دانلود ترجمه مقاله تثبیت در ابر و اجرای آزمایشی جهت زمان بندی کارهای موازی – مجله الزویر

elsevier

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی

 

عنوان فارسی مقاله:

زمان بندی شغل های موازی با اجراهای آزمایشی و ادغام در ابر

عنوان انگلیسی مقاله:

Scheduling parallel jobs with tentative runs and consolidation in the cloud

  • برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
  • برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار  ۲۰۱۵
تعداد صفحات مقاله انگلیسی  ۱۱ صفحه با فرمت pdf
رشته های مرتبط با این مقاله  مهندسی صنایع، مهندسی کامپیوتر
گرایش های مرتبط با این مقاله  برنامه‌ریزی و تحلیل سیستم‌ها، معماری سیستم های کامپیوتری، مهندسی الگوریتم ها و محاسبات، بهینه سازی سیستم ها و رایانش امن
مجله مجله سیستم ها و نرم افزار (Journal of Systems and Software)
دانشگاه   دانشکده مدیریت و سیستم اطلاعاتی، دانشگاه ملی فناوری دفاع، چانگشا، چین 
کلمات کلیدی رایانش ابری، زمان بندی شغلی موازی، ادغام حجم کار
شناسه شاپا یا ISSN ISSN ۰۱۶۴-۱۲۱۲
رفرنس دارد
لینک مقاله در سایت مرجع لینک این مقاله در سایت ساینس دایرکت
نشریه Elsevier

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت ۱۴ B Nazanin ۲۸ صفحه
ترجمه عناوین تصاویر ترجمه شده است
ترجمه متون داخل تصاویر ترجمه نشده است
درج تصاویر در فایل ترجمه درج شده است
درج فرمولها و محاسبات در فایل ترجمه به صورت عکس درج شده است

 


  • فهرست مطالب:

 

 چکیده
۱ مقدمه
۲ کارهای مرتبط
۱ ۲ روشهای زمان بندی شغلی موازی سنتی
۲ ۲ زمان بندی شغلی موازی با اجرای آزمایشی
۳ ۲ زمان بندی شغل موازی در محیط های مجازی
۳ الگوریتم های زمان بندی
۱ ۳ معماری VM دو ردیفه برای ادغام حجم کار موازی مبتنی بر اولویت
۲ ۳ الگوریتم پایه
۱ ۲ ۳ شرح الگوریتم
۲ ۲ ۳ مثال
۳ ۳ الگوریتم اصلاح شده
۱ ۳ ۳ شرح و وصف الگوریتم
۲ ۳ ۳ مثال
۴ ارزیابی
۱ ۴ روش ارزیابی
۲ ۴ نتایج ارزیابی
۳ ۴ بحث
۱ ۳ ۴ تاثیر صحت برآورد مصرف CPU
۲ ۳ ۴ تاثیر مصرف متوسط CPU فرایندهای موازی
۵ نتایج و کار آتی


  • بخشی از ترجمه:

 

اجرای برنامه های کاربردی موازی در ابر در حال حاضر مشهورتر می شود. برای فراهم کنندگان ابری، دستیابی به پاسخدهی شغل های موازی و مصرف بالای پردازنده در یک زمان چالش برانگیز می باشد. در این مقاله، معماری VM دو ردیفه اولویت بندی شده برای سازماندهی VM ها جهت اجرای شغل های موازی را معرفی کردیم. ردیف پیش زمینه VM ها، اولویت CPU بالاتری نسبت به ردیف پس زمینه VMها دارد. عملکرد شغل های اجرایی در VM های پیش زمینه نزدیک به شغل های اجرایی در پردازنده های تخصیص داده شده می باشد ( کمتر از ۴ درصد اتلاف و از دست دادن عملکرد)، ضمناً، شغل های اجرایی در VM های پس زمینه، می توانند از چرخه های بیکار CPU به خوبی استفاده کنند. در اینجا یک الگوریتم زمان بندی به نام برای بهره گیری از افزایش ظرفیت محاسباتی فراهم شده توسط معماری VM دو ردیفه ارائه نمودیم. الگوریتم ACFCFS پیشنهادی، الگوریتم FCFS را توسعه داده و کلیه محاسن FCFS، نظیر عدم گرسنگی، عدم نیاز به برآورد زمان اجرای شغل، پیاده سازی راحت و عدم مهاجرت شغل را حفظ می کند. ارزیابی انجام شده نشان داد ACFCFS بهتر از FCFS عمل کرد و به عملکرد قابل قیاس با الگوریتم EASY مبتی بر برآورد زمان اجرا دست می یابد. ACFCFS از این لحاظ پایدار می باشد که امکان برآورد مصرف نادرست CPU فرایندهای موازی و چرخه های بیکار موجود پائین CPU را فراهم می آورد.
در کار آتی، از مکانیزم هایی استفاده خواهیم کرد که قادر به تقسیم بندی ظرفیت محاسباتی پردازنده به k ردیف می باشند که این مسئله مصرف پردازنده و پاسخ دهی برای حجم کار موازی در ابر را بهبود می بخشد. مسئله دیگر آن است که در مرکز داده بزرگ، فرایندهای شغلی بایستی به گره های نزدیک به یکدیگر اختصاص داده شوند تا بدین طریق هزینه های ارتباطی به حداقل رسانده شود. در آخر گره چند هسته ای امروزه در همه جا حاضر است، زمان بندی شغلی موازی تحت این معماری، شایسته تحقیق بیشتر می باشد.


