ترجمه مقاله مدلسازی تصادفی و تحلیل مرکز داده رایانش ابری - نشریه IEEE

ترجمه مقاله مدلسازی تصادفی و تحلیل مرکز داده رایانش ابری - نشریه IEEE
قیمت خرید این محصول
۳۹,۰۰۰ تومان
دانلود مقاله انگلیسی
عنوان فارسی
مدلسازی تصادفی و تحلیل مرکز داده رایانش ابری
عنوان انگلیسی
Stochastic Modelling and Analysis of Cloud Computing Data Center
صفحات مقاله فارسی
12
صفحات مقاله انگلیسی
5
سال انتشار
2017
رفرنس
دارای رفرنس در داخل متن و انتهای مقاله
نشریه
آی تریپل ای - IEEE
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
pdf و ورد تایپ شده با قابلیت ویرایش
فونت ترجمه مقاله
بی نازنین
سایز ترجمه مقاله
14
نوع مقاله
ISI
نوع ارائه مقاله
کنفرانس
شناسه ISSN مجله
2472-8144
کد محصول
11174
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است ✓
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه نشده است ☓
وضعیت ترجمه منابع داخل متن
به صورت عدد درج شده است ✓
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس، درج شده است
ضمیمه
ندارد ☓
بیس
نیست ☓
مدل مفهومی
ندارد ☓
پرسشنامه
ندارد ☓
متغیر
ندارد ☓
رفرنس در ترجمه
در انتهای مقاله درج شده است
رشته و گرایش های مرتبط با این مقاله
مهندسی کامپیوتر و فناوری اطلاعات، رایانش ابری، اینترنت و شبکه های گسترده
کنفرانس
بیستمین کنفرانس نوآوری ها در ابرها، اینترنت و شبکه ها - 20th Conference on Innovations in Clouds
دانشگاه
آزمایشگاه کامپیوتر، شبکه ها، تحرک و مدل سازی، دانشکده ملی علوم کاربردی، مراکش
کلمات کلیدی
مرکز داده ابری، نظریه صف بندی، تحلیل عملکرد
کلمات کلیدی انگلیسی
Cloud Data Center - Queueing Theory - Performance Analysi
doi یا شناسه دیجیتال
https://doi.org/10.1109/ICIN.2017.7899401
فهرست مطالب
چکیده
1. مقدمه
2. مدل مرکز داده ابری
3. تحلیل نظری
A. مدل صف بندی توازن بار
B. مدل صف بندی مرکز داده ابری
4. نتایج شبیه سازی و عددی
5. نتیجه گیری
تصاویر فایل ورد ترجمه مقاله (جهت بزرگنمایی روی عکس کلیک نمایید)
11174-IranArze     11174-IranArze1
نمونه چکیده متن اصلی انگلیسی
Abstract

Cloud data centers (CDC) are an integral part of today's internet services. Enterprises and Businesses around the world rely heavily on data centers for their daily computation and IT operations. In fact, every time we search for an information on the internet, or we use an application on our smartphones, we access data centers. In CDC, most compute resources are represented as virtual machines (VMs) which are mapped into physical machines (PMs). Performance is often is a key metric for CDC. This paper presents a stochastic model based on queuing theory to aid in studying and analyzing performance in CDC. CDC platforms are modeled with an open queuing system that can be used to estimate the expected Quality of Service (QoS) guarantees the cloud can offer. We give numerical examples to show how the model estimates the number of required VM instances needed to satisfy a given the QoS parameters. In particular, we plot the response time, drop rate and CPU utilization while varying the incoming request arrival rate, and for different number of VM instances. We cross-validate our analytical model using a DES (Discrete Event Simulator). Our analysis and simulation results show that the proposed model is able to estimate the number of VMs needed to achieve QoS targets when varying the arrival request rate.

I. INTRODUCTION

A cloud computing infrastructures consist of services that are offered and delivered through a data center, that can be accessed from a web browser anywhere in the world [1]. Cloud computing providers offer computing resources (servers, storage, networks, development platforms, and applications) to users either elastically or dynamically, according to userdemand and form of payment [2].

V. CONCLUSION

In this paper, we presented an analytical model that can be used in studying the performance of CDC and is able to estimate accurately the needed number VMs to achieve a target QoS metric. We have considered the typical architecture in which a CDC houses a collection of PMs that will be used to run VMs and also LBs. Scenarios were presented to illustrate the usefulness of our analytical model-specifically, in determining the impact of the number of allocated VMs on key performance and QoS parameters which included response time, drop rate and CPU utilization. We cross-validated the results obtained from our analytical model with simulation results obtained from the popular JMT simulator. The simulation and the analysis results are in agreement and thus implying that, our analytical model is correct. As a future work, we plan to conduct experimental work of an elastic-scaling mechanism on a real-world CDC in which our analytical formulas derived in this paper are used to scale resources automatically to meet QoS targets in accordance to variable workloads.

نمونه چکیده ترجمه متن فارسی
چکیده

مراکز داده یا دیتاسنتر ابری (CDC) یکی از بخشهای اصلی خدمات اینترنتی امروز به حساب می آیند. موسسات و کسب و کارهای سرتاسر جهان برای محاسبات روزمره و عملیات های IT شان بر مراکز داده تکیه می کنند. در حقیقت، هر بار که اطلاعاتی را بررروی اینترنت جستجو می کنیم یا از یک اپلیکیشن بررروی تلفن های هوشمندمان استفاده می کنیم، به مراکز داده دسترسی می یابیم. در CDC، اکثر منابع محاسباتی به صورت ماشین های مجازی (VM) نمایش داده شده است که در ماشین های فیزیکی (PM) نگاشته شده اند. یکی از متریک های کلیدی برای CDC، عملکرد می باشد. این مقاله، یک مدل تصادفی مبتنی بر نظریه صف بندی برای کمک به مطالعه و تحلیل عملکرد در CDC مطرح می نماید. پلتفرم های CDC با یک سیستم صف بندی باز مدلسازی شده اند که از آن می توان برای برآورد کیفیت مورد انتظار خدمات (QoS) استفاده نمود و آنچه ابر می تواند عرضه نماید را تضمین می کند. در اینجا، با ارائه مثالهای عددی نشان می دهیم که مدل چگونه می تواند تعداد نمونه های VM مورد نیاز برای تامین پارامترهای QoS را برآورد نماید. به ویژه، زمان پاسخ، نرخ حذف بسته ها و بهره برداری از CPU را ترسیم نموده و درعین حال نرخ ورود درخواست ورودی را برای تعداد متفاوتی از نمونه های VM تغییر می دهیم. سپس مدل تحلیلی را با استفاده از DES (شبیه ساز رویداد گسسته) ارزیابی متقابل می نماییم. نتایج تحلیل و شبیه سازی نشان می دهد که مدل پیشنهادی با تغییر نرخ درخواست ورود می تواند تعداد VM های مورد نیاز جهت نیل به اهداف QoS را برآورد نماید.

1. مقدمه

زیرساخت های رایانش ابری از خدمات عرضه و تحویل داده شده از طریق مرکز داده تشکیل می شوند که از طریق جستجوگروب در سرتاسر جهان می توان به آنها دسترسی یافت [1]. فراهم کنندگان رایانش ابری به صورت کشسانی یا پویا، و مطابق تقاضا و شکل پرداخت منابع محاسباتی ( سرورها، ذخیره سازی، شبکه ها، پلتفرم های توسعه و اپلیکیشن ها) به کاربران عرضه می نمایند [2].

5. نتیجه گیری

در این مقاله، یک مدل تحلیلی معرفی کرده ایم که در مطالعه عملکرد CDC کاربرد دارد و قادر است تعداد مورد نیاز VM برای نیل به متریک QoS هدف را به درستی برآورد نماید. در اینجا معماری نوعی را مورد توجه قرار داده ایم که CDC میزبان مجموعه ای از PMs است که برای اجرای VM و همچنین LB استفاده خواهند شد. برای تشریح سودمندی مدل تحلیلی پیشنهادی، به ویژه در تعیین تاثیر تعداد VMs انتخاب شده بر پارامترهای کلیدی عملکرد و QoS از جمله زمان پاسخ، نرخ حذف بسته ها و بهره برداری از CPU، سناریوهایی مطرح شده است. نتایج بدست آمده از مدل تحلیلی پیشنهادی و نتایج شبیه سازی بدست آمده از شبیه ساز مشهور JMT را ارزیابی متقابل نمودیم. نتایج شبیه سازی و تحلیل باهم موافقند و به همین خاطر صحت مدل تحلیلی پیشنهادی را نشان می دهند. به عنوان کارآتی، قصد داریم در مورد مکانیسم مقیاس بندی الاستیک برروی CDC دنیای واقعی کاری انجام دهیم که از فرمولهای تحلیلی بدست آمده در این مقاله برای مقیاس بندی خودکار منابع و تامین (برآورده نمودن) اهداف QoS مطابق با حجم کارهای متغیر استفاده شده است.


بدون دیدگاه