دانلود ترجمه مقاله زمان بندی چند منبعی و شبیه سازی توان برای رایانش ابری (ساینس دایرکت – الزویر ۲۰۱۷) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

 

 

این مقاله انگلیسی ISI در نشریه الزویر در ۲۰ صفحه در سال ۲۰۱۷ منتشر شده و ترجمه آن ۴۰ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

زمان بندی چند منبعی و شبیه سازی توان برای رایانش ابری

عنوان انگلیسی مقاله:

Multi-Resource Scheduling and Power Simulation for Cloud Computing

 

 

مشخصات مقاله انگلیسی 
فرمت مقاله انگلیسی pdf
سال انتشار ۲۰۱۷
تعداد صفحات مقاله انگلیسی ۲۰ صفحه با فرمت pdf
نوع مقاله ISI
نوع نگارش مقاله پژوهشی (Research Article)
نوع ارائه مقاله ژورنال
رشته های مرتبط با این مقاله مهندسی کامپیوتر
گرایش های مرتبط با این مقاله رایانش ابری، مهندسی الگوریتم ها و محاسبات
چاپ شده در مجله (ژورنال) علوم اطلاعات – Information Sciences
کلمات کلیدی رایانش ابری، زمان بندی چند منبعی، مدل سازی توان، شبیه سازی توان، CloudSim
کلمات کلیدی انگلیسی cloud computing – multi-resource scheduling – power modeling – power simulation – CloudSim
ارائه شده از دانشگاه دانشکده علوم و مهندسی کامپیوتر، دانشگاه صنعتی چین جنوبی، گوانگژو، چین
نمایه (index) scopus – master journals – JCR
نویسندگان Lin Weiwei – Xu Siyao – He Ligang – Li Jin
شناسه شاپا یا ISSN ۰۰۲۰-۰۲۵۵
شناسه دیجیتال – doi https://doi.org/10.1016/j.ins.2017.02.054
ایمپکت فاکتور(IF) مجله ۷٫۸۹۳ در سال ۲۰۲۰
شاخص H_index مجله ۱۸۴ در سال ۲۰۲۱
شاخص SJR مجله ۱٫۵۲۴ در سال ۲۰۲۰
شاخص Q یا Quartile (چارک) Q1 در سال ۲۰۲۰
بیس نیست
مدل مفهومی ندارد 
پرسشنامه ندارد 
متغیر ندارد 
فرضیه ندارد 
رفرنس دارای رفرنس در داخل متن و انتهای مقاله
کد محصول ۱۱۶۵۵
لینک مقاله در سایت مرجع لینک این مقاله در سایت Elsevier
نشریه الزویر – Elsevier

 

مشخصات و وضعیت ترجمه فارسی این مقاله 
فرمت ترجمه مقاله pdf و ورد تایپ شده با قابلیت ویرایش
وضعیت ترجمه انجام شده و آماده دانلود
کیفیت ترجمه ویژه – طلایی ⭐️⭐️⭐️
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۴۰ (۲ صفحه رفرنس انگلیسی) صفحه با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است 
ترجمه متون داخل تصاویر ترجمه شده است 
ترجمه متون داخل جداول ترجمه شده است 
ترجمه ضمیمه ندارد 
ترجمه پاورقی ندارد 
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است
منابع داخل متن به صورت عدد درج شده است
منابع انتهای متن به صورت انگلیسی درج شده است

 

فهرست مطالب

چکیده

۱٫ مقدمه

۳٫ طراحی پلتفورم MultiRECloudSim

۳-۱ تکه ابر چند منبعی

۳-۲ سیاست اختصاص تکه ابر

۳-۳ زمان بندی تکه ابر چند منبعی و روش تخصیص منبع

۳-۴ شبیه سازی توان چند منبعی

۳-۵ تکه ابر چند منبعی مبتنی بر پیشرفت

۴٫ پیاده سازی MultiRECloudSim

۵٫ آزمایش ها و ارزیابی

۵-۱ حجم کار ایستا

۵-۲ حجم کار پویا

۶٫ بحث

۷٫ نتیجه گیری ها

منابع

 

