تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

دانلود ترجمه مقاله بهبود پردازش داده های موازی مبتنی بر گراف وظایف – نشریه الزویر

عنوان فارسی: بهبود پردازش داده های موازی مبتنی بر گراف وظایف جهت تخصیص منابع پویا در ابر
عنوان انگلیسی: Improved Task Graph-based Parallel Data Processing for Dynamic Resource Allocation in Cloud
تعداد صفحات مقاله انگلیسی : 7 تعداد صفحات ترجمه فارسی : 10
سال انتشار : 2012 نشریه : الزویر - Elsevier
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 4613 رفرنس : دارد
محتوای فایل : zip حجم فایل : 4.53Mb
رشته های مرتبط با این مقاله: مهندسی کامپیوتر و مهندسی فناوری اطلاعات
گرایش های مرتبط با این مقاله: نرم افزار، معماری سیستم های کامپیوتری، معماری سازمانی و رایانش امن
مجله: مهندسی
دانشگاه: مهندسی نرم افزار، دانشگاه فناوری Anna، تیروچیراپالی، هند
کلمات کلیدی: پردازش داده های موازی، ابر IaaS، گراف وظایف، محیط ناهمگن، تعادل و توزیع بار
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه شده 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

۳ سیستم پیشنهادی

۱ ۳ مدیر شغل (JM)

۲ ۳ مدیر وظایف (TM)

۳ ۳ متعادل کننده بار

۴ شرح شغل، زمان بندی و اجرا

۱ ۴ گراف شغل

۲ ۴ تیپ های کانال

۳ ۴ گراف اجرا

۵ نتیجه گیری

نمونه متن انگلیسی

Abstract

In recent years large-set parallel data processing has gained quantum as one of the predominant applications of Infrastructure-as-a-Service (IaaS) clouds. Data processing frameworks like Google's MapReduce and its open source implementation Hadoop, Microsoft's Dryad and so on are currently in use for parallel data processing in cloud-based companies. But the problem with them is that they are designed for homogeneous environments like clusters and disregard the dynamic and heterogeneous nature of a cloud. As a result, allocation and de-allocation of compute nodes at runtime is ineffective thereby increasing processing time and cost. In this paper we present our approach towards parallel data processing exploiting dynamic resource allocation in IaaS clouds. Our architecture ensures parallel data processing using Directed Acyclic task graph. To reduce the latency and to improve throughput, load balancing is introduced in the architecture. Incoming jobs are divided into tasks that are assigned to different types of virtual machines that are dynamically instantiated and terminated during job execution.

نمونه متن ترجمه

چکیده

درسالهای اخیر، پردازش داده های موازی درمجموعه های بزرگ از کوانتوم به عنوان یکی از کاربردهای اصلی ابرهای زیرساختار به عنوان سرویس (IaaS) استفاده کرده است. در حال حاضر ازچارچوب های پردازش داده ها مثل Google's MapReduce و پیاده سازی منبع بازش Hadoop, Microsoft's Dryad و غیره به منظور پردازش داده های موازی در شرکت های مبتنی بر ابر استفاده می شود. اما مشکل آنها آن است که آنها برای محیط های همگنی مثل خوشه ها طراحی شده و پویایی و طبیعت ناهمگن ابر را نادیده می گیرند. در نتیجه، تخصیص و عدم تخصیص گره های محاسبه در زمان اجرا، بی اثر بوده و بدین طریق زمان و هزینه های پردازش افزایش می یابد. در این مقاله، رویکرد پیشنهادی راجع به پردازش داده های موازی با استفاده از تخصیص منابع پویا در ابرهای IaaS را مطرح می کنیم. معماری پیشنهادی از پردازش داده های موازی با استفاده از گراف وظایف چرخه ای جهتدار اطمینان حاصل می کند. برای کاهش تاخیر و بهبود کارایی، در معماری پیشنهادی، تعادل و توزیع بار معرفی شده است. شغل های ورودی به وظایفی تقسیم می شوند که به تیپ های مختلفی از ماشین های مجازی معرفی شده به شکل پویا و خاتمه یافته در طول اجرای شغل تخصیص داده شده اند.