مبتدی (مناسب برای درک مفهوم کلی مطلب) 

ارائه‌دهنده خدمات تقاضای هر سرویس را از این شبکه جمع‌آوری می‌کند. به‌طور مستقیم، تقاضای خدمات در ارائه‌دهنده خدمات به تقاضای کاربر و وضعیت شبکه ارتباطی بستگی دارد،

جایی که I تعداد کاربران و SN (t) وضعیت شبکه است، وضعیت شبکه برای زمان‌های مختلف به دلایل متفاوت مانند فاصله کاربر و موقعیت پاسخ متغیر است؛ و ما فرض می‌کنیم که پردازش وضعیت شبکه یک زنجیره مارکوف ارگومیک فازی با فضای وضعیت SN است. با پیروی از معادله 1 و معادل 2 و بدون ایجاد ابهام، می‌توانیم به دست آوریم.

B. فرمول نویسی نرخ خدمات
بگذارید bk (t) نرخ خدمات باشد، مقدار دسته‌ای که می‌تواند ارائه شود، در بخش t و SD (t) وضعیت ارائه‌دهنده سرویس SD هست. فرض کنید که SD (t) وضعیت محدود یک زنجیره مارکوف تصادفی با فضای حالت SD است. حالت سیستم که با S نشان داده می‌شود، وضعیت شبکه و حالت ارائه‌دهنده خدمات یعنی S(t)=(SN(t), SD(t)) را شامل می‌شود. در این مورد، می‌توانیم S = SNX SD را به دست آوریم که به شکل قبلی ناشناخته است.
اپراتور ارائه‌دهنده خدمات باید منابع را به هر تقاضایی اختصاص دهد که هزینه خاصی را به ارمغان می‌آورد. فرض کنیم که هزینه خدمت نوع k در بخش t برابر است با ck(t) و مقدار cmax محدودی وجود دارد که 0≤ck(t)≤cmax را برای تمام k و همه t برآورده می‌سازد. علاوه بر این، بردار c (t) به‌صورت (c1(t), c2(t),..,cK(t)), نشان داده می‌شود و فرض کنید که بردار هزینه متعلق به مجموعه‌ای از هزینه C است، یعنی c (t ) C. نرخ خدمات توسط با بردار هزینه و وضعیت ارائه‌دهنده خدمات تعیین می‌شود،

وضعیت ارائه‌دهنده خدمات به جنبه‌های بسیاری از ارائه‌دهنده خدمات اشاره می‌کند، مانند منابعی که می‌تواند اختصاص داده شود، قیمت برق و غیره. فرض می‌کنیم که نرخ خدمات bk (t) می‌تواند به‌طور مداوم تقسیم شود و با حداکثر مقدار bmax محدود می‌شود.
. پویایی و پایداری صف
qk(t) را به‌عنوان پشتیبان صف سرویس نوع k در ارائه‌دهنده خدمات در بخش t نشان می‌دهیم. برای سرویس نوع k، پویای صف آینده qk(t) با تقاضای کاربر ak (t) و نرخ سرویس ) bk (t بر اساس معادله پویای زیر، به دست می‌آید.

3. الگوریتم قیمت‌گذاری و زمان‌بندی پویای QOS آگاهانه
در الگوریتم‌های کنونی، پشتیبانی صف واقعی اغلب نقش متغیر تصمیمی را بازی می‌کند. بااین‌حال، این الگوریتم‌ها تمام صف‌های خدمات را به همان اندازه مهم می‌دانند و برای بررسی شرایط مختلف QoS شکست می‌خورند. برای غلبه بر این کمبود، مفهوم QoS آگاهانه را معرفی می‌کنیم و الگوریتم QDPSA را پیشنهاد می‌کنیم.

A. پویایی صف QOS آگاهانه
برای خدمات نوع k، پشتیبانی صف QoS آگاهانه Qk(t) را به‌صورت تابع خطی از طول صف qk(t) تعریف می‌کنیم. این تابع خطی تضمین می‌کند که اگر qk(t) برابر با صفر باشد، Qk(t) هم برابر با صفر است.

B. الگوریتم قیمت‌گذاری و زمان‌بندی پویای QoS آگاهانه
به‌جای استفاده از صف واقعی، QoS صف آگاهانه را برای شبیه‌سازی الگوریتم قیمت‌گذاری و زمان‌بندی پویا معرفی می‌کنیم. الگوریتم حاصل از دو بخش تشکیل‌شده است. الگوریتم قیمت‌گذاری پویا QoS: در ابتدای هر بخش t، ارائه‌دهنده خدمات، وضعیت و تمام Qk(t) است و قیمت (t) pk را برای به حداقل رساندن بیان زیر انتخاب می‌کند.

الگوریتم زمان‌بندی پویای QoS: در ابتدای هر بخش t، ارائه‌دهنده خدمات، وضعیت ارائه‌دهنده خدمات و تمامی Qk(t) مشاهده می‌شود و بردار هزینه c(t) را برای به حداقل رساندن بیان زیر، انتخاب می‌کند.
پارامتر V> 0 یک متغیر کنترل است که می‌تواند به مقادیر مختلف تنظیم شود تا بازده صف را برای سود کوتاه‌مدت خدمات بازاریابی کند.

