دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
عنوان فارسی مقاله: |
استراتژی هوشمند زمانبندی وظیفه برای تعادل بار در محاسبات ابری |
عنوان انگلیسی مقاله: |
Intelligent Strategy of Task Scheduling in Cloud Computing for Load Balancing |
|
مشخصات مقاله انگلیسی (PDF) | |
سال انتشار مقاله | 2013 |
تعداد صفحات مقاله انگلیسی | 11 صفحه با فرمت pdf |
رشته های مرتبط با این مقاله | مهندسی کامپیوتر |
گرایش های مرتبط با این مقاله | رایانش ابری و مهندسی الگوریتم ها و محاسبات |
مجله مربوطه | مجله بین المللی روندهای در حال ظهور و فناوری در علوم کامپیوتر |
دانشگاه تهیه کننده | دانشگاه Menoufia، دانشکده کامپیوتر و اطلاعات، مصر |
کلمات کلیدی این مقاله | محاسبات ابری، برنامه ریزی کار، بهینه سازی کلونی مورچه، حفظ تعادل بار |
رفرنس | دارد |
نشریه | IJETTCS |
مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت 14 B Nazanin | 24 صفحه |
ترجمه عناوین تصاویر و جداول | ترجمه شده است |
ترجمه متون داخل تصاویر | ترجمه نشده است |
ترجمه متون داخل جداول | ترجمه نشده است |
درج تصاویر در فایل ترجمه | درج شده است |
درج جداول در فایل ترجمه | درج شده است |
- فهرست مطالب:
چکیده
1. مقدمه
2. پیشزمینه و کارهای پیشین
2-1. محیط محاسبات ابری
2-2. مسئله بهینهسازی ترکیبی
2-3. الگوریتمهای مورچه
2-4. کارهای پیشین
3. CLOUDSIM
3-1. ویژگیهای Cloudsim
3-2. جریان داده Cloudsim
3-3. بستر Cloudsim
4. زمانبندی ابر مبتنی بر ACO، MACO و MACOLB
4-1. زمانبندی ابر مبتنی بر ACO
4-1-1. مقداردهی اولیه فرمون
4-1-2. قانون انتخاب VM برای وظیفه بعدی
4-1-3. بهروزرسانی فرمون
4-2. زمانبندی ابر مبتنی بر MACO
الف) قانون انتخاب VM برای وظیفه بعدی
ب) بهروزرسانی فرمون محلی
ج) بهروزرسانی فرمون سراسری
د) پارامتر کنترل α
4-3. زمانبندی ابر بر اساس MACOLB
5. پیادهسازی و نتایج تجربی
5-1. تنظیم پارامترهای Cloudsim
5-2. ارزیابی و تنظیم پارامترهای ACO
5-3. پیادهسازی نتایج ACO، MACO و MACOLB
6. نتیجهگیری و کارهای آینده
- بخشی از ترجمه:
6. نتیجهگیری و کارهای آینده
در این مقاله الگوریتم MACOLB برای بهبود زمانبندی وظایف ابر برای حفظ تعادل بار ارائه شده است. MACOLB برای پیدا کردن تخصیص منابع بهینه برای وظایف دستهای در سیستم ابر پویا و به حداقل رساندن makespan وظایف در کل سیستم استفاده میشود. الگوریتم پیشنهادی از همان معیارهای خود سازگار برای پارامترهای کنترل MACO استفاده میکند اما دارای یک عامل تعادل بار اضافه میباشد. الگوریتمهای MACOLB، MACO و ACO در برنامههای کاربردی با تعدادی از وظایف مختلف از 100 تا 1000 با استفاده ابزار Cloudsim ارزیابی شدهاند. در مرحله اول بهترین مقادیر پارامترها برای الگوریتم ACO، به صورت تجربی تعیین میشوند. سپس makespan از الگوریتمهای بالا مورد بررسی قرار گرفته است. نتایج شبیهسازی نشان داد که الگوریتم MACOLB بهتر از الگوریتم MACO و ACO میباشد. الگوریتم MACOLB را میتوان با بهبود در رسیدگی به اولویت بین وظایف و هزینه منابع توسعه داد. همچنین مقایسهای بین رویکرد پیشنهادی و دیگر روشهای متا اکتشافی میتواند انجام شود.
- بخشی از مقاله انگلیسی:
6.CONCLUSIONS AND FUTURE WORK
In this paper MACOLB algorithm has been proposed to improve the cloud tasks scheduling for load balancing. MACOLB is used to find the optimal resource allocation for batch tasks in the dynamic cloud system and minimize the makespan of tasks on the entire system. The proposed algorithm uses the same self-adapting criteria for the MACO control parameters but has an added load balancing factor. MACOLB, MACO and ACO algorithms in applications with the number of tasks varying from 100 to 1000 evaluated using Cloudsim toolkit. Firstly the best values of parameters for ACO algorithm, experimentally determined. Then the makespan of the above algorithms evaluated. Simulation results demonstrate that MACOLB algorithm outperforms MACO and ACO algorithms. MACOLB algorithm can be extended with improvements to handle precedence between tasks and costs of resources. Also the comparison between our approach and other metaheuristics approaches will be performed.
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
|
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
عنوان فارسی مقاله: |
استراتژی هوشمند زمانبندی وظیفه برای تعادل بار در محاسبات ابری |
عنوان انگلیسی مقاله: |
Intelligent Strategy of Task Scheduling in Cloud Computing for Load Balancing |
|