دانلود ترجمه مقاله تخلیه اجرایی دقیق برای کاربردهای با رفتار پویا در محاسبات ابری سیار – الزویر ۲۰۱۶

تخلیه اجرایی دقیق برای کاربردهای با رفتار پویا در محاسبات ابری سیار

Precise execution offloading for applications with dynamic behavior in mobile cloud computing

چکیده

۱-مقدمه

۲- سابقه و هدف

۲-۱ پیش زمینه

۲-۲ هدف

۲-۲-۱ تاثیر صحت پیش بینی بر روی عملکرد تخلیه موبایل

۲-۲-۲ بهینه سازی جهانی برای پارتیشن بندی کد

۳- f_Mantis: تولید خودکار شاخص عملکردی ساده و کارامد برای تخلیه اجرای موبایل

۳-۱ مروری بر تولید شاخص پیش بینی عملکرد

۳-۲ ابزار ساز ویژگی

۳-۳ پروفایلر

۳-۴ ژنراتور مدل

۳-۵ ژنراتور شاخص پیش بین

۴- پارتیشن بندی کد دینامیک با شاخص تولید شده با f_Mantis

۴-۱ معماری برای سالور

۴- ارزیابی

۵-۱ اجرا

۵-۳ نتایج آزمایشی

۵-۳-۱ موتور شطرنج (Chess engine)

۵-۳-۲ تشخیص چهره

۵-۳-۳ اینویدور ها

۶- کار های مربوطه

۷-نتیجه گیری

چکیده

به منظور رفع تقاضای زیاد برای عملکرد در تلفن های هوشمند، روش های رایانش ابری موبایل با هدف بهبود عملکرد تلفن هوشمند از طریق سرور های ابری قوی پیشنهاد شدند. در میان این روش ها، تخلیه اجرا یا افلودینگ که یک رشته را بین یک دستگاه موبایل و یک سرور مهاجرت می دهد، اغلب استفاده می شود. در این روش های تخلیه اجرایی، تصمیم گیری در مورد این که کدام بخش از کد باید از طریق الگوریتم های تصمیم گیری افلود شود بسیار مهم است. به منظور دست یابی به عملکرد تخلیه بهینه، هزینه و سود افلودینگ بایستی به طور صحیح برای پیش بینی دقیق پیش بینی شود. کار های قبلی قادر به انجام این کار نبودند زیرا انجام پیش بینی دقیق پر هزینه است. از این روی در این مقاله، ما روش های جدید را برای ایجاد شاخص های پیش بینی عملکرد روش محور برای برنامه های موبایل معرفی کرده و به طور تجربی بهبود عملکرد تخلیه را نشان می دهیم.

۶- کار های مربوطه تحقیقات بیشتری به رفتار سیستم مدل سازی به عنوان ابزار پیش بینی برای دیتابیس ها(۲۳-۲۴)، رایانش خوشه ای(۲۵-۲۶)، شبکه بندی(۲۷-۲۹)، بهینه سازی برنامه و غیره اختصاص داده شده است. پیش بینی ویژگی های برنامه، زمان اجرا و حتی مصرف منابع برای بهبود زمان بندی، ارایه منابع و بهینه سازی استفاده شده است. دامین های نمونه شامل پیش بینی عملکرد معیار و کتابخانه(۳۲-۳۳)، پیش بینی منابع و زمان اجرای استفسار دیتابیس(۲۳-۲۴)، پیش بینی عملکرد برای برنامه های استریمینک بر اساس مشخصات جریان کنترل( ۳۴)، نقض قرار داد های سطح سرویس برای ابر و خدمات وب(۲۵-۲۶) می باشد. در عین حال می توان به تعادل بار برای زیر ساخت های پایش شبکه(۳۵) اشاره کرد. این کار نشان دهنده مزایای حاصل از پیش بینی است که بر حوزه های دیگر نیز اشاره دارد از جمله ویژگی های قابل شناسایی که بر اساس دانش کارشناس، استفاده از استخراج ویژگی می باشند و قابل کاربرد به برنامه های هدف محور می باشد و نیازمند همبستگی بالایی بین ویژگی های ساده(اندازه ورودی) و زمان اجرایی می باشد.

Abstract

In order to accommodate the high demand for performance in smartphones, mobile cloud computing techniques, which aim to enhance a smartphone’s performance through utilizing powerful cloud servers, were suggested. Among such techniques, execution offloading, which migrates a thread between a mobile device and a server, is often employed. In such execution offloading techniques, it is typical to dynamically decide what code part is to be offloaded through decision making algorithms. In order to achieve optimal offloading performance, however, the gain and cost of offloading must be predicted accurately for such algorithms. Previous works did not try hard to do this because it is usually expensive to make an accurate prediction. Thus in this paper, we introduce novel techniques to automatically generate accurate and efficient method-wise performance predictors for mobile applications and empirically show they enhance the performance of offloading.

۶٫ Related work

Much research has been devoted to modeling system behavior as a means of prediction for databases [23,24], cluster computing [25,26], networking [27–۲۹], program optimization [30,31], etc. Prediction of basic program characteristics, execution time, or even resource consumption, has been used broadly to improve scheduling, provisioning, and optimization. Example domains include prediction of library and benchmark performance [32,33], database query execution-time and resource prediction [23,24], performance prediction for streaming applications based on control flow characterization [34], violations of Service-Level Agreements (SLAs) for cloud and web services [25,26], and load balancing for network monitoring infrastructures [35]. Such work demonstrates significant benefits from prediction, but focuses on problem domains that have identifiable features (e.g., operator counts in database queries, or network packet header values) based on expert knowledge, use domain-specific feature extraction that may not apply to general-purpose programs, or require high correlation between simple features (e.g., input size) and execution time.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تخلیه اجرایی دقیق برای کاربردهای با رفتار پویا در محاسبات ابری سیار

Precise execution offloading for applications with dynamic behavior in mobile cloud computing