ترجمه مقاله زمانبندی وظیفه کاهشی محل‌ برای نگاشت‌ کاهش (MapReduce) - نشریه ACM

ترجمه مقاله زمانبندی وظیفه کاهشی محل‌ برای نگاشت‌ کاهش (MapReduce) - نشریه ACM
قیمت خرید این محصول
۳۵,۰۰۰ تومان
دانلود رایگان نمونه دانلود مقاله انگلیسی
عنوان فارسی
زمانبندی وظیفه کاهشی محل‌ برای نگاشت‌ کاهش (MapReduce)
عنوان انگلیسی
Locality-Aware Reduce Task Scheduling for MapReduce
صفحات مقاله فارسی
24
صفحات مقاله انگلیسی
7
سال انتشار
2011
نشریه
ACM
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
ورد تایپ شده
رفرنس
دارد
کد محصول
5323
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است
وضعیت ترجمه متون داخل تصاویر
ترجمه نشده است
رشته های مرتبط با این مقاله
مهندسی کامپیوتر و مهندسی فناوری اطلاعات IT
گرایش های مرتبط با این مقاله
رایانش ابری، شبکه های کامپیوتری، برنامه نویسی کامپیوتر، مهندسی نرم افزار و مهندسی الگوریتم ها و محاسبات
مجله
سومین کنفرانس بین المللی علوم و فناوری پردازش ابری
دانشگاه
دانشگاه کارنگی ملون، قطر
۰.۰ (بدون امتیاز)
امتیاز دهید
فهرست مطالب
چکیده
1- مقدمه
2- پس‌زمینه : زمان‌بندی هدوپ
3- آمیختگی اولیه در هدوپ
4- زمانبند کاری LARTS
الف) انگیزه
ب) LARTS و انتقال اولیه
ج) حداکثر رک‌ها و حداکثر گره‌ها : محل و رابطۀ جایگزینی
هـ) یک نمونۀ کاری
5- ارزیابی کمی
الف) روش‌شناختی
ب) مقایسه با هدوپ داخلی
ج) مطالعۀ حساسیت
6- پژوهش مرتبط
7- نتیجه‌گیری و دستورالعمل‌های آتی
نمونه چکیده متن اصلی انگلیسی
Abstract

MapReduce offers a promising programming model for big data processing. Inspired by functional languages, MapReduce allows programmers to write functional-style code which gets automatically divided into multiple map and/or reduce tasks and scheduled over distributed data across multiple machines. Hadoop, an open source implementation of MapReduce, schedules map tasks in the vicinity of their inputs in order to diminish network traffic and improve performance. However, Hadoop schedules reduce tasks at requesting nodes without considering data locality leading to performance degradation. This paper describes Locality-Aware Reduce Task Scheduler (LARTS), a practical strategy for improving MapReduce performance. LARTS attempts to collocate reduce tasks with the maximum required data computed after recognizing input data network locations and sizes. LARTS adopts a cooperative paradigm seeking a good data locality while circumventing scheduling delay, scheduling skew, poor system utilization, and low degree of parallelism. We implemented LARTS in Hadoop-0.20.2. Evaluation results show that LARTS outperforms the native Hadoop reduce task scheduler by an average of 7%, and up to 11.6%.

نمونه چکیده ترجمه متن فارسی
چکیده ـ نگاشت‌کاهش، الگوی برنامه‌نویسی امیدوارکننده‌ای برای پردازش داده‌های حجیم محسوب می‌شود. نگاشت‌کاهش با الهام از زبان‌های کاربردی به برنامه‌نویسان امکان نوشتن کدهای به سبک کاربردی می‌دهد تا به صورت خودکار به صورت وظایف متعدد نگاشت یا کاهش تقسیم شده و در تمام داده‌های توزیعی سراسر دستگاههای متعدد زمانبندی شوند. هدوپ به عنوان اجرای منبع باز نگاشت‌کاهش، وظایف نگاشت را در مجاورت دروندادهای آنها برنامه‌ریزی می‌کند تا ترافیک شبکه را کاهش داده و عملکرد را بهبود بخشد. با وجود این، هدوپ، وظایف کاهشی را در گره‌های مورد درخواست بدون توجه به محل داده منتج به تنزل عملکرد زمانبندی می‌کند. این مقاله به شرح زمانبند وظایف کاهش محل‌آگاه (LARTS)، راهبرد عملی بهبود عملکرد نگاشت‌کاهش می‌پردازد. LARTS در تلاش است تا وظایف کاهشی را با حداکثر داده‌های مورد نیاز محاسبه شده پس از تشخیص موقعیت و اندازۀ دادۀ ورودی شبکه مرتب کند. LARTS پارادایم مشترکی را با جستجوی محل مناسب داده را در عین کسب تاخیر زمانبندی، زمان‌بندی چوله، استفاده از سیستم ضعیف و درجۀ پایین تطابق اتخاذ می‌کند. ما LARTS را در نتایج ارزیابی هدوپ-0.20.2. اعمال نمودیم تا نشان دهیم که LARTS بامیانگین 7 درصد و مضاف بر این تا 11.6 درصد، بهتر از زمان‌بند محلی کار کاهشی هدوپ عمل می‌کند.

بدون دیدگاه