این مقاله انگلیسی ISI در نشریه اسپرینگر در 15 صفحه در سال 2016 منتشر شده و ترجمه آن 27 صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

مشخصات مقاله انگلیسی (PDF)
سال انتشار مقاله	2016
تعداد صفحات مقاله انگلیسی	15 صفحه با فرمت pdf
رشته های مرتبط با این مقاله	مهندسی کامپیوتر
گرایش های مرتبط با این مقاله	رایانش ابری، معماری سیستم های کامپیوتری و مهندسی نرم افزار
مجله مربوطه	مجله محاسبات ابری – Journal of Cloud Computing
دانشگاه تهیه کننده	گروه مهندسی برق و کامپیوتر، دانشگاه نوتردام، لبنان
کلمات کلیدی این مقاله	پیش بینی عملکرد، تحلیل عملکرد، تکرار K میانگین هادوپ
رفرنس	دارد
شناسه شاپا یا ISSN	ISSN 2192-113X
لینک مقاله در سایت مرجع	لینک این مقاله در سایت Springer
نشریه اسپرینگر

• فهرست مطالب:

چکیده
مقدمه
کلیات K میانگین هادوپ
کارهای مرتبط
خصوصیات عملکرد با استفاده از پلتفرم مبتنی بر Intel Xeon
1) پیکره بندی پلتفرم
2) نیازهای اندازه مسئله
3) مقیاس بندی هسته و سوکت
4) مقیاس بندی فرکانس هسته
6) مقیاس بندی کش سطح آخر
7) مقیاس بندی اندازه داده ورودی
8) مقیاس بندی حافظه و اندازه هیپ
خصوصیات عملکرد با استفاده از پلتفرم AMD interlagos
نتیجه گیری

• بخشی از ترجمه:

نتیجه گیری
در این مقاله، تحلیل مفصل خصوصیات عملکرد برای K میانگین هادوپ با استفاده از پردازنده های مبتنی بر Intel و AMD را مطرح کردیم. در اینجا یک مدل پیش بینی برای حجم کار K میانگین هادوپ نیز پیشنهاد کردیم. ثابت شده است که مدل پیش بینی می تواند عملکرد و زمان اجرا را با حاشیه خطای <5% برای کلیه موارد تست شده، پیش بینی نماید. مدل پیشنهادی برای پذیری هر گونه تغییرات در پارامترهای میکرومعماری پردازنده و برآورد عملکرد یا زمان اجرا انعطاف پذیر می باشد. مدل پیشنهادی نیازی به هیچ گونه شبیه سازی ندارد و درعوض نیازمند نمونه برداری مبتنی بر اثر و رد برای حجم کار می باشد. در کار آتی، می توانیم این شیوه را برای حجم کارهای مختلف چارچوب هادوپ نظیر تعداد کلمه پیاده نموده و خصوصیات کاملاً مفصل عملکرد راپیاده نماییم. این مدل را می توان توسعه و تاخیر IO نظیر تاخیر شبکه و دیسک را لحاظ نمود. این مقاله بر عملکرد پردازنده به استثنای هر گونه تاخیر IO تمرکز می کند، به این دلیل اندازه ورودی انتخاب شده 28GB بود که کمتر از اندازه حافظه سیستم یعنی 32GB می باشد. برای تحلیل عملکرد AMD Interlagos و Intel Xeon، به این نتیجه می رسیم که عملکرد Intel Xeon 38 درصد بهتر از AMD Interlagos می باشد. مقیاس بندی هسته و سوکت در اکثر موارد اندازه گیری شده تقریباً خطی است، نتیجه نمونه در مورد پردازنده Intel Xeon کاربرد دارد. برای مقیاس بندی خوشه هر هسته، عملکرد پردازنده AMD Interlagos، در حدود 60 درصد افزایش می یابد.