یک الگوریتم زمان بندی پویا محدود شده بر اساس موعد مقرر با صرفه هزینه برای جریان های کاری علمی در محیط ابری

A Cost-Effective Deadline-Constrained Dynamic Scheduling Algorithm for Scientific Workflows in a Cloud Environment

چکیده
1- مقدمه
2- معماری مد نظر برای اجرای جریان کاری در سیستم رایانش ابری
2-1 مدل برنامه ی کاربردی
2-2 مدل منابع ابری
2-3 مدل پلتفرم رایانشی

چکیده
رایانش ابری، که یک الگوی رایانش توزیع شده است، این امکان را فراهم می کند تا منابع IT بر روی اینترنت به کاربران ارائه شود و از مدل پرداخت هزینه به صورت آنی در زمان مصرف، استفاده می کند. برنامه ریزی و زمان بندی برای جریان های کاری چالش بر انگیز ترین مشکل در رایانش ابری می باشد. با وجود این که زمان بندی جریان کاری در سیستم های توزیع شده مانند شبکه ها و یا خوشه بندی ها به صورت گسترده مورد مطالعه قرار گرفته است، اما این راه حل ها برای رایانش ابری قابل استفاده نمی باشند. این موضوع به این علت است که محیط رایانش ابری نسبت به دیگر محیط های توزیع شده از دو منظر متفاوت می باشد : فراهم کردن منابع در زمان نیاز و مدل پرداخت آنی در زمان مصرف. ازین رو، برای به دست آوردن مزیت های واقعی محدودیت های جریان کاری بر روی منابع ابری، روش های جدید باید ایجاد شود که بتواند از مزیت های این رایانش ابری استفاده کرده و بتواند چالش های خاص آن را هم رفع کند. در این مطالعه، ما یک الگوریتم اکتشافی محدود شده از نظر موعد مقرر و مقرون به صرفه به صورت پویا را ارائه می کنیم که برای زمان بندی کردن جریان های کاری علمی در رایانش ابری عمومی مورد استفاده قرار می گیرد. هدف تکنیک پیشنهاد شده استفاده کردن از مزیت های ارائه شده توسط رایانش ابری و در عین حال در نظر داشتن عملکرد واقعی ماشین و تغییر در آن و تاخیر های اکتساب آنی برای شناسایی کردن زمان بندی های جریان کاری محدود به موعد مقرر با هزینه ی کمتر، می باشد. ارزیابی عملکردی بر روی بعضی از جریان های کاری شناخته شده نشان می دهد که الگوریتم پیشنهاد شده در مقایسه با جدید ترین الگوریتم های موجود در این زمینه، عملکرد بهتری دارد.
1- مقدمه
دانشمندان در دامنه های تحقیقاتی مختلف مانند فیزیک، بیو انفورماتیک ، علوم جغرافیایی و نجوم ، برنامه های علمی در مقیاس بزرگ و پیچیده را برای شبیه سازی کردن و تحلیل فعالیت های دنیای واقعی اجرا می کنند. بسیاری از این برنامه های بزرگ مقیاس معمولا به صورت جریان های کاری ساخته می شوند [1]. یک جریان کاری، یک برنامه ی کاربردی دانه درشت با تزویج ضعیف است که شامل وظایف محاسباتی می باشد که از طریق وابستگی های داده ها و کنترلی، به هم مرتبط شده اند. جریان های کاری علمی از نظر اندازه ممکن است از چند وظیفه با منابع محدود تا میلیون ها وظیفه نیازمند هزاران ساعت پردازش، ترابایت ها فضای ذخیره و منابع پهنای باند بسیار بالا باشند. این جریان های کاری پیچیده نیازمند محیط های محاسباتی با عملکرد بالا می باشند و معمولا باید وظایف موجود در این جریان های کاری بین گره های محاسباتی مختلف توزیع شود تا جریان کاری در یک زمان معقول، تمام شود. به صورت متداول، توسعه دهندگان برنامه های علمی از ایستگاه های کاری محلی، ابر کامپیوتر ها، دسته بندی ها و پلتفرم های شبکه ای برای اجرای این جریان های کاری استفاده می کنند. هر کدام از این پلتفرم ها توازن های مختلفی از نظر کارایی، عملکرد و هزینه ارائه می کنند. بسیاری از پروژه های شبکه ای مانند پگاسوس [2] ، آسکالون [3] و GrADS [4] سیستم های مدیریت جریان کاری را ارائه کرده اند تا جریان های کاری بر روی شبکه های تعریف، مدیریت و اجرا شود. رایانش ابری اخیرا به عنوان یکی از پلتفرم های مناسب برای اجرای این برنامه های علمی پیچیده ارائه شده است. بسیاری از مطالعه ها [5و6و7و8و9] به بررسی استفاده از رایانش ابری برای برنامه های علمی پرداخته اند و به این نتیجه رسیده اند که این سیستم های ابری می توانند از نظر عملکرد و هزینه، شرایط مناسبی را ایجاد کنند. اما با ظهور این الگوی محاسباتی جدید، روش های برنامه ریزی زمانی جدید که بتوانند از فواید سیستم های ابری استفاده کنند و چالش های خاص محیط های ابری را هم رفع کنند، در این قسمت مورد نیاز می باشد.
ابر ها می توانند مدل های محاسبه ی رایانش مبتنی بر کاربرد را ارائه کنند که این امکان را فراهم می کند تا منابع IT بر روی اینترنت تحویل داده شود و سپس از یک مدل پرداخت در زمان مصرف استفاده می کند که در این مدل، کاربر ها هزینه را بر اساس میزان مصرف از منابع پرداخت می کنند [11]. خدمات ابری در اصل به صورت زیر طبقه بندی می شوند : زیر ساختار ها به عنوان خدمات (IaaS) ، که شامل زیر ساختار های خام بوده و مرتبط با میان افزار ها می باشد ؛ پلتفرم ها به عنوان خدمات (PaaS) که شامل API ها برای توسعه ی برنامه ها بر روی یک پلتفرم انتزاعی می باشد و در نهایت دسته ی نرم افزار به عنوان خدمات (SaaS) که می تواند برای خدمات نرم افزا راه دور، پشتیبانی ایجاد کند. راه حل های مبتنی بر PaaS ها و SaaS ها در حال حاضر به عنوان جایگزین های ممکن برای اجرای جریان های کاری علمی در نظر گرفته نمی شوند. این موضوع به این دلیل است که راه حل های مبتنی بر PaaS شامل سر ریز اجرای برنامه های کاربردی موروثی می باشد در حالی که SaaS در حال حاضر به صورت پراکنده برای کاربرد در دسترس هستند [7]. سیستم های زیر ساخت ابری در مقابل، می توانند مزیت های مرتبط با هزینه و عملکرد مختلف را برای اجرای برنامه های علمی در مقایسه با محیط های اجرای توزیع شده ی متداول مانند شبکه ها و یا خوشه بندی ها ارائه کنند [ 6 و 10 ]. بعضی از فواید به صورت زیر می باشد.