بخشی از ترجمه

چکیده

زمان بندی منبع و مصرف انرژی دو مساله بسیار مهم در بحث رایانش ابری است. به دلیل مقیاس و پیچیدگی منابع مختلف، اغلب اجرای تحلیل نظری عملکرد و مصرف توان الکوریتم های زمان بندی و تامین منابع بر روی بسترهای تست (تست بد)  ابری دشوار است. بنابراین ساختارهای شبیه سازی به راه های مهمی برای ارزیابی کامل تبدیل شده اند. نرم افزار CloudSim محبوب ترین و قدرتمندترین پلتفورم شبیه سازی برای رایانش ابری است. با این حال، این نرم افزار نیازمند بهبود بیشتری است تا بتواند شبیه سازی های چند منبعی یا آگاه از انرژی را انجام دهد. برای غلبه بر این مشکل، نرم افزار CloudSim را همراه با یک زمان بندی چند منبعی و مدل مصرف توان توسعه داده ایم به طوری که امکان ارزیابی دقیق تر از مصرف توان در زمان بندی چند منبعی پویا را فراهم می کند. آزمایش های گسترده ای بر روی شش ترکیب الگوریتم اختصاص تسک (کار) انجام شده است و الگوریتم های اختصاص منبع عملکرد قدرتمند و راحتی برتر پلتفورم CloudSim توسعه یافته به نام MultiRECloudSim را نشان می دهند. ما به آسانی می توانیم آزمایش ها را برای یافتن کارآیی و مصرف توان الگوریتم ها تحت آرگومان های مختلف همراه با پلتفورم MultiRECloudSim گزارش کنیم.

 

۱٫ مقدمه

رایانش ابری [۲۶,۱۱,۳۱] به سرعت توجه بیشتر و بیشتری را در هر دو حوزه دانشگاهی و صنعت کسب کرده است. در فناوری رایانش ابری، ادغام سرور  روشی برای استفاده کارآمد از منابع سرور برای کاهش تعداد کل سرورهایی است که کاربران به آن ها نیاز دارند [۳۴]. رشد فرآیند ادغام سرورها به دلیل فناوری مجازی سازی  است، به طوری که به چندین ماشین مجازی  (VM) این توانایی را می دهد تا منابع فیزیکی موجود یک رایانه را به اشتراک بگذارند. کل منابع ماشین های مجازی که سرور یکسانی را به اشتراک گذاشته اند، نبایستی به منابع آن سرور برسد در حالی که تعداد سرورها می بایست تا حد امکان کم باشد. مجازی سازی سرور  روش های فنی را برای ادغام چندین سرور ارائه می کند و افزایش کاربری و صرفه جویی در انرژی را به ارمغان می آورد. همانند زمان بندی منابع برای تسک ها، تامین منابع  شامل دو برنامه تامین برای اختصاص منابع در ابر است. این ها شامل برنامه بلند مدت ذخیره سازی  و برنامه کوتاه مدت مبتنی بر تقاضا  است [۹]. 

 

۷٫ نتیجه گیری ها 

به دلیل پشتیبانی از ارزیابی مقیاس پذیر، کارآمد و قابل تکرار سیاست های زمان بندی منبع و تخصیص برای کاربردهای مختلف، استفاده از ابزارهای شبیه سازی همانند CloudSim از محبوبیت بیشتری برخوردار شده است. ارزیابی سریع الگوریتم های زمان بندی و تخصیص منابع در مراکز داده در دسترس قرار گرفته است. بنابراین، ساختار جدیدی شبیه سازی مبتنی بر CloudSim را ارائه می کنیم که از مدل سازی زمان بندی چند منبعی و مصرف توان پشتیبانی می کند. آزمایش شبیه سازی ابر با استفاده از MultiRECloudSim دارای اولویت های آشکاری است: (۱) ما می توانیم پیکربندی میزبان و مدل های توان منابع را به آسانی تغییر دهیم و اثر الگوریم را تحت پارامترهای مختلف تست کنیم. (۲) ما شبیه سازی تسک هایی که نیازمند انواع مختلف منابع است را ساده می کنیم و الگوریتم های مختلف تخصیص منبع را همراه با ارزیابی تعریف می کنیم. (۳) ما می توانیم آزمایش بار ایستا و بار پویا را تغییر دهیم. (۴) ما از شبیه سازی توان منابع متعدد پشتیبانی می کنیم. این کار در مقایسه با شبیه سازی توان CPU تک منبعی دقیق تر است. علاوه بر این، ما ترکیب های متعدد الگوریتم های اختصاص تسک و الگوریتم های مختلف اختصاص CPU را از نظر زمان، مصرف توان و نقض SLA با یکدیگر مقایسه می کنیم. نتیجه حاصل به درک کارآیی، مصرف توان و عملکرد کیفیت سرویس الگوریتم های زمان بندی کمک می کند. الگوریتم پیشنهادی اختصاص توازن تسک چند منبعی سبب افزایش بهره بردرای از منابع مرکز داده می شود و توان عملیاتی و کیفیت سرویس را بهبود می دهد.

