مدل تطبیق پذیر مدیریت برنامه به منظور افزایش بهره وری بهینه منابع سرورها

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 801

فایل این مقاله در 8 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_041

تاریخ نمایه سازی: 9 مرداد 1395

چکیده مقاله:

رایانش ابری یکی از جدیدترین راه حل های ارائه شده برای دوام سازمان ها در فضای رقابتی است. یک سازمان را در نظر بگیرید که قصد مهاجرت به زیرساخت رایانش ابری را دارد. حال مسئله این است که آیا سازمان می تواند به کارایی برنامه ها در ابر اطمینان کند؟ از چه راهکاری جهت نزدیک کردن منابع پردازشی موجود در ماشین فیزیکی با منابع پردازشی مورد نیاز برنامه ها می توان بهره برد تا بدین طریق مانع از بروز مشکلاتی چون عدم بهره وری بهینه از منابع پردازشی، عدم رضایت مشتریان، زمان پاسخ بالا و میزان گذردهی پایین برای اجرای برنامه ها شد.در این مقاله با ارائه یک مدل تطبیق پذیر، گلوگاه کارایی را پیش بینی می نماییم تا بتوان قبل از وقوع گلوگاه اقدام مناسب انجام داده جلوی کاهش کارایی را گرفت. رویکرد پیشنهادی این است که مقدار منابع پردازشی مورد نیاز در ماشین های فیزیکی پیش بینی شود. سپس با محاسبه ارتباط میان میزان منابع پردازشی و هریک از سنجه های کارایی، مقدار زمان پاسخ و میزان گذردهی در ماشین های فیزیکی پیش بینی می گردد وسپس با شبیه سازی درخواست سرویس ها،داده های مورد نظر جهت محاسبه مدل کارایی تولیدمی شوند. سپس با مقایسه مقدار هر منبع با حد آستانه در نظر گرفته شده برای آن، گلوگاه کارایی پیش بینی می گردد. در انتها با استفاده از آزمایش های مختلف، اقدام به ارزیابی عملکرد مدل نمودیم. در انتهای مقاله، با بررسی نتایج به دست آمده و انجام تحلیل های آماری لازم، نقاط قوت و ضعف مدل را بیان نموده و راهکارهایی برای ادامه پژوهش پیشنهادی ارائه می نماییم.

کلیدواژه ها:

محاسبات ابری ، مدل تطبیقی ، کارایی برنامه ، بهره وری منابع سرورها

نویسندگان

آیناز غفرانی

گروه مهندسی کامپیوتر، دانشگاه علم و فرهنگ، تهران

سمیه طاهری

گروه مهندسی کامپیوتر دانشگاه صنعتی شریف، تهران

مازیار گودرزی

گروه مهندسی کامپیوتر،عضو هیات علمی دانشگاه صنعتی شریف، تهران

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 :
  • Zhu, X. (2014). Application performance management using learning, optimization, and ...
  • Padala, P., Hou, K.-Y., Shin, K. G., Zhu, X., Uysal, ...
  • Xiong, P., Pu, C., Zhu, X., Griffith, R. (2013). vPerfGuard: ...
  • Jain, R. (1991). The Art of Computer Systems Performance Analysis. ...
  • Cohen, I., Chase, J. (2004). Correlating instrumentation data to system ...
  • http : //www. correls ens _ _ _ om/blo g/six- ...
  • Padala, P., Hou, K., Zhu, X., Uysal, M., Wang, Z., ...
  • Doyle, R.P., Chase, J.S., Asad, O.M., Jin, W., Vahdat, A. ...
  • Bodik, P., Goldszmidt, M., Fox, A., Woodard, D.B., Andersen, H. ...
  • Shen, K., Zhong, M., Li, C. (2005). I/O system performance ...
  • Cohen, I., Goldszmidt, M., Kelly, T., Symons, J., Chase, J.S. ...
  • Sotomayor, B., Montero, R., Llorente, I., Foster, I. (2009).__An Open ...
  • https : /g ang lia.wikimedi. _ ...
  • نمایش کامل مراجع