ادغام می کند. دوم، تقسیم وظایف با استفاده از یک استراتژی پارتیشن بندی مبتنی بر مسیر حیاتی برای بهبود موثر دقت تخصیص. سپس تعادل بار را از طریق تخصیص منطقی پردازنده به دست می‌آورد و در نهایت الگوریتم زمان‌بندی کار پیشنهادی را از طریق آزمایش‌های شبیه‌سازی مقایسه و تحلیل می‌کند. سیستم آزمایشی به طور کامل تجزیه و تحلیل، به صورت سلسله مراتبی طراحی و مدل‌سازی شده، شبیه‌سازی می‌شود و داده‌های تجربی با روش‌های مرتبط تحلیل و مقایسه می‌شوند. نتایج تجربی اثربخشی و صحت روش تحلیل زمان اجرا در بدترین حالت و ایده CPS مبتنی بر داده‌های بزرگ ارائه شده در این مقاله را اثبات می‌کند و نشان می‌دهد که دانش کلان داده می‌تواند به بهبود دقت تحلیل زمان اجرا در بدترین حالت کمک کند. این مقاله یک الگوریتم بهینه‌سازی زمان‌بندی مبتنی بر داده‌های بزرگ را برای سیستم‌های سایبری-فیزیکی مبتنی بر یک پلت‌فرم ابری پیاده‌سازی می‌کند که دقت و کارایی الگوریتم را در مقایسه با سایر مطالعات مرتبط حدود ۱۵ درصد بهبود می‌بخشد(سیستم‌های فیزیکی-سایبری).

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: Big data-driven scheduling optimization algorithm for Cyber–Physical Systems based on a cloud platform

Abstract

 In this paper, we study big data-driven Cyber–Physical Systems (CPS) through cloud platforms and design scheduling optimization algorithms to improve the efficiency of the system. A task scheduling scheme for large-scale factory access under cloud–edge collaborative computing architecture is proposed. The method firstly merges the directed acyclic graphs on cloud-side servers and edge-side servers; secondly, divide the tasks using a critical path-based partitioning strategy to effectively improve the allocation accuracy; then achieves load balancing through reasonable processor allocation, and finally compares and analyses the proposed task scheduling algorithm through simulation experiments. The experimental system is thoroughly analysed, hierarchically designed, and modelled, simulated, and the experimental data analysed and compared with related methods. The experimental results prove the effectiveness and correctness of the worst-case execution time analysis method and the idea of big data-driven CPS proposed in this paper and show that big data knowledge can help improve the accuracy of worst-case execution time analysis. This paper implements a big data-driven scheduling optimization algorithm for Cyber–Physical Systems based on a cloud platform, which improves the accuracy and efficiency of the algorithm by about 15% compared to other related studies.