بررسی شیوه های مدیریت منابع در رایانش ابری

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 672

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICTCK02_159

تاریخ نمایه سازی: 8 آبان 1395

چکیده مقاله:

امروزه رایانش ابری به سرعت در حال گسترش میباشد. یکی از مسائل مهم در رایانش ابری مدیریت منابع می باشد.که به اشتراک گذاری منابع ابری در میان کاربران متعدد می پردازد. پژوهش حاضر، به بررسی شیوه های مدیریت منابعپرداخته و آنها را بر اساس سنجه های عددی اصلی مدیریت منابع طبقه بندی می کند. سنجه های عددی برای ایجادشیوه های مدیریت منابع شامل: کارآمدی انرژی، آگاهی SLA، به حداقل رساندن بار شبکه، متعادل سازی بار، به حداکثر رساندن سودآوری، رایانش ابری ترکیبی و رایانش ابری همراه است. اکثر شیوه های موجود از یک و یا دوسنجه عددی مدیریت منابع استفاده می کنند. علاوه بر این شیوه های فنی مدیریت منابع طراحی شده برای ابری هایخصوصی و عمومی سنتی نمی توانند به طور مستقیم در محیط های ابری ترکیبی و همراه به کار گرفته شوند.

نویسندگان

عادل مطوری حسین

دانشجوی کارشناسی ارشد، کامپیوتر نرم افزار، موسسه آموزش عالی سلمان، مشهد، ایران

خولاء مضیق رشادی

دانشجوی کارشناسی ارشد، کامپیوتر نرم افزار، موسسه آموزش عالی سلمان، مشهد، ایران

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 :
  • Garcیa AG, Espert IB, Garcیa VH. SLA- driven dynamic cloud ...
  • Lin A., Chen N., "Cloud computing as an and of ...
  • Information Management, 2012. ...
  • Buyya R., Chee Shin Y., Venugopal S., Broberg J., Brandic ...
  • Wikipedia, http:/fa. Wikipedia.org. ...
  • Kumar Garg _ Rajkumar Buyya and H. J. Siegel., "Scheduling ...
  • Utility Grids:Time and Cost Trade-o@ Management Saurabh", Computing in the ...
  • Sunil Kumar S., Manvi, Gopal Krishna Sh., "Resource Management for ...
  • Gao Y, Guan H, Qi Z, Song T, Huan F, ...
  • Addis B, Ardagna D, Panicucci B, Squillante MS, Zhang L. ...
  • Wei Y, Blake MB, Saleh I. Adaptive RM for service ...
  • Ali S, Jing Si-Yuan, Kun S. Profit-aware DVFS enabled RM ...
  • _ Goudarzi H, Pedram M. Pro fit-maximizing resource allocation for ...
  • Ban Y, Chen H, Wang Z. EALARM: an ENHANCE autonomic ...
  • oriented-ح international symposium s ervic system engineering; 2013. ...
  • _ Sallami NM, _ Daoud A. Load balancing with neural ...
  • He L, Zou D, Zhang Z, Chen C, Jin H, ...
  • Malik S, Huet F, Caromel D. Latency based group discovery ...
  • Altmann J, Kashef MM. Cost model based service placement in ...
  • Farahabady MRH, Lee YC, Zomaya AY. Pareto-optimal cloud bursting. IEEE ...
  • Ghas emi-Falavarj ani S, Nematbakhsh M, BS. C ontext -aware ...
  • objective resource allocation in mobile cloud. Comput Electr Eng 201 ...
  • Khan AU, Othman M, Madani SA, Khan SU. A survey ...
  • Ikram A, Anjum A, Bessis N. A cloud resource management ...
  • O Sullivan MJ, Grigoras D. Integrating mobile and cloud resources ...
  • نمایش کامل مراجع