دانلود رایگان ترجمه مقاله تکنیک های توزیع منابع بهینه و غیرمستقیم در مراکز داده محاسبات ابری – اسپرینگر 2017

مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF آماده دانلود رایگان میباشند

همچنین ترجمه مقاله با فرمت ورد نیز قابل خریداری و دانلود میباشد

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

فهرست مقاله:

چکیده
مقدمه
کار مرتبط
شرح مدل
فرمول ریاضی
نشانه ها
متغیرهای تصمیم گیری
محدودیت ها
راه حل اکتشافی
مدل اکتشافی
تكنيكهاي اكتشافي رزرو VM
راه حل غیر بهینه
مشکل اصلی فرمول سازی
مسئله فرعی
نتایج
شبیه سازی محیط
اکتشافی
نتایج شبکه کوچک
موارد مختلف تاخیر مجاز
نتایج شبکه بزرگ
نتیجه گیری
تقدیرنامه ها
منابع مالی
مشارکت نویسندگان

بخشی از ترجمه فارسی مقاله:

مقدمه
تقاضای محاسبه ابر برای مشتریان از وعده تبدیل زیرساخت های محاسباتی به یک کالا یا خدمات نشئت می گیرد که سازمان ها دقیقا به همان اندازه ای که آنها استفاده می کنند، برای آن هزینه پرداخت می کنند. این ایده، رویا اجرایی یک شرکت فناوری اطلاعات است. همانطور که تحلیلگر گارتنر یعنی داریل پلومر بیان می کند: “رهبران محصولات تجاری در همه جا، دور از مراکز فناوری اطلاعات به دنبال دریافت برنامه ها ابر هستند .. و برای آنها هزینه پرداخت می کنند مانند اشتراک مجله. هنگامی که این سرویس دیگر مورد نیاز نیست، آنها می توانند این اشتراک را لغو کنند بدون اینکه تجهیزات استفاده شده باشد ” [1] این ایده که محاسبات متمرکز بر شبکه، در آینده است، در اوایل سال 1997 برای رهبران صنعت روشن بود. هیچکسی به غیر از استیو جابز نگفت: ” به هارد دیسک در کامپیوترم نیاز ندارم اگر بتوانم سریعتر به سرور دسترسی پیدا کنم . با حمل و نقل این کامپیوترهای همراه در مقایسه مربوط به روم شرقی می باشد[1] . این نیز برای خرید سازمان ها و برنامه ریزی مراکز داده بزرگ مورد استفاده قرار می گیرد.
به هر حال، عملکرد همچنان عامل مهمی است. اگر – در هر نقطه ای – شک و تردید بیش از توانایی ارائه دهنده به ارائه خدمات با توجه به موافقت نامه های امضا شده سطح خدمات (SLA) رایج می شود، مشتریان ارائه دهندگان دیگری را بررسی و انتخاب می کنند. آنها حتی می توانند بازگشت به مدل خرید و نگهداری را بررسی کنند. ارائه دهندگان تحت فشار ثابت برای بهبود عملکرد هستند، گزینه های استقرار منابع متنوع تر، بهبود قابلیت استفاده از خدمات و افزایش قابلیت حمل برنامه را ارائه می دهند. یک سلاح اصلی در اینجا یک سیستم تخصیص منابع کارآمد است. همانطور که در شکل 1، در سناریوی ابر، مشتریان قادر به اجاره ماشین های مجازی (VMs) از ارائه دهندگان ابر هستند. ارائه دهندگان چندین مدل استقراری ارائه می دهند که در آن پیکربندی VM در محاسبات قدرت، حافظه، ظرفیت ذخیره سازی و پلت فرم فقط چند عامل را نامگذاری می کند.

