دانلود ترجمه مقاله مدل سازی احتمالی برای دستیابی به تعادل بار در Cloud Experts (ساینس دایرکت – الزویر ۲۰۱۷) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در ۲۴ صفحه در سال ۲۰۱۷ منتشر شده و ترجمه آن ۲۵ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

مشخصات مقاله انگلیسی (PDF)
سال انتشار	۲۰۱۷
تعداد صفحات مقاله انگلیسی	۲۴ صفحه با فرمت pdf
رشته های مرتبط با این مقاله	مهندسی کامپیوتر و فناوری اطلاعات
گرایش های مرتبط با این مقاله	رایانش ابری، اینترنت و شبکه های گسترده و مهندسی الگوریتم ها و محاسبات
مجله	شبکه های ادهاک – Ad Hoc Networks
دانشگاه	گروه علوم کامپیوتر، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران
کلمات کلیدی	کیفیت خدمات، رایانش ابری، ابر خبره، منابع انسانی، توازن بار، توزیع پواسون
رفرنس	دارد
لینک مقاله در سایت مرجع	لینک این مقاله در نشریه Elsevier
نشریه الزویر

• فهرست مطالب:

چکیده

۱٫ مقدمه

۲٫ کار مرتبط

۳٫ روش پیشنهادی: مفاهیم و عملگرها

۳-۱٫ رتبه بندی HR توسط مورچه های رنگی

۳-۲ تقسیم وظایف و رتبه بندی سایت بر اساس تقاضا

۳-۳٫ برچسب زدن گره برگ

۳-۴٫ برچسب زدن سوپر گره های همتا

۳-۵ استراتژی توازن بار پیشنهادی

۳-۶ مهاجرت وظایف

۴٫ نتایج شبیه سازی و تجزیه و تحلیل

۵٫ نتیجه گیری

• بخشی از ترجمه:

۵٫ نتیجه گیری
ما در این مقاله یک روش جدید برای حفظ توازن بار در ابرهای خبره ارائه نمودیم. این الگوریتم نه تنها بارها را متوازن میکند بلکه به تخصیص کار موثر نیز توجه دارد. این روش هر وظیفه را به منبعی انسانی با بالاترین قدرت و حداقل بار بر اساس مدل ریاضی اختصاص میدهد. این روش توزیع بار پویا را بر اساس صفوف پراکنده آگاه از کیفیت خدمات در محیط ابر صورت میدهد.
در این الگوریتم، از مورچه های رنگارنگ الهام گرفته از طبیعت برای رتبه بندی HRs و ایجاد تمایز بین توانایی¬های آنها استفاده شده است. HRs در سایت هایی با ساختار درختی تنظیم شده و مشخصات آنها به شکل برچسب سه بخش نشان داده شده است. وظایف نیز برچسب گذاری میشوند. تخصیص HRs توسط سطوح سوپر همتا انجام می شود. این سطوح مسیردهی را بر اساس توزیع پواسون و توزیع نمایی انجام میدهند. تابع جرم احتمال. روش ارائه شده توان بازده را با تخصیص موثر وظایف بهبود می بخشد و همچنین باعث کاهش زمان تاخیر میگردد. ما روش پیشنهادی خود را با برخی از تکنیک های موجود مقایسه کردیم. نتایج نشان می دهد که الگوریتم پیشنهادی ما در سیستم پراکنده مانند ابر به خوبی کار می کند. این باعث بهبود مان کل انجام کار و هزینه در مقایسه با روش های موجود میگردد.

• بخشی از مقاله انگلیسی:

۵٫ Conclusion

In this paper we proposed a new method for load balancing in the Expert Clouds. This algorithm not only balances the load but also pays attention to effective task allocation. It allocates each task to the HR with the highest power and the least load based on the mathematical model. This method distributes the dynamic load based on distributed queues aware of service quality in the Cloud environment. In this algorithm, it has been used from the colorful ants inspired of the nature for HRs ranking and making a distinction between their capabilities. The HRs are set in the sites with tree structure and their specifications are shown in the form of the three-section label. The tasks are labeled as well. The HRs allocation is done by the super-peer levels. These levels perform the mapping based on Poisson and exponential distribution. probability mass function. The proposed method improves the throughput by effective tasks allocation and also reduces the tardiness. We compare our proposed method with some of the existing techniques. The results show that the proposed algorithm in the distributed system such as Cloud works well. It improves the makespan and cost in comparison with the existing methods.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد