ارایه یک روش بهبود یافته جهت کاهش مصرف انرژی مراکز داده ابری از طریق بهینه سازی مدیریت زمانبندی و تعداد مهاجرت ها

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 444

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ITCC03_298

تاریخ نمایه سازی: 6 اردیبهشت 1396

چکیده مقاله:

امروزه محاسبات ابری خدمات فناوری اطلاعات زیادی را برای کاربران در سراسر جهان ارایه می دهد. اخیرا در مراکزداده بزرگ، با افزایش داده به طور فزاینده ای مصرف انرژی را بالا می رود. این افزایش در مصرف انرژی در محیطزیست اثر می گذارد. هزینه های زیست محیطی تحمیل شده سبب شده است که رفته رفته مبحثی بنام محاسبات ابری سبزظهور کند. به همین منظور یک مدیریت متمرکز منابع به صورت یک چارچوب نرم افزاری در این مقاله ارایه گردیدهاست. این دیدگاه نه تنها می تواند اطمینان کاربران از کیفیت خدمات را تامین کند بلکه باعث حداکثر صرفه جویی درانرژی در پردازش های ابری می شود . طرح پیشنهادی این مقاله الگوریتم جهش قورباغه برای بهینه سازی حداکثریتخصیص منابع به صورت پویا در ماشین های مجازی استفاده می شود. نتایج تجربی حاصل از انجام این پژوهش نشان میدهدکه ، عملکرد قابل قبولی را در پردازش های ابری سبز می گذارد .مقایسهی نتایج حاصل از انجام این پژوهش با روشهای تحقیقاتی مشابه نشان می دهدکه، طرح پیشنهادی از نظر میزان انرژی مصرفی و تعداد مهاجرت ماشین های مجازیقابلیت های بیشتری دارد.

کلیدواژه ها:

محاسبات ابری ، مدیریت منابع ، انرژی مصرفی ، مهاجرت ماشین های مجازی

نویسندگان

یاسمین سالم

دانشجو کارشناسی ارشد معماری کامپیوتر –دانشگاه تحصیلات تکمیلی و صنعتی و فناوری پیشرفته

وحید ستاری نایینی

استادیار –دانشگاه شهید باهنر کرمان

عصمت راشدی

استادیار –دانشگاه تحصیلات تکمیلی و صنعتی و فناوری پیشرفته

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 :
  • Koomey, Jonathan G. "Estimating total power consumption by servers in ...
  • Ferreto, T. C., Netto, M. A., Calheiros, R. N., & ...
  • Lee, Y. C., & Zomaya, A. Y. (2012). Energy efficient ...
  • Beloglazov, A., & Buyya, R. (2012). Optimal online deterministic algorithms ...
  • Song, A., Fan, W., Wang, W., Luo, J., & Mo, ...
  • for migrating in virtualized data centers. In Joint International Networked ...
  • Rodero, I, Viswanathan, H., Lee, E. K., Gamell, M., Pompili, ...
  • Masou mzadeh, S. S., & Hlavacs, H. (2013, October). Integrating ...
  • the 9th _ nternationa _ Conference on Network 2013) (pp. ...
  • Beloglazov, A., Abawajy, ., & Buyya, R. (2012). Energy-aware resource ...
  • Kansal, N. J., & Chana, I. (2015). Artificial bee colony ...
  • Speitkamp, B., & Bichler, M. (2010). A mathematicl programming approach ...
  • Tao, F., Feng, Y., Zhang, L., & Liao, T. W. ...
  • Luo, S., & Ren, B. (2016).The monitoring and managing application ...
  • Kusic, D., Kephart, J. O., Hanson, J. E., Kandasamy, N., ...
  • Liu, H., Yi, F., & Yang, H. (2016). Adaptive grouping ...
  • solving continuous optimization problems. Com putational intelligence and neu roscience, ...
  • نمایش کامل مراجع