Abstract

 Cloud Computing, a distributed computing paradigm, enables delivery of IT resources over the Internet and follows the pay-as-you-go billing model. Workflow scheduling is one of the most challenging problems in Cloud computing. Although, workflow scheduling on distributed systems like Grids and Clusters have been extensively studied, however, these solutions are not viable for a Cloud environment. It is because, a Cloud environment differs from other distributed environment in two major ways: on-demand resource provisioning and pay-as-you-go pricing model. Thus, to achieve the true benefits of workflow orchestration onto Cloud resources novel approaches that can capitalize the advantages and address the challenges specific to a Cloud environment needs to be developed. This work proposes a dynamic cost-effective deadline-constrained heuristic algorithm for scheduling a scientific workflow in a public Cloud. The proposed technique aims to exploit the advantages offered by Cloud computing while taking into account the virtual machine performance variability and instance acquisition delay to identify a just-in-time schedule of a deadline constrained scientific workflow at lesser costs. Performance evaluation on some well-known scientific workflows exhibit that the proposed algorithm delivers better performance in comparison to the current state-of-the-art heuristics.

1 INTRODUCTION

Scientists in different research domains such as physics, bio-informatics, earth science and astronomy run increasingly complex large scale scientific applications for simulation and analysis of the real-world activities. Many of such large scale applications are usually constructed as workflows [1]. A workflow is a loosely coupled coarse-grained parallel application that consists of a set of computational tasks linked through control and data dependencies. Scientific workflows may vary in size from a few tasks with limited resource needs to millions of tasks requiring tens of thousands of processing hours, terabytes of storage and high bandwidth network resources. Such complex workflows demand a high-performance computing environment and often it is desirable to distribute its tasks amongst multiple computing nodes in order to complete the work in a reasonable time. Traditionally, developers of scientific applications have used local workstations, supercomputers, clusters and grids platforms for running such workflows. Each of these platforms offer various trade-offs in terms of usability, performance and cost. Many Grid projects such as Pegasus [2], ASKALON [3] and GrADS [4] have designed workflow management systems to define, manage and execute workflows on the Grid. Cloud computing, has recently emerged as a promising execution platform for huge and complex scientific applications. Many studies [5], [6], [7], [8], [9], [10] have in of performance and cost. However, with the emergence of this new computing paradigm, novel scheduling approaches that are able to capitalize the advantages while addressing the challenges specific to a Cloud environment needs to be developed.

Cloud provides a utility-oriented computing model that enables delivery of IT resources over the Internet and follows the pay-as-you-go billing model where users are charged based on their resource consumption [11]. Cloud services are majorly categorized as: Infrastructure as a service (IaaS), which includes raw infrastructure and associated middleware; Platform as a service (PaaS), which includes APIs for developing applications on an abstract platform and Software as a service (SaaS) that provides support for remote software services. PaaS and SaaS based solutions are presently not considered as feasible alternatives for executing scientific workflows. This is because PaaS based solutions involve the overhead of porting legacy applications to new platforms whereas scientific computing SaaS services are currently rarely available for usage [7]. IaaS Cloud on the other hand, offers several cost and performance related benefits for executing scientific applications as compared to traditional distributed execution environments like grids and clusters [6], [10]. Some of these benefits are as follows..

یک الگوریتم زمان بندی پویا محدود شده بر اساس موعد مقرر با صرفه هزینه برای جریان های کاری علمی در محیط ابری

A Cost-Effective Deadline-Constrained Dynamic Scheduling Algorithm for Scientific Workflows in a Cloud Environment

جدولبندی زمانی حمل و نقل بهینه از نوع چند خودرو و برنامه ریزی زمانی خودرو

Optimal Multi-Vehicle Type Transit Timetabling and Vehicle Scheduling

چکیده

1- مقدمه
2- بررسی نوشته های مختصر
2-1- جدولبندی زمانی
2-2- برنامه ریزی زمانی خودرو
3- پیش زمینه جدولبندی زمانی فاصله مساوی و حجم مساوی
3-1- جدولبندی زمانی فاصله مساوی با انتقال هموار
3-2- جدولبندی های زمانی حجم مساوی
4- ترکیب جدولبندی زمانی حجم مساوی و فاصله مساوی با استفاده از انواع مختلف خودرو
4-1- مقدمه و پیش زمینه
4-2- روش شناسی
4-3- نتایج
5- زمانبندی خودرو با چند خودرو انواع
5-1- پیش زمینه تابع کسری
5-2- چارچوب بهینه سازی مشکل برنامه ریزی زمانی نوع خودرو
5-3- مثال
6- نتیجه گیری

چکیده

فرایند برنامه ریزی زمانی عملیات حمل و نقل عمومی (حمل و نقل) به طور معمول شامل چهار فعالیت اساسی می شود که معمولا در دنباله زیر انجام می شوند: طراحی شبکه، توسعه جدول زمانی، برنامه ریزی زمانی خودرو، و برنامه ریزی زمانی خدمه. این کار به دو فعالیت می پردازد: توسعه جدول زمانی و برنامه ریزی زمانی خودرو با انواع وسایل نقلیه مختلف. جداول زمانی جایگزین حتی فاصله بين وسائط نقليه ساخته می شوند، اما نه لزوما حجم های مساوی مسافر و یا حجم های مساوی مسافر متوسط، اما نه حتی فاصله بين وسائط نقليه. یک روش برای ساخت جداول زمانی با ترکیبی از هر دوی مفاهیم و فاصله مساوی و حجم مساوی، برای اندازه چند خودرو توسعه معین است. مشکل برنامه ریزی زمانی خودرو بر اساس مجموعه های معین سفرها و انواع خودرو مرتب شده در مرتبه کاهشی هزینه های خودرو است. این مورد را می توان به عنوان یک مسئله شبکه هزینه-جریان با یک سطح پیچیدگی NP-سخت فرموله نمود. بنابراین، یک الگوریتم اکتشافی توسعه می یابد. چند مثال به عنوان یک دستگاه توضیحی برای نشان دادن روش های توسعه یافته مورد استفاده قرار می گیرد.

1- مقدمه
فرایند برنامه ریزی عملیات حمل و نقل عمومی (حمل و نقل) به طور معمول شامل چهار فعالیت اساسی می شود که معمولا به صورت یک دنباله انجام می شوند: (1) طراحی مسیر شبکه، (2) توسعه جدول زمانی (3) برنامه ریزی زمانی خودرو، و (4) برنامه ریزی زمانی خدمه (Ceder 2007). شکل 1 توالی تصمیم گیری نظام مند را برای این چهار فعالیت های برنامه ریزی زمانی نشان می دهد. خروجی هر یک از فعالیت های قرارگرفته در بالا در این دنباله به یک ورودی مهم برای تصمیم گیری های سطح پایین تر تبدیل شده است. واضح است که استقلال و نظم فعالیت های جداگانه، فقط در این نمودار وجود دارد، به عنوان مثال، تصمیمات اتخاذ شده بیشتر به سمت پایین دنباله، دارای برخی از اثرها بر تصمیم گیری های سطح بالاتر است. بنابراین مطلوب است که هر چهار فعالیت به طور همزمان به منظور بهره برداری از توانایی سیستم در به بیشترین حد و افزایش بهره وری و کارایی سیستم برنامه ریزی شود. گاهی اوقات ترتیب و توالی در شکل 1 تکرار می شود؛ بازخورد مورد نیاز در طول زمان گنجانیده شده است. با این حال از آنجا که این فرایند برنامه ریزی زمانی، به ویژه برای اندازه ناوگان از متوسط تا بزرگ، بسیار دست و پا گیر و پیچیده است، نیاز به راه حل جداگانه ای برای هر یک از فعالیت ها، با نتیجه مورد تغذیه شده به عنوان یک ورودی برای بعدی وجود دارد.

Abstract

The public-transport (transit) operation planning process commonly includes four basic activities, usually performed in sequence: network design, timetable development, vehicle scheduling, and crew scheduling. This work addresses two activities: timetable development and vehicle-scheduling with different vehicles types. Alternative timetables are constructed with either even headways, but not necessarily even passenger loads or even average passenger loads, but not even headways. A method to construct timetables with the combination of both even-headway and even-load concepts is developed for multi-vehicle sizes. The vehicle-scheduling problem is based on given sets of trips and vehicle types arranged in decreasing order of vehicle cost. This problem can be formulated as a cost-flow network problem with an NP-hard complexity level. Thus, a heuristic algorithm is developed. A few examples are used as an expository device to illustrate the procedures developed.

1- Introduction

The public-transport (transit) operation planning process commonly includes four basic activities, usually performed in sequence: (1) network route design, (2) timetable development, (3) vehicle scheduling, and (4) crew scheduling (Ceder 2007). Figure 1 shows the systematic decision sequence of these four planning activities. The output of each activity positioned higher in the sequence becomes an important input for lower-level decisions. Clearly the independence and orderliness of the separate activities exist only in the diagram; i.e., decisions made further down the sequence will have some effect on higher-level decisions. It is desirable, therefore, that all four activities be planned simultaneously in order to exploit the system’s capability to the greatest extent and maximize the system’s productivity and efficiency. Occasionally the sequence in Figure 1 is repeated; the required feedback is incorporated over time. However since this planning process, especially for medium to large fleet sizes, is extremely cumbersome and complex, it requires separate treatment for each activity, with the outcome of one fed as an input to the next..

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

آگاهی از زمینه یک پیشنیاز کلیدی در سیستم‌های نظارت بر سلامت است که عملیات‌های مستقل را بدون مداخله‌ی بیمار فعال می‌کند و تصمیم گیری حرفه‌ای‌ها به روی وضعیت بیمار را بهبود می‌بخشد [9] . با این حال تحقیقات محدودی وجود دارند که تلاش کرده‌اند تا آگاهی از زمینه و یا فراهم سازی یک نمایندگی عمومی و رسمی از زمینه را به طور کامل نشان دهند. یکی از کارها در زمینه مراقبت‌های تلفن همراه که با هر دو مورد آگاهی از زمینه و انطباق در بخش [13] ارائه شد اما مقاله در مورد آن جزئیاتی را فراهم نکرد که چگونه و در چه زمانی استراتژی‌های انطباق به کار گرفته شده‌اند. مطالعات در زمینه پردازش جریان داده‌ها [14-15] خصوصاً درباره برنامه هستند و روی حوزه‌های محدودی از تحقیقات تمرکز می‌کنند. یک برخورد کلی برای تحلیل به صرفه و هوشمندانه از داده‌ها برای سیستم‌های مراقبت تلفن همراه در آخرین پیشرفت‌های علمی معرفی نشده است و هنوز هم یک موضوع باز می‌باشد.

3. پردازش انطباقی آگاه از وضعیت (SAAP) در جریان‌های داده
سبک معماری برای پردازش انطباقی آگاه از وضعیت(SAAP) در جریان‌های داده شامل 3 قسمت ِ استنتاج وضعیت‌های فازی (FSI)، مانیتور منابع (RM) و موتور انطباقی (AE) می‌باشد که در شکل 1 نشان داده شده است.

موتور FSI ، آگاهی از وضعیت را با استفاده از اصول منطق فازی فراهم می‌کند. مانیتور منابع (RM) یک مؤلفه نرم افزار است که به طور پیوسته منابع موجود مانند حافظه در دسترس و استفاده از باتری را مانیتور می‌کند و میزان در دسترس بودن آنها را به موتور انطباق گزارش می‌کند. موتور انطباق (AE) نسبت به تنظیم تدریجی پارامترهای پردازش جریان داده‌ها در زمان واقعی مسئول می‌باشد که بر اساس وضعیت‌های وقوع و منابع در دسترس است. لایه‌ی SAAP در بالای الگوریتم‌های جریان داده کاوی ساخته می‌شود که روی دستگاه‌های تلفن همراه اجرا می‌گردد و آن‌ها را با انطباق آگاه از وضعیت مجهز می‌کند. بخش بعدی تکنیک FSI را مورد بحث و بررسی قرار می‌دهد.

4. استنتاج وضعیت فازی
FSI یک مدلسازی و بخورد با علت از وضعیت است که منطق فازی را در مدل فضاهای زمینه (CS) ادغام می‌کند [4]. FSI از مزایای مدل CS استفاده می‌کند تا به طور فراگیر محیط‌های محاسبه را پشتیبانی کند و این در حالی است که منطق فازی برای مقابله با عدم قطعیت را با شرایط مبهم و در دنیای واقعی ترکیب می‌کند.

1. 4 مدل فضاهای زمینه
مدل فضاهای زمینه (پس از این CS) اطلاعات متنی را به صورت اشیای هندسی در فضای چندبُعدی نمایش می‌دهد که موقعیت نامیده می‌شود. مفهوم عبارت «فضای موقعیت» با یک دسته از مناطق توصیف شده است. هر «منطقه» یک دسته از ارزش‌های قابل قبول در یک جنبه از زمینه می‌باشد که یک استناد را اقناع می‌کند. علاوه بر مفاهیم بنیادی و تکنیک‌ها برای مدل سازی موقعیت و ایجاد منطق، مدل CS اکتشافی را فراهم می‌کند که به طور به خصوص برای نشان دادن آگاهی از زمینه تحت عدم قطعیت توسعه یافته است. این اکتشافی‌ها در تکنیک‌های منطقی ادغام شده‌اند که ابزار مبتنی بر الگوریتم‌های فازی داده می‌باشند و سطح اعتماد را در وقوع یک موقعیت محاسبه می‌کنند. CS با عدم قطعیت سروکار دارد که به طور کلی با اشتباهات سنسورها همراه است. با این حال یک مورد دیگر از جنبه عدم قطعیت در مفاهیم انسانی و موقعیت‌های دنیای واقعی وجود دارد که نیاز دارد به وسیله‌ی مدل زمینه نشان داده شود و در نتایج منطقی وضعیت منعکس شود. منطق فازی از منطق چند-ارزشی استفاده می‌کند که مزایای سروکار داشتن با این سطح از عدم قطعیت را با ارجاع درجه‌های عضویت به ارزش‌ها دارد.

