ترجمه مقاله تشخیص الگوی عمومی با استفاده از یادگیری ماشین در فضای ابری – نشریه الزویر
مبلغ : 78800 تومان
سال انتشار : 2023
دانلود ترجمه مقاله زمان بندی شغل های موازی با اجراهای آزمایشی و ادغام در ابر – نشریه الزویر
قیمت خرید این کالا
39,800 تومان
| عنوان فارسی: | زمان بندی شغل های موازی با اجراهای آزمایشی و ادغام در ابر |
| عنوان انگلیسی: | Scheduling parallel jobs with tentative runs and consolidation in the cloud |
| تعداد صفحات مقاله انگلیسی : 11 | تعداد صفحات ترجمه فارسی : 28 |
| سال انتشار : 2015 | نشریه : الزویر - Elsevier |
| فرمت مقاله انگلیسی : PDF | فرمت ترجمه مقاله : ورد تایپ شده |
| کد محصول : 4605 | رفرنس : دارد |
| محتوای فایل : zip | حجم فایل : 3.02Mb |
| رشته های مرتبط با این مقاله: مهندسی صنایع، مهندسی کامپیوتر |
| گرایش های مرتبط با این مقاله: برنامه‌ریزی و تحلیل سیستم‌ها، معماری سیستم های کامپیوتری، مهندسی الگوریتم ها و محاسبات، بهینه سازی سیستم ها و رایانش امن |
| مجله: دانشکده مدیریت و سیستم اطلاعاتی، دانشگاه ملی فناوری دفاع، چانگشا، چین |
| دانشگاه: مجله سیستم ها و نرم افزار |
| کلمات کلیدی: رایانش ابری، زمان بندی شغلی موازی، ادغام حجم کار |
| وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده 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
۱ مقدمه
۲ کارهای مرتبط
۱ ۲ روشهای زمان بندی شغلی موازی سنتی
۲ ۲ زمان بندی شغلی موازی با اجرای آزمایشی
۳ ۲ زمان بندی شغل موازی در محیط های مجازی
۳ الگوریتم های زمان بندی
۱ ۳ معماری VM دو ردیفه برای ادغام حجم کار موازی مبتنی بر اولویت
۲ ۳ الگوریتم پایه
۱ ۲ ۳ شرح الگوریتم
۲ ۲ ۳ مثال
۳ ۳ الگوریتم اصلاح شده
۱ ۳ ۳ شرح و وصف الگوریتم
۲ ۳ ۳ مثال
۴ ارزیابی
۱ ۴ روش ارزیابی
۲ ۴ نتایج ارزیابی
۳ ۴ بحث
۱ ۳ ۴ تاثیر صحت برآورد مصرف CPU
۲ ۳ ۴ تاثیر مصرف متوسط CPU فرایندهای موازی
۵ نتایج و کار آتی
نمونه متن انگلیسی
abstract
Since the success of cloud computing, more and more high performance computing parallel applications run in the cloud. Carefully scheduling parallel jobs is essential for cloud providers to maintain their quality of service. Existing parallel job scheduling mechanisms do not take the parallel workload consolidation into account to improve the scheduling performance. In this paper, after introducing a prioritized two-tier virtual machines architecture for parallel workload consolidation, we propose a consolidation-based parallel job scheduling algorithm. The algorithm employs tentative run and workload consolidation under such a twotier virtual machines architecture to enhance the popular FCFS algorithm. Extensive experiments on wellknown traces show that our algorithm significantly outperforms FCFS, and it can even produce comparable performance to the runtime-estimation-based EASY algorithm, though it does not require users to provide runtime estimation of the job. Moreover, our algorithm allows inaccurate CPU usage estimation and only requires trivial modification on FCFS. It is effective and robust for scheduling parallel workload in the cloud.
نمونه متن ترجمه
چکیده
از زمان موفقیت رایانش ابری، برنامه های کاربردی موازی محاسبه با عملکرد بالاتر در ابر اجرا می شوند. زمان بندی دقیق شغل های موازی، برای فراهم کنندگان ابری و حفظ کیفیت سرویس لازم و ضروری می باشد. مکانیزم های زمان بندی شغلی موازی موجود، برای بهبود عملکرد زمان بندی، ادغام حجم کار موازی رامحاسبه نمی کنند. در این مقاله، بعد از معرفی معماری ماشین های مجازی دو ردیفه اولویت بندی شده برای ادغام حجم کار موازی، الگوریتم زمان بندی شغلی موازی مبتنی بر ادغام را پیشنهاد می کنیم. الگوریتم مذکور از اجرای آزمایشی و ادغام حجم کار تحت معماری ماشین های مجازی دو ردیفه برای بهبود الگوریتم مشهور FCFS استفاده می کند. آزمایشات گسترده پیرامون آثار معروف و شناخته شده نشان می دهد الگوریتم پیشنهادی برتر از FCFS می باشد و حتی عملکردی قابل قیاس با الگوریتم EASY مبتنی بر برآوردزمان اجرا تولید می کند، هر چند مستلزم آن نیست که کاربران برآوردی از زمان اجرای شغل ارائه نمایند. به علاوه، الگوریتم پیشنهادی امکان برآورد مصرف نادرست CPU را فراهم آورده و تنها نیازمند تغییرات جزئی روی FCFS می باشد. الگوریتم پیشنهادی برای زمان بندی حجم کار موازی در ابر موثر و پایدار می باشد.