 

بخشی از مقاله انگلیسی

Abstract

Resource scheduling and energy consumption are the two of most significant problems in cloud computing. Owing to the scale and complexity of various resources, it is often difficult to conduct the theoretical analysis of the performance and power consumption of scheduling and resource provisioning algorithms on Cloud testbeds. Thus, simulation frameworks are becoming important ways to complete evaluation. CloudSim is one of the most popular and powerful simulation platforms for cloud computing. However, it requires much improvement to enable CloudSim to perform multi-resource or energy-aware simulations. To overcome this problem, we have extended CloudSim with a multi-resource scheduling and power consumption model, which allows more accurate valuation of power consumption in dynamic multi-resource scheduling. Extensive experiments on six combinations of task assignment algorithms and resource allocation algorithms demonstrate the powerful functionality and superior convenience of the extended CloudSim, MultiRECloudSim. Different task assignment and resource scheduling policies will bring about very different energy cost. We could easily repeat the experiment to find out the efficiency and the power consumption of the algorithms under diverse arguments with MultiRECloudSim.

 

۱ Introduction

Cloud computing [2,6,11,31] has rapidly attracted more and more attention in both academic and industry community. In cloud computing, server consolidation is an approach to the efficient usage of server resources in order to reduce the total number of servers that user requires [34]. The growth of server consolidation is owing to virtualization technology which enables multiple VMs to share the physical resources of a computer. The total resources of VMs shared the same server must not exceed that of the server while the number of servers is required to be as small as possible. Server virtualization provides technical ways to consolidate multiple servers bringing about increased utilization and energy saving. As for resource scheduling for tasks, Resource provisioning consists of two provisioning plan for allocating resources in cloud. These are long term Reservation plan and short term On-demand plan [9].

 

۷ Conclusions

Owing to the support for flexible, scalable, efficient, and repeatable evaluation of resource scheduling and allocation policies for different applications, using simulation tools such as CloudSim is becoming more and more popular. Fast evaluation of scheduling and resource allocation algorithms within data centers becomes available. Therefore, we present a novel CloudSim-based simulation framework which supports the modeling of multi-resource scheduling and power consumption to make up the shortcomings of CloudSim in these aspects. Cloud simulation experiment with MultiRECloudSim has obvious priorities. (1) We can change configuration of host and power models of resources easily, and test the effect of algorithm under different parameters. (2) We simply simulate tasks that demand multi kinds of resources and define different resource allocation algorithms with fine-grained evaluation. (3) We could seamlessly switch static load and dynamical load experiment, which makes it able to simulate more actual scenes. (4) We support the power simulation of multi-resources. It is more accurate compared with single resource CPU power simulation. Additionally, in our work, we compare multiple combinations of task assignment algorithms and CPU allocation algorithms with each other from the aspects of time, power consumption and SLA violation. The result helps us to know more about the efficiency, power consumption and service quality’s performance of the scheduling algorithms. Our proposed Main Resource Task Balance assignment algorithm raise the data center’s resource utilization effectively and improve the throughput as well as service quality.

 

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

زمان بندی چند منبعی و شبیه سازی توان برای رایانش ابری

عنوان انگلیسی مقاله:

Multi-Resource Scheduling and Power Simulation for Cloud Computing

 

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا