ترجمه مقاله به سوی ارتقای کیفیت نرم افزار توسط مدیریت دانش مشتری – نشریه الزویر
مبلغ : 42800 تومان
سال انتشار : 2018
ترجمه مقاله عملکرد و مدلسازی انرژی برای مهاجرت زنده ماشین های مجازی – نشریه ACM
قیمت خرید این کالا
44,800 تومان
| عنوان فارسی: | عملکرد و مدلسازی انرژی برای مهاجرت زنده ماشین های مجازی |
| عنوان انگلیسی: | Performance and Energy Modeling for Live Migration of Virtual Machines |
| تعداد صفحات مقاله انگلیسی : 11 | تعداد صفحات ترجمه فارسی : 30 |
| سال انتشار : 2011 | نشریه : ACM |
| فرمت مقاله انگلیسی : PDF | فرمت ترجمه مقاله : ورد تایپ شده |
| کد محصول : 4875 | رفرنس : دارد |
| محتوای فایل : zip | حجم فایل : 1.12Mb |
| رشته های مرتبط با این مقاله: مهندسی کامپیوتر |
| گرایش های مرتبط با این مقاله: معماری سیستم های کامپیوتری، رایانش ابری و مهندسی نرم افزار |
| مجله: سمپوزیوم بین المللی محاسبات توزیع شده با کارایی بالا |
| دانشگاه: دانشکده علوم و فناوری کامپیوتر، دانشگاه علم و فناوری Huazhong، ووهان، چین |
| کلمات کلیدی: ماشین مجازی، مهاجرت زنده، مدل عملکردی، انرژی |
| وضعیت ترجمه عناوین تصاویر و جداول: ترجمه نشده است |
| وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است |
| وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است |
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب
چکیده
1- مقدمه
2- مهاجرت VM زنده
3- مدل های انرژی و عملکرد
3-1- مدل پایه عملکرد مهاجرت
3-2- مدل اصلاح شده عملکرد مهاجرت
3-3- مدل انرژی مهاجرت VM
3-3-1 چالش های مدلسازی
3-3-2 ساختار مدل
3-3-3- آموزش پارامترهای مدل
3-4- تصمیم گیری مهاجرت VMModel-Guided
4- پیاده سازی
4-1- چارچوب سیستم
4-2- اندازه گیری میزان کثیفی حافظه
4-3- میزان انتقال داده تطبیقی
5- ارزیابی ها
5-1- تنظیم آزمایش
5-2- اندازه گیری حافظه کثیف
5-3- اعتبار دقت مدل
5-4- هزینه مهاجرت model-guided
6- کارهای مربوطه
7- نتیجه گیری
نمونه متن انگلیسی
ABSTRACT
Live migration of virtual machine (VM) provides a significant benefit for virtual server mobility without disrupting service. It is widely used for system management in virtualized data centers. However, migration costs may vary significantly for different workloads due to the variety of VM configurations and workload characteristics. To take into account the migration overhead in migration decisionmaking, we investigate design methodologies to quantitatively predict the migration performance and energy cost. We thoroughly analyze the key parameters that affect the migration cost from theory to practice. We construct two application-oblivious models for the cost prediction by using learned knowledge about the workloads at the hypervisor (also called VMM) level. This should be the first kind of work to estimate VM live migration cost in terms of both performance and energy in a quantitative approach. We evaluate the models using five representative workloads on a Xen virtualized environment. Experimental results show that the refined model yields higher than 90% prediction accuracy in comparison with measured cost. Model-guided decisions can significantly reduce the migration cost by more than 72.9% at an energy saving of 73.6%.
نمونه متن ترجمه
چکیده
مهاجرت زنده ماشین های مجازی (VM) منافع قابل توجهی برای پویایی سرور مجازی بدون قطع سرویس فراهم می آورد. آن بطور گسترده برای مدیریت سیستم در مراکز داده مجازی شده استفاده شده است. گرچه هزینه های مهاجرت ممکن است برای حجم کارهای متفاوت بعلت تنوع شکل های VM و مشخصه های حجم کار بسیار بالا باشند. برای درنظر گرفتن مخارج کلی مهاجرت در تصمیم گیری مهاجرت، ما روش های طراحی برای پیش بینی کمی عملکرد مهاجرت و هزینه انرژی را بررسی می کنیم. ما بطور کامل پارامترهای کلیدی که بر هزینه مهاجرت تاثیر می گذارند از تئوری تا عمل را تحلیل می کنیم. ما دو مدل application-oblivious برای پیش بینی هزینه با استفاده از دانش در دست درباره حجم کارها در سطح هایپروایزر (همچنین VMM نامیده می شود) تشکیل می دهیم. این باید اولین نوع از کار باشد تا هزینه مهاجرت زنده VM بر حسب عملکرد و انرژی را در یک رویکرد کمی تخمین بزند. ما مدل ها را با استفاده از پنج حجم کار نماینده بر محیط مجازی شده Xen ارزیابی می کنیم. نتایج آزمایش ها نشان می دهد که مدل تصفیه شده منجر به بیشتر از 90% دقت پیش بینی در مقایسه با هزینه اندازه گیری شده می شود. تصمیم گیری های Model-guided به مقدار قابل توجه هزینه مهاجرت را بیشتر از 9/72% در یک ذخیره انرژی 6/73% کاهش می دهد.
