دانلود رایگان ترجمه مقاله به کارگیری فرایند پواسن در محیط ابری (اسپرینگر ۲۰۱۸)

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

۳٫ روش پیشنهادی
محیط ابری محتوی سرورهای زیادی است که n تعداد از کارها را برای خوشه های منابع موجود، زمان بندی می کنند. هر خوشه محتوی ترتیبی میان کارها است که از آن برای زمان بندی استفاده نموده و با استفاده از الگوریتم EPRNW بهترین خوشه منبع را انتخاب نموده و عملیاتی برروی کارهایش اجرا می نماید [۱]. در این الگوریتم، پتانسیل خوشه های منبع براساس سه گام محاسبه شده است. گام اول تخصیص وزن به گره ها و ایجاد یک هویت برای آن گره ها است. گام دوم، برقراری اتصال بین گره ها در محیط برای یک ارتباط موثر میان آنها است. گام سوم طبق روش الگوریتم، جدا نمودن شاه منابع از منابع دیگراست. زمان کل یا صرف شده، یک پارامترمهم در محیط ابری به حساب می آید که کارها را زمان بندی می نماید. زمان کل به صورت زمان تکمیل کل کارها برای یک محیط ابری خاص تعریف شده و عمدتاً برزمان ورود کار، زمان پاسخ کارها و همچنین بهره برداری از دستگاه تمرکز می کند. زمان کل محیط ابری به صورت زمان بین ورود کارها به خوشه منبع و خروج از آن مشتمل بر کارهای ورودی به همان خوشه منبع و همچنین خوشه منبع متفاوت محاسبه شده است. کلیه خوشه های منابع از طریق رسانه شبکه به هم متصل شده اند تا بدین طریق از تسهیلات همسایگی میان خوشه ها اطمینان حاصل گردد. سرورها از مرتب سازی متوالی (ترتیبی) برای خدمت کردن به کارها استفاده می کنند. هر خوشه منبع در محیط ابری، کارها را در داخل یا خارج می پذیرد. در شیوه های موجود، انتخاب خوشه های منبع مبتنی بر شیوه احتمالی است که منجر به یک راه حل ناکارآمد می گردد. برای بدست آوردن راه حل نزدیک بهینه، بهترین خوشه های منبع با محاسبه پتانسیل منبع و با استفاده از الگوریتم معرفی شده، انتخاب می شوند. کارهای روی خوشه منبع A به خوشه B با پتانسیل خوشه حمل شده یا از خوشه منبع خارج می شوند به شرطی که پتانسیل خوشه منبع کارهایی با پتانسیل را ارضا نماید.

۳٫۱ فرایند ورود در هر خوشه منبع
محاسبه به فرایند پواسن بستگی دارد، زیرا فرایند ورود، یک فرایند پواسن است که به توزیع کارهای مختلف در میان خوشه های منبع کمک می کند. به طور مثال، یک متغیر تصادفی است که ورود تعدادی کار به خوشه منبع در فاصله زمانی خاص را نشان می دهد. بعضاً هیچ کاری وارد خوشه های منبع نمی شود. در این رابطه، احتمال ورود کارها و همچنین احتمال عدم ورود کارها، با کمک توزیع احتمال تعیین شده است. در یک خوشه منبع خاص، دو موقعیت بروز می کند. یکی ورود کارهای زیاد به خوشه منبع و موقعیت دیگر عدم ورود کارها به خوشه منبع در فاصله زمانی خاص است. خوشه های منبع حتی در زمان عدم ورود کارهادر حالت بیکار قرار نخواهند داشت. در آن زمان، کارهای کارهای منابع دیگر با خوشه های منبع تهی به اشتراک گذاشته شده و بدین ترتیب کارها پردازش می شوند. فواصل زمانی ورود کارها متفاوت بوده و در میان خوشه های منبعی که منجر به فرایند پواسن می گردند، مستقل می باشند. از فرایند پواسن برای تعیین ارزش یا مقدار مورد انتظار (E) در فاصله زمانی پیوسته با برآورد تعداد متوسط کارهای ورودی به خوشه منبع استفاده شده است. مفهوم توزیع دو جمله ای نشان می دهد ارزش مورد انتظار (E) متغیر تصادفی، برابراست با تعداد آزمایشاتی که در آنها متغیر تصادفی پیدا شده و احتمال موفقیت آزمایشات. توزیع دوجمله ای مطابق مسئله خوشه منبع پیشنهادی با تعیین تعداد آزمایشات به صورت پردازش در فواصل زمانی مستقل و با تعیین احتمال موفقیت به صورت وضعیت ورود و عدم ورود کارها به خوشه منبع، اصلاح شده است.

