بررسی روش برنامه ریزی چندپارامتری بار دستگاه

نوع فایل : word

تعداد صفحات : 26

تعداد کلمات : 8000

مجله : J Supercomput

انتشار : 2017

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
21 اکتبر 2020
دسته بندی
تعداد بازدیدها
1373 بازدید
39,500 تومان

عنوان فارسی مقاله:بررسی روش برنامه ریزی چندپارامتری بار دستگاه یا بار میزان دینامیک به منظور تخمین و برآورد داده های عظیم یا کلان داده‌ها در رایانش و محاسبات ابری

 چکیده  

در حال حاضر، برنامه ریزی کار میزان در محاسبات ابری به صورت یک روش مطالعاتی مناسب در نظر گرفته می‌شود. برنامه ریزی یا زمان بندی باعث بهبود و تقویت محاسبات ابری، به ویژه در صورتی که بستر برای تحلیل کلان داده‌ها به کار می‌رود و کار میزان‌های با ظرفیت پیش بینی پایین به شکل دینامیک وارد ابرها می‌شوند می‌شود. یک چالش مهم، پیدا کردن روش برنامه ریزی مطلوب با پارامترهای مختلف در محیط‌های مختلف است. در محیط‌های دینامیک مانند ابر، شیوه‌های برنامه ریزی باید فوراً تغییر کنند تا با تغییرات در میزان کار ورودی منطبق شوند. ولی، پیدا کردن راه حل بهینه مسئله‌ی ویژه‌ای است که ارتباط متعادل با سرعت شیوه دارد. در این مطالعه، یک شیوه‌ی بهینه سازی متوالی ارائه شد که مقدار کار میزان، تعادل بار و میزان پیام‌های ارائه شده در میان دسته‌های مجازی را مد نظر قرار می‌دهد. الگوریتم بررسی شده در این مطالعه بر مبنای بهینه سازی متوالی OO و چرخشی می‌باشد. در هر زمان بندی، یک سنجه برای شناسایی شباهت کار میزان در دوره‌های دو پیامدی حساب می‌شود که برای شیوه‌ی زمان بندی، بهتر است. در این مطالعه، با چند پارامتر، برنامه ریزی مطلوب ایجاد شد. این زمان بند به عنوان محفظه‌ای برای دستگاه‌های مجازی در هر خوشه است ولی اگر شباهت بین دو دوره وجود داشته باشد نادیده گرفته خواهد شد. بر طبق یافته‌ها، یک شیوه‌ی بهینه‌تر در برابر شیوه‌های رتبه بندی شده مانند بلایند پیک، OO، مونت کارلو و EOO در زمان مناسب بدست آمد. این روش انعطاف پذیر است و موجب تغییر نسبت وزنی در محیط‌های مختلف می‌شود. بر طبق نتایج، شیوه‌ی پیشنهادی باعث بهبود عملکرد ۲۸ درصدی در برابر با EOO می‌شود(بار میزان دینامیک به منظور تخمین).

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: A multi-parameter scheduling method of dynamic workloads for big data calculation in cloud computing

Abstract

 Workload scheduling in cloud computing is currently an active research field. Scheduling plays an important role in cloud computing performance, especially when the platform is used for big data analysis and as less predictable workloads dynamically enter the clouds. Finding the optimized scheduling solution with different parameters in different environments is still a challenging issue. In dynamic environments such as cloud, scheduling strategies should feature rapid altering to be able to adapt more easily to the changes in input workloads. However, achieving an optimizedsolutionisanimportantissue,whichhasatrade-offwiththespeedoffinding the solution. In this article, an ordinal optimization method is proposed that considers the volume of workloads, load balancing and the volume of exchanged messages among virtualclusters,consideringthereplications.Thealgorithminthepresentpaper is based on ordinal optimization (OO) and evolutionary OO. In any time periods, a criterion is calculated to determine the similarity of workloads in two-consequence time periods, which is appropriate for timely changes in the scheduling procedure. In this paper, considering more than one parameter, a proper scheduling would be created for each time period. This scheduler is an organization for the number of virtual machines for each virtual cluster, but if there is a desirable similarity betwee workloads of two-consequence time periods, this procedure would be ignored. The results show that a more optimized solution is obtained in comparison with the rated methods, such as blind pink, OO, Monte Carlo and eOO in a reasonable time. The suggested method is flexible and it is possible to change the weight ratio of the proposed criteria in different environments to be consistent with different environmental conditions. The results show that proposed method achieved up to 28% performance improvement in comparison with eOO.
دیدگاهتان را بنویسید