الگوریتم زمان‌بندی وظایف اولویت‌دار در رایانش ابری با استفاده از بهینه‌سازی ازدحام گربه

الگوریتم زمان‌بندی وظایف اولویت‌دار در رایانش ابری با استفاده از بهینه‌سازی ازدحام گربه

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 39

تعداد کلمات : 8700

مجله : sensors(MDPI)

انتشار : 2023

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

فونت ترجمه : Bنازنین 12

تاریخ انتشار
4 ژانویه 2024
دسته بندی
تعداد بازدیدها
2801 بازدید
115,000 تومان
دانلود اصل مقاله

عنوان فارسی مقاله:الگوریتم زمان‌بندی وظایف اولویت‌دار در رایانش ابری با استفاده از بهینه‌سازی ازدحام گربه

چکیده

 الگوریتم‌های زمان‌بندی مؤثر در الگوی ابری مورد نیاز است تا خدمات را به مشتریان به‌طور یکپارچه و در عین حال به حداقل رساندن طول عمر، مصرف انرژی و نقض SLA به کار گیرد. زمان‌بندی ناکارآمد منابع در عین عدم توجه به تناسب وظایف، کیفیت خدمات ارائه‌دهنده ابر را تحت تأثیر قرار می‌دهد و با تأمین ناکارآمد منابع، انرژی بسیار بیشتری در اجرای وظایف صرف می‌شود و در نتیجه زمان زیادی صرف وظایف پردازش، که بر روی طول عمر تأثیر می‌گذارد صرف می‌گردد. به حداقل رساندن نقض SLA جنبه مهمی است که باید به آن پرداخته شود زیرا بر زمان کل، مصرف انرژی و همچنین کیفیت خدمات در یک محیط ابری تأثیر می‌گذارد. بسیاری از مطالعات موجود، مسائل زمان‌بندی کار را حل کرده‌اند، و آن الگوریتم‌ها از دیدگاه خود راه‌حل‌های تقریباً بهینه را ارائه می‌دهند. در این مقاله، ما یک الگوریتم برنامه‌ریزی جدید کار را توسعه دادیم که اولویت‌های کار را در پلتفرم ابری در نظر می‌گیرد، اولویت‌های VM وظایف آن‌ها را محاسبه می‌کند و آنها را به زمان‌بند می‌دهد. سپس، برنامه‌ریز وظایف مناسب را برای ماشین‌های مجازی بر اساس اولویت‌های محاسبه‌شده انتخاب می‌کند. برای مدل‌سازی این الگوریتم زمان‌بندی، از الگوریتم بهینه‌سازی ازدحام گربه‌ها استفاده کردیم که از رفتار گربه‌ها الهام گرفته شده بود. این بر روی ابزار Cloudsim و پلت فرم ابری OpenStack پیاده سازی شد. آزمایش‌های گسترده‌ای با استفاده از بارهای کاری بلادرنگ انجام شد. نتایج هنگامی که با رویکردهای PSO، ACO و RATS-HM پایه مقایسه می‌شود نشان داد که رویکرد پیشنهادی ما با توجه به پارامترهای ذکر شده در بالا، عملکرد بهتری از همه الگوریتم‌های پایه دارد.

 

 

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: Prioritized Task-Scheduling Algorithm in Cloud Computing Using Cat Swarm Optimization

 

Abstract

 Effective scheduling algorithms are needed in the cloud paradigm to leverage services to customers seamlessly while minimizing the makespan, energy consumption and SLA violations. The ineffective scheduling of resources while not considering the suitability of tasks will affect the quality of service of the cloud provider, and much more energy will be consumed in the running of tasks by the inefficient provisioning of resources, thereby taking an enormous amount of time to process tasks, which affects the makespan. Minimizing SLA violations is an important aspect that needs to be addressed as it impacts the makespans, energy consumption, and also the quality of service in a cloud environment. Many existing studies have solved task-scheduling problems, and those algorithms gave near-optimal solutions from their perspective. In this manuscript, we developed a novel task-scheduling algorithm that considers the task priorities coming onto the cloud platform, calculates their task VM priorities, and feeds them to the scheduler. Then, the scheduler will choose appropriate tasks for the VMs based on the calculated priorities. To model this scheduling algorithm, we used the cat swarm optimization algorithm, which was inspired by the behavior of cats. It was implemented on the Cloudsim tool and OpenStack cloud platform. Extensive experimentation was carried out using real-time workloads. When compared to the baseline PSO, ACO and RATS-HM approaches and from the results, it is evident that our proposed approach outperforms all of the baseline algorithms in view of the above-mentioned parameters.