بهبود پارامتریک الگوریتم های زمانبندی در محیط های ابری ناهمگن

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 551

فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

TDCONF01_105

تاریخ نمایه سازی: 19 تیر 1394

چکیده مقاله:

محیط های محاسبات ابری، منابع محاسباتی نامحدود و غیر قابل تصوری را برای کاربران فراهم می کنند تا بتوانند بدون فوت وقت به کاهش یا افزایش منابع پرداخته و بابت سرعت مطالبات، نگرانی نداشته باشند. تهیه کنندگان می خواهند که با بهره برداری از ذخیره سازی بالای منابع، سود دهی را افزایش دهند، در حالی که کاربران محیط ابری به دنبال کاهش هزینه ها مادامی که کیفیت مناسب فعالیت هایشان حفظ شود می باشند. لیکن، تخصیص منابع به صورت مشترک در مسیری بهینه با توجه به فقدان اطلاعات فی مابین و همچنین افزایش ناهمگنی و تغییر پذیری در محیط از رقابت بین دو قسمت نیز مشکل تر می باشد. لذا ما به معرفی مدیریت مشکلات منابع ابری پرداخته ایم که تخصیص و زمان بندی را منابع به صورتی که مهیا کنندگان سود بالایی از منابع را به دست آورده، کاربران نیز برنامه های خود را با کیفیت دلخواه و رضایت بخش و با کمترین هزینه به دست آورند بررسی نموده ایم. به منظور گسترش تغییر پذیری ها در ظرفیت منابع و کیفیت برنامه ها در ابر، روشی را مبتنی بر پیش بینی توزیع زمانی اتمام کار به منظور جلوگیری از اتلاف وقت ارائه داده ایم که برای سبک سنگین کردن تصمیمات اجرایی مبادله منابع در زمان بندی و تخصیص منابع قابل اجراست و می تواند در بهبود مستمر کارها و سیستم های محاسبات ابری تأثیرات مثبت قابل ملاحظه ای داشته باشد.

نویسندگان

بابک آزاد

دانشگاه آزاد اسلامی واحد بابل

مرتضی بابازاده شاره

دانشگاه آزاد اسلامی واحد بابل

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Virglio Almeidla and Daniel Menasc. Co st-performance analysis of heterogeneity ...
  • G. Ananth anarayanan , S. Kandula, A. Greenberg, I. Stoica, ...
  • O. Beaumont, A. Legrand, L. Marchal, and Y. Robert. Steady-state ...
  • Tracy D. Braun, Howard Jay Siegel, Noah Beck, Ladislau L. ...
  • Mathijs den Burger, Thilo Kielmann, and Henri E. Bal. TOPOMON: ...
  • Sanjay Ghemawat, Howard Gobio , and Shun-Tak Leung. The Google ...
  • P. Brighten Godfrey and Richard M. Karp. On the price ...
  • H. Herodotou, H. Lim, G. Luo, N. Borisov, L. Dong, ...
  • O. H. Ibarra and C E. Kim. Heuristic algorithms for ...
  • Michael Isard et al. Dryad: Distributed data-parallel programs from sequential ...
  • Karthik Kambatla, Abhinav Pathak, and Himabindu Pucha. Towards optimizing hadoop ...
  • YongChul Kwon, Magdalena Balazinska, Bill Howe, and Jerome Roli. Skewresistat ...
  • Kevin Lai, Lars Rasmusson, Eytan Adar, Li Zhang, and Bernardo ...
  • Chuang Liu, Lingyun Yang, Ian T. Foster, and Dave Angulo. ...
  • G.Q. Liu, K.L. Poh, and M. Xie. Iterative list scheduling ...
  • M. Maheswaran, S. Ali, H.J. Siegal, D.; Hensgen, and R.F. ...
  • Dan Nurmi, Rich Wolski, Chris Grzegorczyk, Graziano Obertelli, Sunil Soman, ...
  • Thomas Sandholm and Kevin Lai. Mapreduce optimization using regulated dynamic ...
  • Ozan Sonmez, Hashim Mohamed, _ Dick Epema. Communic ation -aware ...
  • Chao Tian, Haojie Zhou, Yongqiang He, and Li Zha. A ...
  • Abhishek Verma, Ludmila Cherkasova, and Roy Campbell. Slo-driven rightsizing and ...
  • Rich Wolski, James S. Plank, John Brevik, and Todd Bryan. ...
  • Matei Zaharia, Andy Konwinski, Anthony D. Joseph, Randy Katz, and ...
  • Matei Zaharia, Dhruba Borthakur, Joydeep Sen Sarma, Khaled Elmeleegy, Scott ...
  • نمایش کامل مراجع