2. 4 مدل سازی موقعیت
FSI شامل 3 فرع می‌باشد که عبارت‌اند از فازیفیر (fuzzifier) ، قوانین و موتور استنتاج. فازیفیر، به عنوان یک نرم افزار ترکیبی، ورودی موجی (به عنوان مثال ارزش‌های ویژگی‌های زمینه) را در دسته‌های فازی ترسیم می‌کند که با استفاده از توابع ذوزنقه عضویت انجام می‌شود. در یک دسته فازی، عضویت یک آیتم به صورت تدریجی است و با درجه‌هایی بین 0 و 1 نشان داده می‌شود. در FSI، موقعیت‌های مورد علاقه با استفاده از قوانین فازی به وسیله‌ی کارشناسان دامنه تعریف می‌شوند و در یک فضای نگهداری قانون ذخیره می‌گردند. هر قانون FSI شامل چندین شرایط است که پیوسته با اپراتور AND بوده است اما یک شرطی که خودش می‌تواند به چند شرط تفکیک گردد. برای مدل کردن اهمیت شرایط، ما یک وزن w را برای هر یک از شرایط با یک ارزش بین 0 تا 1 اختصاص داده‌ایم. مجموع وزن‌ها برای هر قانون 1 است. یک وزن نشان دهنده‌ی اهمیتی است که وضعیتش نسبت به دیگر وضعیت‌ها اختصاص داده که در یک موقعیت تعریف شده‌اند. یک مثلاً برای یک قانون FSI به صورت زیر می‌باشد: اگر دمای اتاق بسیار بالا باشد و ضربان قبل سریع و وضعیت سنی میان سال یا پیر باشد موقعیت سکته قلبی است.
زیربخش بعدی استدلال موقعیت را مورد بحث و بررسی قرار می‌دهد.

3. 4 استدلال موقعیت
برای استدلال یک موقعیت، نیاز است تا قوانین برای تولید یک خروجی سنجیده شوند که نشان دهنده درجه عضویت برایند می‌باشد. موقعیت‌ها به یک اپراتور ِ OR متصل می‌شوند که از بیشترین عملکرد استفاده می‌کند. با این حال برای سنجش شرایط متصل با اپراتور AND ، یک FSI به فراهم سازی 4 تکنیک استدلال می‌پردازد که در جدول 1 نشان داده شده است: این تکنیک‌ها منطق فازی را با روش‌های استدلال CS ادغام می‌کنند که جنبه‌ی دیگر از عدم قطعیت را فراهم می‌نمایند (برای مثال، عدم قطعیت موقعیت‌ها و تغییرات دلتا از زمینه) که در محاسبه ارزش اعتماد برای وقوع یک موقعیت می‌باشد.
تکنیک‌های استدلال موقعیت از CS بر اساس 4 اکتشاف‌اند که برای مدیریت عدم قطعیت در محیط‌های محاسبات فراگیر می‌باشند. این اکتشاف‌ها به صورت مقابل‌اند: 1) وزن‌های نسبی از ویژگی‌های زمینه و سطح اعتماد از ارزش‌ها، 2) بی دقتی سنسور ، 3)ویژگی زمینه‌ی متقارن و نامتقارن، 4) و مهار جزئی و کامل از ویژگی‌های زمینه متقارن. جدول 1 روش‌های استدلال از CS را به تصویر می‌کشد، معادل FSI در آنها با منطق فازی و فن آوری هوشمند اصولی در آن‌ها و مفاهیم نظری ترکیب شده است .زیر بخش بعدی هر اکتشاف و تکنیک استدلال را با جزئیات بیشتری مورد بحث و بررسی قرار می‌دهد.

1 . 3 .4 وزن و سطح ِمشارکت. اولین تکنیک استدلال از CS بر اساس وزن ویژگی‌های زمینه و سطح اعتماد در ارزش ِویژگی‌ها می‌باشد. وزن‌ها به ویژگی‌های زمینه اختصاص دارند و به طور نسبی اهمیت هر ویژگی زمینه را با استنباط یک وضعیت نشان می‌دهند. سطح اعتماد به هر عنصر اختصاص داده می‌شود و چگونگی ارتباط عنصر را با موقعیت مدل شده منعکس می‌کند. در این اکتشاف، تابع توزیعی که سطح توزیع را محاسبه می‌کند در یک سطح مفهومی ارائه می‌شود و پیاده سازی آن بعداً در یک تکنیک استدلال ثانویه بر اساس بی دقتی سنسور معرفی می‌شود.
در FSI ، مفهوم وزن‌ها همراه با متغیرهای زبانی می‌باشد (برای مثال، ویژگی‌های زمینه) مفهوم سطح توزیع مشابه با درجه عضویت عنصرها در یک دسته‌ی فازی است اما با این تفاوت که پیاده سازی با توابع عضویت انجام می‌گیرد. نتیجه‌ی w_i μ(x_i)عضویت‌های وزن شده را نشان می‌دهد.
درجه‌ی 〖 x〗_iو nشماره وضعیت در یک قانون را نشان می‌دهد (1≤i≤n).

