کاهش بار و مصرف انرژی در سیستم های شبکه روی تراشه از اهمیت بسیاری برخوردار است و يكي از مهمترين مباحثي که برای افزايش کارايي شبكه روی تراشه مطرح است، موضوع نگاشت يک برنامه کاربردی در شبكه روی تراشه است. حل مسئله نگاشت برنامه کاربردی برای يافتن بهترين نگاشت، يک موضوع پي چکیده کامل
کاهش بار و مصرف انرژی در سیستم های شبکه روی تراشه از اهمیت بسیاری برخوردار است و يكي از مهمترين مباحثي که برای افزايش کارايي شبكه روی تراشه مطرح است، موضوع نگاشت يک برنامه کاربردی در شبكه روی تراشه است. حل مسئله نگاشت برنامه کاربردی برای يافتن بهترين نگاشت، يک موضوع پيچيده و زمانبر است و تاثير بسيار زيادی بر تأخير و انرژی مصرفي شبكه دارد. در اين مقاله با استفاده از الگوريتم شاهین هریس توانسته ايم روشی را برای نگاشت هسته های پردازشي به روی شبكه روی تراشه ارائه کنيم تا بار روی شبکه و در نتیجه ازدحام در لینک ها را کاهش داده و عملکرد شبکه بهبود ببخشیم. نتايج شبيهسازی نشان می دهد که اين الگوريتم عملکرد بهتری در مقايسه با الگوريتم-های پايه دارد.
پرونده مقاله
اکثر مدلهایِ پیشین مبتنی بر حراج در قیمت گذاریِ منابع ابری، از پیچیدگی بالای پیاده سازی در محیطهای ابر واقعی رنج می برند. لذا، چالش اصلی محققین طراحی مدل های قیمت گذاری پویایی است که بتوانند سه هدف زیر را تامین کنند: 1) پیچیدگی های محاسباتی پایین، 2) دقت بالا، و 3) سادگ چکیده کامل
اکثر مدلهایِ پیشین مبتنی بر حراج در قیمت گذاریِ منابع ابری، از پیچیدگی بالای پیاده سازی در محیطهای ابر واقعی رنج می برند. لذا، چالش اصلی محققین طراحی مدل های قیمت گذاری پویایی است که بتوانند سه هدف زیر را تامین کنند: 1) پیچیدگی های محاسباتی پایین، 2) دقت بالا، و 3) سادگیِ پیاده سازی در محیط ابر واقعی. CMM (Cloud Market Maker) یکی از مدلهای قیمت گذاری پویایِ محبوبی است که دو مزیتِ دقت محاسباتی و امکان اجرایی شدن در بازار واقعی ابر را دارد. این مدل بر پایه یک تابع خطی، قیمت پیشنهادی را محاسبه می کند. در طراحی این مدل خطی پارامترهای: فوریت خریدار، تعداد رقیبان و تعداد حریفان لحاظ شده اند. علی رغم مزایای این روش، نسبت اهمیت پارامترهای سازندۀ تابع محاسبه کننده قیمت در شرایط گوناگون بازار یکسان در نظر گرفته شده است. عدم توجه به این مساله، انعطاف پذیری سیستم و دقت محاسبات در تغییرات محسوسِ محیط بازار ابر را کاهش می دهد. لذا، نویسندگان در این مقاله بر روی طراحی یک سیستم هوشمند قیمت گذاریِ آگاه از بازار در سمت خریدارانِ سرویس ابری با هدف غلبه بر این مشکل متمرکز شده اند. در عین حال، سادگی پیاده سازیِ سیستم پیشنهادی در محیط ابر واقعی نیز می بایست تضمین شود. برای این منظور، سیستم هوشمند قیمت گذاری مبتنی بر عامل نرم افزاری با ترکیب راهکارهای ماشین بردار پشتیبان (SVM ) و فرآیند تحلیل سلسله مراتبی(AHP ) پیشنهاد شده است. نتایج شبیه سازی نشاندهندۀ کارایی مناسبتر راهکار پیشنهادی با نام DPMAدر در مقایسه با CMM است.
پرونده مقاله