| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
بهبود پردازش داده های موازی مبتنی بر گراف وظایف جهت تخصیص منابع پویا در ابر |
| عنوان انگلیسی مقاله: |
Improved Task Graph-based Parallel Data Processing for Dynamic Resource Allocation in Cloud |
|
|
| مشخصات مقاله انگلیسی (PDF) | |
| سال انتشار | 2012 |
| تعداد صفحات مقاله انگلیسی | 7 صفحه با فرمت pdf |
| رشته های مرتبط با این مقاله | مهندسی کامپیوتر و مهندسی فناوری اطلاعات |
| گرایش های مرتبط با این مقاله | نرم افزار، معماری سیستم های کامپیوتری، معماری سازمانی و رایانش امن |
| مجله | مهندسی (Engineering) |
| دانشگاه | مهندسی نرم افزار، دانشگاه فناوری Anna، تیروچیراپالی، هند |
| کلمات کلیدی | پردازش داده های موازی؛ ابر IaaS، گراف وظایف، محیط ناهمگن، تعادل و توزیع بار |
| شناسه شاپا یا ISSN | ISSN 1877-7058 |
| 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 14 B Nazanin | 10 صفحه |
| ترجمه عناوین تصاویر | ترجمه شده است |
| ترجمه متون داخل تصاویر | ترجمه نشده است |
| درج تصاویر در فایل ترجمه | درج شده است |
- فهرست مطالب:
چکیده
1 مقدمه
2 کارهای مرتبط
3 سیستم پیشنهادی
1 3 مدیر شغل (JM)
2 3 مدیر وظایف (TM)
3 3 متعادل کننده بار
4 شرح شغل، زمان بندی و اجرا
1 4 گراف شغل
2 4 تیپ های کانال
3 4 گراف اجرا
5 نتیجه گیری
- بخشی از ترجمه:
در این فصل، یک معماری برای پردازش کارآمد داده های موازی در محیط های ابر با بهره برداری از تامین منابع پویای عرضه شده توسط ابرهای IaaS امروز مطرح کرده ایم. ابر به یک پلتفرم بحرانی برای تقریباً همه برنامه های مبتنی بر وب تبدیل شده است. بنابراین، به عقیده ما، کار حاضر برای اطمینان از پردازش کارآمد داده ها در ابر، یک تابعیت ضروری به ابر IaaS اضافه می کند.
برای اطمینان از انطباق (تطابق) خودکار با کم بهره گیری یا بیش بهره گیری از منابع (استفاده کم و زیاد)، مفهوم تعادل بار را معرفی کرده ایم. در آینده، قصد داریم عملکردش را ارزیابی و آن را با چارچوب های پردازش داده های موجود مقایسه کنیم.
- بخشی از مقاله انگلیسی:
In recent years large-set parallel data processing has gained quantum as one of the predominant applications of Infrastructure-as-a-Service (IaaS) clouds. Data processing frameworks like Google’s MapReduce and its open source implementation Hadoop, Microsoft’s Dryad and so on are currently in use for parallel data processing in cloud-based companies. But the problem with them is that they are designed for homogeneous environments like clusters and disregard the dynamic and heterogeneous nature of a cloud. As a result, allocation and de-allocation of compute nodes at runtime is ineffective thereby increasing processing time and cost. In this paper we present our approach towards parallel data processing exploiting dynamic resource allocation in IaaS clouds. Our architecture ensures parallel data processing using Directed Acyclic task graph. To reduce the latency and to improve throughput, load balancing is introduced in the architecture. Incoming jobs are divided into tasks that are assigned to different types of virtual machines that are dynamically instantiated and terminated during job execution.
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
بهبود پردازش داده های موازی مبتنی بر گراف وظایف جهت تخصیص منابع پویا در ابر |
| عنوان انگلیسی مقاله: |
Improved Task Graph-based Parallel Data Processing for Dynamic Resource Allocation in Cloud |
|
|
