| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
ESAMR : الگوریتم زمانبندی پیشرفته خودتطبیقی نگاشت‌کاهش (MapReduce) |
| عنوان انگلیسی مقاله: |
ESAMR: An Enhanced Self-Adaptive MapReduce Scheduling Algorithm |
|
|
| مشخصات مقاله انگلیسی (PDF) | |
| سال انتشار | 2012 |
| تعداد صفحات مقاله انگلیسی | 8 صفحه با فرمت pdf |
| رشته های مرتبط با این مقاله | مهندسی کامپیوتر |
| گرایش های مرتبط با این مقاله | مهندسی الگوریتم ها و محاسبات، برنامه نویسی کامپیوتر و مهندسی نرم افزار |
| مجله | هیجدهمین کنفرانس بین المللی سیستم های موازی و توزیع شده |
| دانشگاه | گروه مهندسی و علوم کامپیوتر، دانشگاه نبراسکا، لینکلن |
| کلمات کلیدی | نگاشت‌کاهش (MapReduce)، اجرای دوبارۀ حدسی وظایف، ناهمگن |
| شناسه شاپا یا ISSN | ISSN 1521-9097 |
| رفرنس | دارد |
| لینک مقاله در سایت مرجع | لینک این مقاله در سایت IEEE |
| نشریه | IEEE |
| مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
| تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت 14 B Nazanin | 22 صفحه |
| ترجمه عناوین تصاویر و جداول | ترجمه شده است |
| ترجمه متون داخل تصاویر | ترجمه نشده است |
| ترجمه متون داخل جداول | ترجمه شده است |
| 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 |
- فهرست مطالب:
چکیده
1- مقدمه
2- پس‌زمینه
الف) مفاهیم اصلی نگاشت‌کاهش
ب) سازو کارهای موجود اجرای مجدد
3- الگوریتم ESAMR
4- ارزیابی
5- نتیجه‌گیری
- بخشی از ترجمه:
5- نتیجه‌گیری
به منظور غلبه بر محدودیت‌های ساز و کارهای اجرای دوبارۀ نگاشت‌کاهش موجود، در این مقاله به ESAMR به عنوان الگوریتم زمانبندی پیشرفتۀ نگاشت‌کاهش خودتطبیقی اشاره کردیم که از الگوریتم خوشه‌بندی K-means برای طبقه‌بندی اطلاعات گذشته در قالب خوشه‌های K استفاده کرده و سپس برآورد دقیق‌تری از اوزان مراحل کار ارائه می‌کند تا به درستی کارهای کند و اجرای دوبارۀ آنها را تشخیص دهد. نتایج تجربی حاکی از کارآیی ESAMR است.
- بخشی از مقاله انگلیسی:
V. CONCLUSION
To overcome the limitations of existing MapReduce reexecution mechanisms, in this paper we develop ESAMR: an Enhanced Self-Adaptive MapReduce scheduling algorithm, which uses k-means clustering algorithm to classify historical information into k clusters and thus generates more accurate estimation of task’s stage weights to correctly identify slow tasks and re-execute them. Experimental results have shown the effectiveness of ESAMR.
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
الگوریتم برنامه ریزی زمانی خودتطبیقی نگاشت کاهش |
| عنوان انگلیسی مقاله: |
ESAMR: An Enhanced Self-Adaptive MapReduce Scheduling Algorithm |
|
|