دانلود ترجمه مقاله برنامه ریزی کاهشی محل‌ جهت نگاشت‌ کاهش – مجله ACM

acm2

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی

 

عنوان فارسی مقاله:

زمانبندی وظیفه کاهشی محل‌ برای نگاشت‌ کاهش (MapReduce)

عنوان انگلیسی مقاله:

Locality-Aware Reduce Task Scheduling for MapReduce

  • 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 مقاله  ۲۰۱۱
تعداد صفحات مقاله انگلیسی  ۷ صفحه با فرمت pdf
رشته های مرتبط با این مقاله  مهندسی کامپیوتر و مهندسی فناوری اطلاعات IT
گرایش های مرتبط با این مقاله  رایانش ابری، شبکه های کامپیوتری، برنامه نویسی کامپیوتر، مهندسی نرم افزار و مهندسی الگوریتم ها و محاسبات
مجله مربوطه  سومین کنفرانس بین المللی علوم و فناوری پردازش ابری
دانشگاه تهیه کننده  دانشگاه کارنگی ملون، قطر
لینک مقاله در سایت مرجع لینک این مقاله در سایت ACM
نشریه ACM

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت ۱۴ B Nazanin ۲۴ 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
۱- مقدمه
۲- پس‌زمینه : زمان‌بندی هدوپ
۳- آمیختگی اولیه در هدوپ
۴- زمانبند کاری LARTS
الف) انگیزه
ب) LARTS و انتقال اولیه
ج) حداکثر رک‌ها و حداکثر گره‌ها : محل و رابطۀ جایگزینی
هـ) یک نمونۀ کاری
۵- ارزیابی کمی
الف) روش‌شناختی
ب) مقایسه با هدوپ داخلی
ج) مطالعۀ حساسیت
۶- پژوهش مرتبط
۷- نتیجه‌گیری و دستورالعمل‌های آتی


  •  بخشی از ترجمه:

 

۷- نتیجه‌گیری و دستورالعمل‌های آتی
در این پژوهش، ما زمانبند وظیفۀ کاهشی جدیدی را برای نگاشت‌کاهش موسوم به زمانبند وظیفۀ کاهشی محل‌آگاه (LARTS) پیشنهاد نمودیم. LARTS محل‌های شبکه و اندازه‌های پارتیشن‌های کاهنده در تصمیمات زمانبندی را به منظور حذف ترافیک شبکه و بهبود عملکرد نگاشت‌کاهش تلفیق می‌کند. به منظور اجتناب از تاخیر، چولگی و استفادۀ سیستمی ضعیف از زمانبندی و میزان همسویی اندک، LARTS از راهبرد ملایم‌سازی و تفکیک برخی وظایف کاهشی میان چندین گرۀ خوشه‌ای بهره گرفته است. LARTS ترافیک گرۀ داخلی، رک داخلی و خارج از رک را برحسب میانگین ۳۴٫۴، ۰٫۳۲ و ۷٫۵ درصد در مقابل هدوپ داخلی بهبود می‌بخشد. این روند حاکی از بهبود عملکرد ۷ درصد و تا ۱۱٫۶ درصد است.
پس از نشان دادن جنبه‌های LARTS، به چهار راهبرد اصلی آتی پرداختیم. ابتدا، نقاط مرکزی می‌توانند به صورت پویا به جای استاتیک جانمایی شوند. دوم، LARTS می‌تواند برای وظایف گمانی علاوه بر وظایف منظم به کار رود. سوم، ما اساساً LARTS را مسئول تسهیم محیط محاسباتی (یا ناهمگن) با خوشۀ مقیاس بزرگ پیش‌بینی می‌کنیم. ما قصد کشف پتانسیل LARTS در چنین محیطی را داریم. در نهایت، برنامه‌های علمی به طور معمول چولگی مجموعه داده‌های خود را نشان می‌دهند. برای نمونه، ایکانایاک و همکاران ]۲۰[ چولگی در برنامه‌های کاربردی انفورماتیک زیستی و تحلیل تاثیر آن بر ساز و کارهای زمانبندی را نشان می‌دهد. در این پژوهش، به تایید قابلیت LSRT با یکی از مجموعه داده‌های دارای چولگی پرداختیم (یعنی sort2). بررسی و تحلیل LARTS با برنامه‌های کاربردی علمی مختلف با آنچه که در ]۲۰[ و ]۱۷[ بررسی شد نیز ، سمت سوی ضروری آتی محسوب می‌شود.


  • بخشی از مقاله انگلیسی:

 

VII. CONCLUDING REMARKS AND FUTURE DIRECTIONS

In this work, we propose a novel reduce task scheduler for MapReduce, namely Locality-Aware Reduce Task Scheduler (LARTS). LARTS incorporates network locations and sizes of reducers’ partitions in its scheduling decisions in order to mitigate network traffic and improve MapReduce performance. To avoid scheduling delay, scheduling skew, poor system utilization, and low degree of parallelism, LARTS employs a relaxation strategy and fragments some reduce tasks among several cluster nodes. LARTS improves node-local, racklocal, and off-rack traffic by 34.4%, 0.32%, and 7.5%, on average, versus native Hadoop. This translates to an average performance improvement of 7%, and up to 11.6%. After demonstrating the prospects of LARTS, we set forth four main future directions. First, sweet spots can be located dynamically rather than statically. Second, LARTS can be applied to speculative tasks in addition to regular ones. Third, we essentially foresee LARTS amenable to shared (or heterogeneous) computation environment with a large-scale cluster. We intend to explore LARTS’s potential in such an environment. Finally, scientific applications usually exhibit skew in their data sets. For instance, Ekanayake et al. [20] recognized skew in bioinformatics applications and analyzed its influence on scheduling mechanisms. In this piece of work, we verified LARTS’s capability with one skewed data set (i.e., sort2). Testing and analyzing LARTS with various scientific applications comparable to those examined in [20] and [17] is also an imperative future direction.


 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی

 

عنوان فارسی مقاله:

زمانبندی وظیفه کاهشی محل‌ برای نگاشت‌ کاهش (MapReduce)

عنوان انگلیسی مقاله:

Locality-Aware Reduce Task Scheduling for MapReduce

  • 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.

 

دانلود رایگان مقاله انگلیسی

 

خرید ترجمه فارسی مقاله

ارسال دیدگاه

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