دانلود ترجمه مقاله برنامه ریزی وظایف آگاه از انرژی در سیستم رایانش ابری (ساینس دایرکت – الزویر ۲۰۱۶) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در ۸ صفحه در سال ۲۰۱۶ منتشر شده و ترجمه آن ۱۳ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

مشخصات مقاله انگلیسی (PDF)
سال انتشار	۲۰۱۶
تعداد صفحات مقاله انگلیسی	۸ صفحه با فرمت pdf
رشته های مرتبط با این مقاله	مهندسی کامپیوتر
گرایش های مرتبط با این مقاله	رایانش ابری و معماری سیستم های کامپیوتری
مجله	ششمین همایش بین المللی فناوری اطلاعات انرژی پایدار The 6th International Conference on Sustainable Energy Information Technology
دانشگاه	کالج فناوری اطلاعات، دانشگاه امارات متحده عربی
کلمات کلیدی	محاسبات سبز، کارآیی انرژی، مدیریت انرژی، زمان بندی، محاسبات ابری، عملکرد
شناسه شاپا یا ISSN	ISSN ۱۸۷۷-۰۵۰۹
رفرنس	دارد ✓
لینک مقاله در سایت مرجع	لینک این مقاله در نشریه Elsevier
نشریه الزویر

• فهرست مطالب:

چکیده

۱ مقدمه

۲ مدل سیستم EATS

۳ مدل زمان بندی برنامه ریزی غیرخطی

۴ زمینه و آثار مرتبط

۵ تحلیل عملکرد

۵-۱ محیط آزمایشی

۵-۲ آزمایشات

۵-۳ تحلیل نتایج آزمایشی

۶ نتیجه گیری و آثار آینده

• بخشی از ترجمه:

۶ نتیجه گیری و آثار آینده

با ظهور ابرها و محاسبات ابری، مصرف انرژی منابع زیرساختی از اهمیت برخوردار می گردد. در این مقاله، یک توزیع آگاه از انرژی و الگوریتم زمان بندی را تعبیه می کنیم، که هدف آنها توزیع داده های بزرگ برای پردازش توزیع شده با در نظر گرفتن عملکرد بوت و بهینه سازی انرژی است. EATS تصمیمات زمان بندی مدل برنامه ریزی غیرخطی را حل می کند. در این اثر، اندازه گیری انرژی واقعی را روی دسکتاپ محاسباتی و تحت شرایط باری مختلف اجرا کردیم. آزمایشات موضوع مهمی را آشکار کرد و آن این است که نسبت اندازه گیری انرژی در نقطه اوج عملکرد به اندازه گیری انرژی در زمان سکون ۳/۱ است، که پاسخی برای استفاده سرورها بدون شکافتن عملکرد است که از زمان بندی برنامه ریزی غیرخطی ما ناشی می شود. آثار آیندۀ مربوط به رویکرد پیشنهادی، در رشد و اجرای EATS برای گسترش در محیط محاسبات ابری برای ارزیابی عملکرد آن مشارکت دارد.

• بخشی از مقاله انگلیسی:

۶٫ Conclusion and Future Works

With the emergence of Clouds and Cloud computing, energy consumption of the underlying resources become crucial. In this work, we devise an energy-aware distribution and scheduling algorithm whose aim is to distribute a Big data for distributed processing taking into consideration bot performance and energy optimization. EATS solves a non-linear programming model take scheduling decisions. In this work, we conducted real power measurements on a computing desktop under different loads conditions. The experiments reveal an important issue is that the ratio of the energy measurement at peak performance to the energy measurement at idle time is 1.3, which is a call for servers utilization without scarifying performance which results in our non-linear programming scheduler. Future works of the proposed approach incorporate developing and implementing EATS for deployment in a Cloud computing environment to assess its performance.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد