بررسی تأثیر گره های شتاب دهنده در کاهش زمان اتمام کار MapReduce در محیط های ابری ناهمگن

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 510

فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

TDCONF01_106

تاریخ نمایه سازی: 19 تیر 1394

چکیده مقاله:

اخیراً، پیشرفت های چشم گیری درزمینه ی سیستم های محاسبات ابری صورت گرفته که منابع محاسباتی به محض درخواست مطالبه گر بر اساس لایحه های انتقال تخصیص می یابد. پردازش ابری به عنوان یک فراهم کننده خدمات پویا شناخته شده است که در خیلی از منابع مجازی و قابل توسعه در اینترنت استفاده می شود. با توجه به جدید بودن مباحث مربوط به پردازش ابری الگوریتم های استاندارد زمان بندی کارها که در شرایط پردازش ابری استفاده می شود زیاد نیستند به خصوص اینکه به علت هزینه ی بالا ارتباطات در ابر، زمان بندی های شناخته شده ای که در خیلی از محیط های توزیع شده بکار برده می شود در ابر قابل استفاده نیستند. زمان بندی کارها مهم ترین موضوع در محیط های ابری است چراکه کاربر بر اساس زمان هزینه منابعی را که استفاده می کند باید بپردازد. از آنجایی که بهره برداری مؤثر از منابع اهمیت دارد، زمان بندی نقش اساسی برای به دست آوردن حداکثر بازده از منابع دارد. از دیدگاه تهیه کنندگان، ما قصد داریم یک توپولوژی آگاه از منابع برای قرار دادن راه حلی کارا جهت چیره شدن بر اشتراک گذاری اطلاعات بین مهیاکننده و کاربران معرفی کنیم. از دیدگاه کاربران، ما طرحی از تخصیص منابع برای نگهداری حجم وسیعی از منابع مقروضه در راهی که تأثیر پذیری قیمت داشته و الگوریتم زمان بندی به اشتراک گذاری پایه ای وظایف که بالاترین کیفیت و بهترین عملکرد در هم زمان سازی را در محیط ابری ناهمگن ایجاد می کند فراهم کرده ایم.

نویسندگان

بابک آزاد

دانشگاه آزاد اسلامی واحد بابل

مرتضی بابازاده شاره

دانشگاه آزاد اسلامی واحد بابل

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 :
  • David Andersen, Jason Franklin, Michael Kaminsky, Amar Phanishayee, Lawrence Tan, ...
  • Chuanxiong Guo, Guohan Lu, Dan Li, Haitao Wu, Xuan Zhang, ...
  • Chuanxiong Guo, Haitao Wu, Kun Tan, Lei Shi, Yongguang Zhang, ...
  • Virglio Almeidla and Daniel Menasc. Co st-performance analysis of heterogeneity ...
  • P. Brighten Godfrey and Richard M. Karp. On the price ...
  • Thomas Sandholm and Kevin Lai. Mapreduce optimization using regulated dynamic ...
  • Michael A. Iverson, Fusun Ozguner, and Lee Potter. Statistical prediction ...
  • Jaehyung Yang, Ishfaq Ahmad, and Arif Ghafoo. Estimation of execution ...
  • Michael A. Iverson, Fusun Ozguner, and Gregory J. Follen. Run-time ...
  • Kristi Morton, Magdalena Balazinska, and Dan Grossman. Paratimer: a progress ...
  • Abhishek Verma, Ludmila Cherkasova, and Roy Campbell. Slo-driven rightsizing and ...
  • J.M. Schopf and F. Berman. Performance prediction in production environment. ...
  • Peter Bodik, Rean Grith, Charles Sutton, Armando Fox, Michael Jordan, ...
  • Fangzhe Chang, Jennifer Ren, and Ramesh Viswanatha. Optimal resource allocation ...
  • Michael Armbrust, Armando Fox, Rean Grith, Anthony D. Joseph, Randy ...
  • Benjamin Hindman, Andy Konwinski, Matei Zaharia, Ali Ghodsi, Anthony D. ...
  • Navraj Chohan, Claris Castillo, Mike Spreitzer, Malgorzata Steinder, Asser Tantawi, ...
  • Matei Zaharia, Dhruba Borthakur, Joydeep Sen Sarma, Khaled Elmeleegy, Scott ...
  • نمایش کامل مراجع