  • بخشی از مقاله انگلیسی:

. Introduction Recently, it is common for high performance computing (HPC) parallel applications to run in the cloud mainly due to the easy-to-use and cost-effective run way provided by the cloud computing paradigm. In addition, infrastructure as a service (IaaS) providers (such as Amazon EC2) now provide HPC instances1 to cater for HPC parallel applications. For a cloud provider, carefully scheduling parallel jobs submitted by users is essential to guarantee its quality of service (QoS) (Bui et al., 2010; Zhu et al., 2011). First-come first-serve (FCFS) (Schwiegelshohn and Yahyapour, 1998) and Extensible Argonne Scheduling sYstem (EASY) (Lindsay et al., 2013; Mu’alem and Feitelson, 2001) are the two most widely used parallel job scheduling methods, they are both easyto-implement and fair (Etsion and Tsafrir, 2005). Users continuously submit their jobs into the waiting queue of the resource allocator, FCFS/EASY (or other scheduling algorithms) assign them into physical processors for run, as shown in Fig. 1(a). EASY relies on job’s process number and the estimation of job’s runtime, however the runtime of a job running in a cloud cannot be well estimated because: 1. Ubiquitous random factors within a parallel job make the range of its runtime extremely wide. ∗ Corresponding author. Tel.: +86 8 4573 389 8021. E-mail address: nudt200203012007@163.com (X. Liu). 1 Amazon aws. http://aws.amazon.com/ . 2. The capacity of the computing resource is hidden and thus unknown to users, hence, the runtime estimation is beyond the users. For EASY, over-estimation may lead to a long wait time and possibly to excessive CPU quota loss, while under-estimation may lead to a risk that the job will be killed before its termination (Mu’alem and Feitelson, 2001). FCFS only needs job’s process number and does not require job’s runtime information to make scheduling decisions, but it suffers from severe processor fragmentation problem. If currently free processors cannot meet the requirements of the head job, these free processors therefore remain idle. Moreover, both FCFS and EASY do not consider the idle CPU cycles caused by parallel jobs themselves. Parallel jobs often involve computing, communication and synchronization phases. A process in a parallel job may frequently wait for the data from other processes, during waiting, the CPU utilization is low. In this paper, we design an algorithm named aggressive consolidation-based first-come first-serve (ACFCFS) which intends to achieve the following goals: 1. Preserve the FCFS order of jobs when processors are available. 2. Do not need job’s runtime estimation. 3. Do not need the support of job migration, which migrates part of (or all) the processes of a job from their original processors to new ones, either through a static way or a dynamic way. 4. Can effectively use the idle CPU cycles caused by the parallel jobs themselves. 5. Produce comparable performance to EASY. ACFCFS can be characterized in twofold: 1. It employs tentative run rather than job migration to alleviate the pain of processor fragmentation. Tentative run is a try to find chances to make use of the idle CPU cycles, it is a type of run which should be killed later once it violates the scheduling rules. 2. It uses parallel workload consolidation to make use of the idle CPU cycles caused by parallel jobs themselves. Parallel workload consolidation combines parallel workloads of different servers on a set of target servers to improve the utilization of computing resources. We proposed a prioritized two-tier processor partition method to organize virtual machines (VMs) in Liu et al. (2013) for parallel workload consolidation in this paper. The two-tier VMs have different CPU priorities, the one with high CPU priority is named foreground VM and the one with low CPU priority is named background VM. A foreground VM and a background VM are pinned to one physical processor. In this prioritized twotier VMs architecture, through experiments on collocating VMs running different parallel jobs, we found that there is little performance degradation (less than 4%) of jobs running in foreground VMs and meanwhile jobs running in background VMs can effectively make use of the remaining compute capacity left from the foreground VMs. Based on the tentative run technique and the parallel workload consolidation method supported by the prioritized two-tier VMs architecture, our parallel job scheduling system is depicted by Fig. 1(b). ACFCFS needs users to specify job’s process number and CPU utilization estimation of job’s processe(s), the scheduling of ACFCFS happens in the two tier VMs. More specifically, FCFS and SMallest-Job-First (SMJF) work together to schedule jobs onto the foreground tier VMs, and SMJF is employed to let job of lower parallelism (with less parallel processes) run first in the background tier. Jobs scheduled by SMJF are for tentative runs while jobs scheduled by FCFS are for formal runs.


 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی

 

عنوان فارسی مقاله:

تثبیت در ابر و اجرای آزمایشی جهت زمان بندی کارهای موازی

عنوان انگلیسی مقاله:

Scheduling parallel jobs with tentative runs and consolidation in the cloud

  • برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
  • برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

 

 

ارسال دیدگاه

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