بررسی روش های مدیریت منابع در رایانش ابری و چالش های آن ها

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,035

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

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

IRANWEB02_021

تاریخ نمایه سازی: 9 مرداد 1395

چکیده مقاله:

محاسبات ابری، به عنوان یک نمونه محاسبات رایج برای سرویس ها و سیستم های محاسباتی بزرگ، شناخته می شود. اخیرا تحقیقات مهمی روی تکنیک های مدیریت منابع، انجام شده است که بر روی به اشتراک گذاری مؤثر منابع میان چندین کاربر، تمرکز دارد. تکنیکهای مدیریت منابع در ابرها برای محاسبات و ظرفیت کار مؤثر برنامه های کاربردی که پارامترهای بهینه دارند، طراحی شده اند.این مقاله یک مرور جامع بر تکنیک های مدیریت منابع و شرح دقیق طبقه بندی گسترده آن براساس خصوصیات مختلف را ارائه می دهد و به مقایسه این روشها، مزایا و معایب هر یک می پردازد. به علاوه این ره آورد، طراحی اهداف و بررسی چالش هایی را که باید در حین پیشنهادات جدید تکنیک های مدیریت منابع در نظر گرفته شود، فراهم می کند و با ارائه یک طبقه بندی از تکنیک های مدیریت منابع مبتنی بر استانداردهای مدیریت منابع اصلی، راهکاری عالی برای پژوهشگران در این زمینه خواهد بود.

نویسندگان

ابوالفضل اسفندی

مربی گروه کامپیوتر دانشگاه آزاد اسلامی واحد بروجرد

بابک فولادی نیا

دانشجوی دکتری گروه کامپیوتر دانشگاه آزاد اسلامی واحد اراک

مهدی فرتاش

استادیار، گروه کامپیوتر 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 ...
  • Jennings B, Stadler R. Resource management in clouds: _ and ...
  • Lin CT. Comparative based analysis of scheduling algorithms for RM ...
  • Kokilavani T, George Amalarethinam DI. Load balanced min-min algorithm for ...
  • Wei Y, Blake MB. Adaptive service workflow configuration and agent-based ...
  • dynamic decentralized optimization in autonomic computing systems. In: Self-star properties ...
  • He L, Zou D Zhang Z, Chen C, Jin H, ...
  • Jung G, Sim KM. Agent-based adaptive resource allocation _ the ...
  • Marojevic V, Gomez I, Gilabert PL, Montoro G, Gelonch A. ...
  • multidimen sional resource allocation. Future Gener Comput Syst 2013:29: 1345-52. ...
  • Beloglazov A, Abawajy JH, Buyya R. Energy-aware resource allocation heuristics ...
  • Kansal NJ, Chana I. Cloud load balancing techniques: a step ...
  • Shahapure NH, Jayarekha P. Load balancing in cloud computing: a ...
  • A1 Sallami NM, Al Daoud A. Load balancing with neural ...
  • Tziritas N, Xu C-Z, Loukopoulos T, Khan SU, Yu Z. ...
  • Addis B, Ardagna D, Panicucci B, Squillante MS, Zhang L. ...
  • Ardagna D, Panicucci B, Trubian M, Zhang L. Energy- aware ...
  • 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. ...
  • Zaman S, Grosu D. A combinatoria auction-based mechanism for dynamic ...
  • 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. Profit- maximizing resource allocation for multi-tier ...
  • Ban Y, Chen H, Wang Z. EALARM: an ENHANCE autonomic ...
  • نمایش کامل مراجع