در طول دوره اجاره، مشتریان نیاز به قابلیت های شبکه دارند. مشتریان اطلاعات را اغلب در میان ستاد مرکزی مشتری (یا ابر خصوصی) و VM ها یا بین دو مشتری VMs تبادل می کنند. هدف در اینجا برنامه ریزی برای برنامه های رزرو VM و درخواست اتصال در سریعترین راه ممکن است در حالی که از منابع مرکز داده بطور بهینه استفاده می کنند. این امر با ظهور مفاهیم داده بزرگتر سخت تر می شود. IBM چالش داده های بیشتری را به 4 ابعاد مختلف به 4 Vs: یعنی حجم، سرعت، تنوع و صداقت خلاصه می کند [2]. با اکثر شرکت هایی که حداقل 100 TB داده ذخیره شده دارند و با 18.6 میلیارد شبکه ارتباطی که فعلا در حال حاضر موجود برآورد می شود[2]، بازده تخصیص منابع هرگز اهمیت زیادی نداشته است.
هنگامی که روش تخصیص منابع با وظیفه طراحی مواجه می شود، چالش های داخلی و خارجی بسیاری را باید در نظر گرفت. تلاش برای خلاصه کردن این چالش ها در [3] یافت می شود. چالش های خارجی عبارتند از چالش های مقررات، جغرافیا و همچنین خواسته های مشتری مرتبط با ذخیره داده ها و مدیریت آنها می باشد. این محدودیت ها منجر به محدودیت در محل VM های محدود شده و محدودیت ها به مکان و انتقال داده می شود. چالش های خارجی نیز شامل بهینه سازی مدل شارژ می باشد به طوری که حداکثر درآمد را ایجاد می کند. چالش های داخلی مورد بحث در [3] شامل مسائل مربوط به داده های محلی نیز می باشد. ماهیت یک برنامه از لحاظ داشتن اطلاعات فشرده باید در هنگام قرار دادن VM و برنامه ریزی اتصالات مربوط به این برنامه بررسی شود.
برای دستیابی به اهداف عملکرد و هزینه مذکور، ارائه دهندگان محاسبات ابری نیاز به سیستم تخصیص منابع جامعی دارند که هر دو منابع شبکه و محاسبات را مدیریت می کند. چنین سیستمی کارآمد می تواند تأثیر مهمی داشته باشد زیرا منابع اضافی به طور مستقیم به درآمد منتقل می شوند. بخش های زیر به شرح ذیل سازماندهی می شوند: بحث در مورد تلاش های تحقیقاتی مربوطه در بخش زیر معرفی می شود که منجر به مشارکت در این مقاله شده است. شرح مدل دقیق در بخش «شرح مدل» آمده است. بخش “فرمولاسيون ریاضی” فرمول مسئله ریاضی را ارائه می دهد. روش های اکتشافی در قسمت “راه حل اکتشافی” ارائه شده است. راه حل های غیربهینه در بخش “راه حل های غربهینه” ارائه شده است. نتایج در بخش “نتایج” نشان داده و تجزیه و تحلیل می شوند. در نهایت بخش “نتیجه گیری” مقاله را نتیجه گیری و کار آتی را معرفی می کند.

بخشی از مقاله انگلیسی:

Introduction

The appeal of cloud computing for clients comes from the promise of transforming computing infrastructure into a commodity or a service that organizations pay for exactly as much as they use. This idea is an IT corporation executive’s dream. As Gartner analyst Daryl Plummer puts it: “Line-of-business leaders everywhere are bypassing IT departments to get applications from the cloud .. and paying for them like they would a magazine subscription. And when the service is no longer required, they can cancel that subscription with no equipment left unused in the corner” [1]. The idea that centralized computing over the network is the future, was clear to industry leaders as early as 1997. None other than Steve Jobs said:“I don’t need a hard disk in my computer if I can get to the server faster .. carrying around these non-connected computers is byzantine by comparison” [1]. This applies as well to organizations purchasing and planning large data centers. However, performance remains the critical factor. If – at any point- doubts are cast over a provider’s ability to deliver the service according to the Service Level Agreements (SLAs) signed, clients will consider moving to other providers. They might even consider going back to the buy-and-maintain model. Providers are under constant pressure to improve performance, offer more diverse resource deployment options, improve service usability, and enhance application portability. A main weapon here is an efficient resource allocation system. As in Fig. 1, in the cloud scenario, clients are able to rent Virtual Machines (VMs) from cloud providers. Providers offer several deployment models where VM configuration differs in computing power, memory, storage capacity and platform just to name a few factors. During the rental period, clients require network capabilities. Clients will have data frequently exchanged between client headquarters (or private clouds) and VMs or between two client VMs. The aim here for a scheduler is to schedule VM reservation requests and connection requests in the fastest possible way while using the data center resources optimally. This task is getting even harder with the emergence of the big data concepts. IBM summarized big data challenges into 4 different dimensions referred to as the 4 Vs: Volume, Velocity, Variety, and Veracity [2]. With most companies owning at least 100 TB of data stored and with 18.6 billion network connections estimated to exist now [2], resource allocation efficiency has never been so important. When faced by the task of designing a resource allocation methodology, many external and internal challenges should be considered. An attempt to summarize these challenges can be found in [3]. External challenges include regulative and geographical challenges as well as client demands related to data warehousing and handling. These limitations result in constraints on the location of the reserved VMs and restrictions to the data location and movements. External challenges also include optimizing the charging model in such a way that generates maximum revenue. Internal challenges discussed in [3] include also data locality issues. The nature of an application in terms of being data intensive should be considered while placing the VMs and scheduling connections related to this application. To achieve these performance and cost objectives, cloud computing providers need a comprehensive resource allocation system that manages both computational and network resources. Such an efficient system would have a major financial impact as excess resources translate directly into revenues. The following sections are organized as follows: a discussion of the related research efforts is introduced in the following section leading to this paper’s contribution. Detailed model description is given in “Model description” section. “Mathematical formulation” section presents the mathematical formulation of the problem. The heuristic methods are presented in “Heuristic solution” section. The suboptimal solution is presented in “Suboptimal solution” section. Results are shown and analyzed in “Results” section. Finally, “Conclusion” section concludes the paper and conveys future work.