2 . 3 . 4 بی دقتی سنسور. برای این که محاسباتی خودکار از سطح توزیع در زمان اجرا فراهم شود، روش استدلال ثانویه CS از تأثیر بی دقتی سنسور و عدم اطمینان به صورت یک فاکتور مشخص کننده استفاده می‌کند که برای محاسبه سطح توزیع می‌باشد. این روش احتمال یک ارزش صحیح از ویژگی زمینه a ̂_i^tرا محاسبه می‌کند که در بخش 〖 A〗_iقرار گرفته است. برای محاسبه ارزش احتمالی که بر اساس عدم قطعیت یک سنسور می‌باشد ، عدم قطعیت در خواندن (برای مثال 95%) برای نشان دادن ارزش احتمال استفاده می‌شود (برای مثال 0.95).

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

اس پاندی [2] یک روش برنامه ریزی اکتشافی برای بهینه سازی هزینه های نقشه برداری منابع وظیفه بر اساس راه حل از روش بهینه سازی ازدحام عملی ارائه داد، PSO تاثیر الگوریتم هوشمند توسط رفتار اجتماعی حیوانات مانند یک گله از پرندگان در حال پیدا کردن یک منبع مواد غذایی و یا یک دسته ماهی درحال دفاع از خود در برابر شکارچی است. یک ذره در PSO شبیه به یک پرنده و یا یک ماهی است که در یک فضای جنبش تحقیق هر ذره از یک سرعت حرکت هر یک از ذرات تشکیل شده است که و با سرعتی هماهنگ است که دارای بزرگی و جهت است. هر موقعیت ذرات در هر نمونه از زمان تحت تاثیر بهترین موقعیت و بهترین جایگاه ذرات در یک فضای مسئله است. عملکرد یک ذره با یک مقدار تناسب اندازه گیری می شود که مختص مسئله است. ارزش تناسب در این الگوریتم استفاده می شود که بهترین موقعیت برای ذرات است. PSO یک روش اکتشافی برنامه ریزی برای نرم افزار برنامه ریزی پویا است.
وینسنت سی امیکاروا [3] یک روش اکتشافی برنامه ریزی با هدف تخصیص برای ماشین های مجازی بر اساس مدت سطح SLA و شرایط آن ارائه داد. این امر بر استقرار منابع فیزیکی بر اساس قابلیت دسترسی منابع تمرکز دارد، به طوری که نقض SLAرا با استفاده از این روش کاهش می دهد. یک متعادل کننده بار یکپارچه برای بهره برداری از منابع بالا و کارآمد در محیط محاسباتی ابری فراهم می کند. الگوریتم استراتژی تعادل بار محلی فراهم می کند و پدیده تخصیص منابع جهانی برای بهره برداری از منابع بهتر در محیط ابری است.
چاندراشخار اس. پاوار [4] نشان دهنده یک الگوریتم برای اولویت مبتنی بر استراتژی تخصیص منابع پویا در محیط ابری است، برنامه ریزی اصلاح شده اکتشافی برای اجرای بالاترین اولویت را فراهم می کند که به عنوان AR (رزرو پیشرفته) برای ممانعت از بهترین کار تلاش پیشدستانه است. این الگوریتم اجرای مناسب در محیط چند ابری را ارائه می کند. می توان در مجموعه ای متفاوت از مشاغل بیش از اجرای ابر های متعدد آن را اجرا کرد. درخواست های مختلف را می توان در حالت AR برای اهدافSLA اجرا کرد.
ژن شیائو [5] طراحی و پیاده سازی یک سیستم مدیریت منابع خودکار را ارائه می دهد که می تواند برای جلوگیری از بار بیش از حد در سیستم باشد، در حالی که با به حداقل رساندن تعداد سرور های استفاده شده، مفهوم اندازه گیری چولگی کارکرد تبدیل سرور و کارکرد اصلاحی محدودیت منابع چند بعدی را معرفی می کند. یک الگوریتم پیش بینی بار که می تواند آینده کاربردهای منابع برنامه بدون جزئیات داخلی را حدس بزند، طراحی کنید.
دوریان مینارولی و برند فریزلبن تخصیص منابع VM در محاسبه ابری از طریق کنترل فازی چند عامل با متمرکز بر منبع پویایی تخصیص VM محلی بر روی هر دستگاه فیزیکی یک ارائه دهنده ابری و در نظر گرفتن حافظه و CPU به عنوان منبع ارائه دادند که می تواند مدیریت شود. کنترل فازی برای کوچک کردن یک تابع مطلوبیت جهانی به عنوان n یک محاسبه سریع اکتشافی بر اساس قوانین فازی اجرا شد. ملاحظات مسئله این است که چگونه منابع از یک ارائه دهنده ابری باید VM را به صورت پویا دوباره تخصیص دهد که تغییرات بارکاری برای نگه داشتن عملکرد با توجه به SLA است.

