بررسی پارامترهای ارزیابی موثر در طراحی روشهای مدیریت منابع در رایانش ابری

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 898

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CBCONF01_0184

تاریخ نمایه سازی: 16 شهریور 1395

چکیده مقاله:

محاسبات ابری، زمینه بسیار رایجی در حال حاضر می باشد که به سرعت در حال رشد است و به نظر می رسد گستررواقعی و چشمگیری داشره باشد. برای فراهم کردن کیفیت سرویس در محیط های اطلاعاتی، تحقیقات زیادی در سرتاسرجهان انجام شد است که بر روی به اشتراک گذاری مؤثر منابع میان چندین کاربر، تمرکز دارد. هزینه خدمات و کیفیت براساس فرآیند تخصیص منابع در سرویس محاسبات ابری می باشد که این تکنیک ها برای محاسبات و ظرفیت کار مؤثربرنامه های کاربردی که پارامترهای بهینه دارند، طراحی شده اند. اما مشکلی که وجود دارد، مسائل و اهدافی است که بایددر حین ارائه یک روش جدید در نظر گرفت. این مقاله اهداف طراحی و چالش هایی را که در زمان ارائه یک روش جدیدبرای مدیریت منابع، مورد نیاز است را بررسی کرد و یک طبقه بندی از انواع پارامترها، بسترها و محیط های مورد نیازجهت ارزیابی روشهای مدیریت منابع، ارائه می دهد.

نویسندگان

بابک فولادی نیا

دانشجوی دکتری، دانشگاه آزاد اسلامی واحد اراک

ابوالفضل اسفندی

مربی، دانشگاه آزاد اسلامی واحد بروجرد

مهدی فرتاش

استادیار، دانشگاه آزاد اسلامی واحد اراک

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Garcia AG, Espert IB, Garcیa VH. SLA-driven dynamic cloud resource ...
  • Arianyan E, Taheri H, Sharifian S. Novel energy and SLA ...
  • O:Sullivan MJ, Grigoras D. Integrating mobile and cloud resources management ...
  • Gulati A, S h anmuganathan G, Holler A, Irfan A. ...
  • Bilal K, Khan SU, Zomaya AY. Green data center networks: ...
  • Singh S, Chana I. Q-aware: quality of service based cloud ...
  • Al Sallami NM, Al Daoud A. Load balancing with neural ...
  • Tziritas N, Xu C-Z, Loukopoulos T, Khan SU, Yu Z. ...
  • kram A, Anjum A, Bessis N. A cloud resource management ...
  • Beloglazov A, Abawajy JH, Buyya R. Energy-aware resource allocation heuristics ...
  • Zaman S, Grosu D. A combinatorial auction-based mechanism for dynamic ...
  • Addis B, Ardagna D, Panicucci B, Squillante MS, Zhang L. ...
  • Ardagna D, Panicucci B, Trubian M, Zhang L. Energy-aware autonomic ...
  • Ardagna D, Casolari S, Colajanni M, Panicucci B. Dual time-scale ...
  • Wei Y, Blake MB, Saleh I. Adaptive RM for service ...
  • Ergu D, Kou G, Peng Y, Shi Yong, Shi Yu. ...
  • Chunlin L, Layuan L. Multi-Layer RM in cloud computing. J ...
  • Ali S, Jing Si-Yuan, Kun S. Profit-aware DVFS enabled RM ...
  • Goudarzi H, Pedram M. Pro fit-maximizing resource allocation for multi-tier ...
  • Ban Y, Chen H, Wang Z. EALARM: an ENHANCE autonomic ...
  • Kokilavan T, George Am alarethinam DI. Load balanced min-min algorithm ...
  • Ye D, Chen J. Non- cooperative games On multidimens ional ...
  • Jung G, Sim KM. Agent-based adaptive resource allocation on the ...
  • He L, Zou D, Zhang Z, Chen C, Jin H, ...
  • Malik S, Huet F, Caromel D. Latency based group discovery ...
  • Grewal RK, Pateriya PK. A rule-based approach for effective resource ...
  • Choudhury K, Dutta D, Sasmal K. RM in a hybrid ...
  • Altmann J, Kashef MM. Cost model based service placement in ...
  • Farahabady MRH, Lee YC, Zomaya AY. Pareto-optimal cloud bursting. IEEE ...
  • Liang H, Cai LX, Huang D, Shen X, Peng D. ...
  • Ge Y, Zhang Y, Qiu Q, Lu Y. A game ...
  • نمایش کامل مراجع