۳٫۲ توزیع کارها میان خوشه های منبع
زنجیره مارکوف ابزاری عالی برای تعیین توزیع کارها میان خوشه های منبع به حساب می آید به شرطی که زمان های خدمات و زمان های بین ورود کارها از توزیع نمایی پیروی کنند. بیایید پنج خوشه منبع RC1، RC2، RC3، RC4 و RC5 را برای سیستم پیشنهادی در نظر بگیریم، که توسط زنجیره مارکوف مدلسازی شده اند و بدین طریق احتمال توزیع کارها را تعیین نماییم. مدل زنجیره مارکوف پیوسته، یک مدل ارزیابی برای مدیریت تعداد زیادی از کارها با محاسبه زمان ورود در زمان نامتناهی با استفاده از فرایند پواسن ایجاد می کند(۲ در ۲). در مقایسه با فرایند زنجیره مارکوف با زمان گسسته، فرایند زنجیره مارکوف با زمان پیوسته، در فواصل زمانی نامتناهی نیز عملکرد خوبی به معرض نمایش می گذارد، زیرا در زنجیره مارکوف با زمان گسسته، حد زمانی را باید تعیین نمود. شکل، نمودار انتقال از خوشه منبع مدلسازی شده با زنجیره مارکوف را نشان می دهد که توزیع کارها میان خوشه های منبع را به تصویر کشیده و احتمال تعداد متوسط کارها در هر خوشه منبع را مشخص می نماید. کارها از داخل یا خارج وارد RC1 می شوند، ۶۰ درصد از کارها در RC1 مستقر بوده و ۴۰ درصد باقیمانده در میان خوشه های منبع دیگر نظیر RC2، RC3، RC4 وRC5 پراکنده شده اند. کارهای مستقر در خوشه منبع براساس محاسبه پتانسیل منبع با استفاده از الگوریتم EPRNW بدست آمده اند. ۱۰ درصد از کارها در RC2 مستقر هستند که از داخل یا خارج وارد RC2 شده اند و ۹۰ درصد باقیمانده از کارها در میان خوشه های منبع پراکنده شده اند. برای خوشه های منبع باقیمانده، از همین خصوصیت مارکوف استفاده شده است. ماتریس های احتمال انتقال نمایش روشن توزیع احتمال کارها و تعداد متوسط کارها در خوشه منبع را نشان می دهند.

۴٫ نتایج و بحث
گراف های آزمایشی زیر ارزیابی عملکرد مدل برآورد موجود و زنجیره مارکوف پیشنهادی در کنار مدل پواسن را به تصویر می کشند. در سیستم پیشنهادی، از تعداد متفاوتی از خوشه های منبع (RC=50,100) برای اجرای وظیفه در محیط ابری استفاده شده است. اشکال ۱ و ۲ محاسبه نرخ ورود کارها در ۵۰ و ۱۰۰ خوشه منبع با مدل برآورد شده موجود (EEM) و مدل پواسن زنجیره مارکوف (MCP) را نشان می دهند. مدل MCP در مقایسه با EEM، تعداد بیشتری از کارهای ورودی را تعیین و زمان بندی می نماید. درصد احتمال نرخ ورود مقادیر نمایی محاسبه و جدول مقایسه ثابت می کند که MCP تعداد بیشتری از ورودها را حتی در زمان نمایی تعیین و درصد احتمال تعیین نرخ ورود کارها در MCP افزایش یافته است.

در شکل ۹ یک گره چند هدفه نمایش داده شده است. این گراف احتمال زمان پاسخ خوشه های منبع، درصد تجمعی کارها در خوشه های منبع را نشان می دهد که بهره برداری از منابع محیط ابری و نرخ ورود توزیع شده به صورت نمایی را تضمین می کند. با کاهش زمان پاسخ، زمان خدمات و زمان تکمیل، زمان کل محیط ابری نیز کاهش می یابد. زمان کل به زمان صرف شده از سوی الگوریتم یا روش برای تکمیل کلیه کارهای محیط ابری اتلاق می گردد. اختلاف بین زمان خدمات و زمان تکمیل حاکی از آن است که زمان خدمات، حفره درونی زمان تکمیل می باشد. زمان خدمات به زمان صرف شده برای تکمیل کار خاصی از محیط اتلاق می گردد. زمان تکمیل شامل زمان پاسخ و همچنین زمان خدمات می شود.