3. استراتژی برنامه ریزی و مسائل طراحی
در این بخش ما نموداری بر اساس محیط ابری و برنامه ریزی اکتشافی پیشنهاد می دهیم. الگوریتم پیشنهادی ما به طور کلی در منابع SLA بر اساس تأمین و برنامه ریزی تطبیقی آنلاین برای قابلیت پیشدستی پیشرفته به منظور اجرای وظیفه است. دو گام اساسی برای استفاده موثر از منابع ابری مورد نیاز است که به اهداف SLA می رسد.

A. تخصیص منابع و استقرار نرم افزار
سه نوع لایه وجود دارد که ترکیبی برای استفاده در تأمین منابع برای سرویس درخواست کاربر است. به طور کلی به عنوان مدل های سرویس در محاسبات ابری شناخته شده است. IaaS، SaaS و PaaS.

در “شکل 1” چگونگی ارتباط با مشتری ابری با ارائه دهنده ابری برای استفاده از خدمات مختلف را نشان می دهد. شرایط SLA و شرایط باید برای اولین بار تامین شود. سه نوع لایه در نمودار آورده شده وجود دارد: لایه خدمات، لایه کنترل و لایه های منابع فیزیکی. لایه کنترل منابع تخصیصی و مجازی سازی، لایه منابع شامل منابع فیزیکی درون یک ابر، لایه خدمات شامل سه نوع از خدمات IaaS، PaaS و SaaS را کنترل می کند.
SaaS (نرم افزاری به عنوان یک سرویس) برنامه های کاربردی و نرم افزار مورد در خواست کاربر را تحویل می دهد که توسط شخص ثالث اداره می شود. در هر مرحله شامل برنامه های کاربردی، مجازی سازی، زمان اجرا، QOS، سرور و مدیریت ذخیره سازی توسط فروشنده است.
PaaS (پلت فرمی به عنوان یک سرویس) پلت فرمی را به برای توسعه نرم افزار، با استفاده از سرویسهای Paas پلت فرم با توجه به درخواست کاربر برای هدف توسعه ارائه شده تحویل می دهد.
IaaS (زیرساخت به عنوان سرویس( منابع محاسباتی در مورد در خواست کاربر ارائه می کند؛ مانند فیزیکی یا VM ها، ذخیره سازی مبتنی بر فایل، متعادل کننده بار و فایروال.
تامین ابر و مدل استقرار نرم افزار [3] در شکل [2] نشان داده شده است. از سه نوع مدل خدمات ترکیب شده اند. در هر لایه، شامل مسئولیت هایی برای تأمین منابع برای رسیدن به اهداف SLA است. همانطور که در شکل [2] مشتری درخواست های خود را به پورتال خدمات می دهد (مرحله 1). پورتال خدمات درخواستی آنها را برای پردازش و بخش مدیریت برای بررسی اعتبار سنجیمی گذراند (مرحله 2). اگر درخواست اعتباری داشته باشد، پس آن را باید برای زمانبندی به جلو فرستاد و متعادل کننده بار را تأمین برای منابع مناسب فرستاد(مرحله 3). متعادل کننده بار موتور تأمین لایه PaaS برای انتخاب VMمناسب است و تأمین خدمات در حال اجرا مجازی ماشین آلات را متعادل می کنند (مرحله 4). لایه مجازی سازی برای مدیریت ماشین مجازی و تعامل با منابع فیزیکی با استفاده از لایه laas موتور تامین استفاده می شود )مرحله 6 ).
ماتریکس منابع سطح پایین و منابع فیزیکی در لایه IaaS با چارچوب LoM2HiS نظارت می شوند (مرحله 6). اگر نقض SLA رخ دهد، اقدامات واکنشی توسط تکنیک های پایگاه داده دانش در FoSII (مرحله 7) ارائه می شوند. وضعیت خدمات درخواستی و اطلاعات SLA با پورتال خدمات مجدداً ارتباط بر قرار می کنند (مرحله 8(.
تأمین ذخیره را می توان در تک لایه به تنهایی انجام داد. اما روش و الگوریتم ما برای ارائه استراتژی برنامه ریزی منابع یکپارچه هدفمند شده است. بنابراین ما سه لایه را در نظر می گیریم. لایه LaaS مسئول مدیریت منابع فیزیکی است. لایه PaaS مسئولیت گسترش و مدیریت VM است که با منابع فیزیکی با توجه به توافق SLA با مشتریان نقشه کشی می شود.

در شکل 3 برنامه ریزی منابع محلی و جهانی بین ابرها متعدد نشان داده شده است، همانطور که در برنامه ریزی ابر دیدیم، n عدد از کاربران وجود دارند که می تواند هر گونه درخواست زمان برای تامین کننده ابری ارائه دهند، اگر تمام منابع ابر فعلی در یک زمان مشغول باشند و درخواست جدید با اولویت بالا برسد، پس ارائه دهنده ابر باید درخواست را در لیست انتظار قرار دهد، بنابراین در اینجا یک راه حل ارائه شده در این الگوریتم برای برنامه ریزی و توزیع درخواست کاربر بطور موثر در سراسر ابرها و پیشدستی منابع از اولویت کم به اولویت بالا وجود دارد. الگوریتم ارائه شده همچنین قادر به بررسی تحمل خطا در سیستم ابری است.