• بخشی از مقاله انگلیسی:

Conclusion

In this paper, we presented a detailed performance characterization analysis for Hadoop K-means using Intel and AMD based processors. We also proposed a projection model for Hadoop K-means workload. The projection model is verified to project performance and runtime with 5 % error margin for all tested cases. The model is flexible to accept any changes in processor micro-architecture parameters and estimate performance or runtime. The model does not require any simulation which in turn requires trace based sampling for the workload. In future work, we can implement the same approach for different Hadoop framework workloads such as word count and implement a full details performance characterization. The model can be expanded to include IO latency such as disk and network latency. The focus of this paper is on the processor performance excluding any IO latency, this is why the input size selected was 28GB which is less than the system memory size of 32GB. For AMD Interlagos versus Intel Xeon performance analysis, we conclude that there is about 38 % better performance for Intel Xeon as compared to AMD Interlagos. The socket and core scaling is almost linear in most measured cases, the sample conclusion applied to Intel Xeon Processor. For cluster-percore scaling, there is about 60 % increase in performance for AMD Interlagos processor.

دانلود رایگان مقاله انگلیسی          خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله ویژگی کارایی جهت تکرار K میانگین هادوپ (اسپرینگر ۲۰۱۶) (ترجمه ویژه – طلایی ⭐️⭐️⭐️) اولین بار در ترجمه فا پدیدار شد.

گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” زمینه ای بر اساس هادوپ جهت پردازش زبان طبیعی صفحات وب ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.

• فهرست مطالب:

• بخشی از ترجمه:

۵. نتیجه گیری و برنامه های آینده
در این مقاله ، سیستم توزیعی برای کرالینگ  اسناد  وب و استخراج کلیواژه ها و عبارات ارائه شده است.ساختار موازی با اجرای پایگاه هدوپ آپاچی ارائه شده در حالی که تفسیر متن و استخراج ویژگی های کلیدی متکی بر پایگاه گیت منبع باز NLP است. سهم اصلی پیشنهادی کار ما ، قابلیت اجرای کاربردهای گیت چندمنظوره (شامل دامنه ی وسیعی از فعالیت های NLP) در طراحی توزیع شده (با استفاده از مزیت عملکردهای مقیاس بندی ، خصوصا برای مجموعه نوشتاری متنی بسیار حجیم ) با به روز رسانی کد مینیمم و بدون نیاز به برنامه نویس برای نظارت بر محاسبه ی موازی محدودیت هایی مثل تجزیه ی متن ، نقشه کشی و مسائل همگام سازی است. ارزیابی عملکردهای پردازش روی اشکال مختلف خوشه ای (از ۲-۵ گره) قابلیت مقیاس پذیری تقریبا خطی سیستم را از خود نشان داده که نتیجه ی مطلوب ارزیابی های آینده در ترکیب بندی های ی خوشه ای و مجموعه داده های بزرگتر است . که در واقع نشان دهنده ی مسائل باز به روی کارهای آینده است. علاوه براین ، اجرای مدول استخراج کلیدواژه/عبارت اصلی روی محیط محاسباتی موازی دیگر ، مثل اسپارک ، کار جالبی است. علاوه براین ، برای ارتقای کیفی استخراج ویژگی های اصلی ، منابع دانش خارجی را می توان به کار برد، خصوصا چارجوب ها و مخازن معنایی ، تا تفسیر ویژگی های معنایی و ارتباط آنها فراهم شود.

• بخشی از مقاله انگلیسی:

5. Conclusions and future work

In this paper, a distributed system for crawling webdocuments and extracting keywords and keyphrases has been presented. The parallel architecture is provided byimplementing the Apache Hadoop platform, while textannotation and key features extraction rely on the NLPopens source GATE platform. The main contributionsoffered by our work is the capability of executing generalpurpose GATE applications (including a wide range of NLPactivities) in a distributed design (exploiting the benefitsof scaling performances, especially for very large textcorpora) with minimal code update and without the needfor programmers to care about parallel computing constraints,such as task decomposition, mapping and synchronizationissues. Evaluating processing performanceson different cluster configurations (from 2 to 5 nodes) hasshowed a nearly linear scalability of the system, which isan encouraging result for future assessments on even largerdatasets and cluster configurations. These actuallyrepresents open issues for future work. Moreover, it couldbe interesting to implement our keywords/keyphrasesextraction module on other parallel computing environment,such as the cited Spark. Furthermore, in order toimprove the quality of key features extraction, externalknowledge resources could be used, especially Semanticrepositories and frameworks, to allow the annotation ofsemantic features and relations.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله

نوشته دانلود ترجمه مقاله زمینه ای بر اساس هادوپ جهت پردازش زبان طبیعی صفحات وب – مجله الزویر اولین بار در ترجمه فا پدیدار شد.

