رویکردی مبتنی بر یادگیری تقویتی برای تأمین پویای منابع در محیط رایانش ابری

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,080

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

IRCEM01_251

تاریخ نمایه سازی: 25 آذر 1395

چکیده مقاله:

در سال های اخیر، استفاده از رایانش ابری توسط سازمان های IT گسترش پیدا کرده است و کاربران زیادی به طور نامنظم در طول زمان از سرویس های ابری استفاده می کنند دسترسی نامنظم به سرویس های ابری، تأمین پویای منابع برای آنها را الزام می کند چرا که منابعی که به صورت ایستا تأمین می شدند. معمولاً برای پاسخگویی به نیازهای نقطه اوج تنظیم می شدند که خود باعث اتلاف منابع بود. تأمین منابع باید بر حسب نیاز و به صورت پویا انجام شود. هدف از این کار کم کردن مصرف انرژی به عنوان یک عامل هزینه ساز و بالا بردن بهره وری منابع است. در این مقاله، رویکردی برای تأمین پویای منابع بر اساس یادگیری تقویتی در محیط رایانش ابری ارائه شده است تا با حداقل سازی هزینه، منابع مورد نیاز برای برنامه های کاربردی کاربران را تأمین کند.

نویسندگان

امین سالار رحیم زاده

دانشجوی کارشناسی ارشد نرم افزار، دانشگاه آزاد اسلامی واحد محلات

مصطفی قبائی آرانی

دکترای تخصصی، دانشگاه آزاد اسلامی واحد محلات

سیدحسین سیدی

دکترای تخصصی، دانشگاه آزاد اسلامی واحد کاشان

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 :
  • ح. ذبیحی، " پردازش ابری"، پایان نامه دوره کارشناسی مهندسی ...
  • مروری بر مقیاس پذیری در رایانش ابری [مقاله کنفرانسی]
  • اکتساب مهارت در یادگیری تقویتی و الگوریتم های آن [مقاله کنفرانسی]
  • س.سلطانیان، " یادگیری سارسای فازی با توزیع محلی پاداش"، پایانامه ...
  • ب.عسگری، 22 رویکردی نوین برای مقیاس‌بندی اتوماتیک منابع با استفاده ...
  • خ. موگویی، " ارائه رویکردی نوین برای بهینه سازی مقیاس ...
  • Lorido-Botran, T., Mi guel-Alonso, J., & Lozano, J. A. (2014). ...
  • Zhong, C., Rao, J., Bu, X. (2011). URL: A unified ...
  • Bahrpeyma, F., Haghighi, H., & Zakerolh osseini _ A. (2015). ...
  • Rao, J., Bu, X., Xu, C. Z., Wang, L, & ...
  • Dutreilh, X., Kirgizov, S., Melekhova, O.. Malenfant, J., Rivierre, N., ...
  • Muppala, S., Chen, G., Zhou, X. (2014). Multi-tier service diferentiation ...
  • Chevaleyre, Y., Dunne, P. E., Endriss, U., Lang, J., Lemaitre, ...
  • Scalas, E., Gallegati, M., Guerci, E., Mas, D., & Tedeschi, ...
  • Berl, A.. Gelenbe, E.., Di Girolamo, M., Giuliani, G., De ...
  • Barrett, E., Howley, E., & Duggan, J. (2013). Applying reinforcement ...
  • Khatua, S., Ghosh, A., & Mukherjee, N. (2010, September). Optimizing ...
  • Yang, J., Liu, C., Shang, Y., Cheng, B., Mao, Z., ...
  • نمایش کامل مراجع