• فهرست مطالب:

چکیده
1- مقدمه
2- پس‌زمینه : زمان‌بندی هدوپ
3- آمیختگی اولیه در هدوپ
4- زمانبند کاری LARTS
الف) انگیزه
ب) LARTS و انتقال اولیه
ج) حداکثر رک‌ها و حداکثر گره‌ها : محل و رابطۀ جایگزینی
هـ) یک نمونۀ کاری
5- ارزیابی کمی
الف) روش‌شناختی
ب) مقایسه با هدوپ داخلی
ج) مطالعۀ حساسیت
6- پژوهش مرتبط
7- نتیجه‌گیری و دستورالعمل‌های آتی

•  بخشی از ترجمه:

7- 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 34.4، 0.32 و 7.5 درصد در مقابل هدوپ داخلی بهبود می‌بخشد. این روند حاکی از بهبود عملکرد 7 درصد و تا 11.6 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 ]20[ 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 ]20[ و ]17[ 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 مقاله

نوشته دانلود ترجمه مقاله برنامه ریزی کاهشی محل‌ جهت نگاشت‌ کاهش – مجله ACM اولین بار در ترجمه فا پدیدار شد.

بخشی از ترجمه:

چکیده
با توجه به افزایش کنونی ذخیره سازی اطلاعات ویدئویی در تقاضا، باید توجه بیشتری به مساله ذخیره سازی اطلاعات انبوه پرداخته شود. تکنیک های رایانش ابری روش موثری را برای حل این مساله ارائه می دهند. این مقاله بر اساس روش هدوپ  در رایانش ابری، معماری ذخیره اطلاعات انبوه را ارائه می دهد. با ترکیب تقاضای واقعی، این مقاله راه حل ذخیره منابع رسانه ای را پیشنهاد می کند. این روش می تواند بر روش ذخیره کنونی که ناکاراست غلبه کرده و کارایی ذخیره سازی را بهبود بخشد.

1.    تحلیل مساله

•    کاربران، تقاضای بسیار بیشتری برای امنیت ذخیره اطلاعات دارند. اطلاعات کلیدی مبنای عملکرد عادی است. کارکرد کل، یکبار که با خرابی اطلاعات روبرو شود از کار افتاده و باعث تلفات شدید خواهد شد.
مدیریت قدیمی متمرکز y نمی تواند نیاز ها را برآورده نماید، و تقریبا چهار مرحله را تجربه می کند: مدیریت سیستم فایل، مدیریت مرکب پایگاه داده و سیستم فایل، مدیریت موتور پایگاه داده فضایی مرکب با پایگاه داده منطقی، و مدیریت پایگاه اطلاعات رابطه ای-شی (ORDB).
ویژگی معمول این روش ها مبتنی بر راهبرد مدیریت متمرکز است. این روش ها، به دلیل ایراد تجهیز گره تکی، محدودیت های وسیعی در مدیریت ذخیره سازی اطلاعات ویدیویی در مقیاس بزرگ دارند. به عنوان مثال، کاربر معمولا احساس می کند که فراخوانی اطلاعات زمان بر بوده، قابلیت ذخیره اطلاعات محدود بوده و فرایند خواندن دارای بازده پایین است. در نتیجه، نیاز به رفتار مدیریتی جدیدی برای رفع مشکل ذخیره سازی اطلاعات انبوه داریم. در عمل روش های قدیمی پردازش اطلاعات ویدیویی و راهبرد مدیریتی هنوز نتوانسته اند نیازمندی های روزافزون را تامین کنند و نیاز ضروری به مطالعه راهبردها و روش های پردازش جدید وجود دارد.

بخشی از مقاله انگلیسی:

Abstract

In view of the current video data storage surge in demand, mass data storage problem must be paid more attention. Cloud computing techniques provide effective way to solve the problem. According to Hadoop technology in cloud computing, this paper puts forward the mass data storage architecture. Combining with the actual demand, the paper proposes the media resources storage solution. Through the practical applications, this solution can be overcome current storage method is insufficient, and is able to improve the efficiency of the storage.

Keywords : Cloud Computing;Mass Data; Virtualization Storage; Hadoop; MapReduce

نوشته دانلود ترجمه مقاله کاربرد محاسبات ابری در راه حل مدیریتی ذخیره سازی توده ای داده ها – مجله الزویر اولین بار در ترجمه فا پدیدار شد.