زمانبندی وظایف یک جزء حیاتی هر سیستم توزیعشده همچون گرید، ابر و شبکه های نظیر به نظیر می باشد که وظایف را برای اجرا به منابع مناسب ارجاع می دهد. روش های رایج در زمانبندی دارای معایبی از قبیل پیچیدگی زمانی بالا، همزمان اجرا نشدن کارهای ورودی و افزایش زمان اجرای برنام چکیده کامل
زمانبندی وظایف یک جزء حیاتی هر سیستم توزیعشده همچون گرید، ابر و شبکه های نظیر به نظیر می باشد که وظایف را برای اجرا به منابع مناسب ارجاع می دهد. روش های رایج در زمانبندی دارای معایبی از قبیل پیچیدگی زمانی بالا، همزمان اجرا نشدن کارهای ورودی و افزایش زمان اجرای برنامه است. الگوریتم های زمانبندی بر پایه اکتشاف جهت اولویتدهی به وظایف از
سیاست های متفاوتی استفاده می کنند که باعث به وجود آمدن زمان های اجرای بالا بر روی سیستم های رایانش توزیع شده ناهمگن می شود. بنابراین، روشی مناسب است که اولویت دهی آن باعث تولید زمان اجرای کل کمینه گردد. الگوریتم ژنتیک بهعنوان یکی از روشهای تکاملی بهمنظور بهینه کردن مسائل NP-کامل به کار گرفته می شود. در این مقاله الگوریتم ژنتیک موازی با استفاده از چارچوب نگاشت-کاهش برای زمانبندی وظایف بر روی رایانش ابری با استفاده از صف های اولویت چندگانه ارائهشده است. ایده اصلی این مقاله، استفاده از چارچوب نگاشت-کاهش برای کاهش زمان اجرای کل برنامه می باشد. نتایج آزمایشها بر روی
مجموعه ای از گراف های جهت دار بدون دور تصادفی حاکی از آن است که روش پیشنهادی زمان اجرای کل دو روش موجود را با سرعت همگرایی بالا بهبود داده است.
پرونده مقاله
افزایش تقاضا منجر به افزایش تنوع، تعداد خدمات و درنتیجه ایجاد مراکز داده رایانش با مقیاس بزرگشده است که علاوه بر هزینههای عملیاتی بالا، مقادیر عظیمی از توان الکتریکی را مصرف میکند. از طرفی سیستمهای خنککننده ناکافی و ناکارآمد، نهتنها باعث گرم شدن بیشازحد منابع و ک چکیده کامل
افزایش تقاضا منجر به افزایش تنوع، تعداد خدمات و درنتیجه ایجاد مراکز داده رایانش با مقیاس بزرگشده است که علاوه بر هزینههای عملیاتی بالا، مقادیر عظیمی از توان الکتریکی را مصرف میکند. از طرفی سیستمهای خنککننده ناکافی و ناکارآمد، نهتنها باعث گرم شدن بیشازحد منابع و کاهش عمر کاری دستگاهها میشود، بلکه باعث تولید کربن شده که در وضعیت آبوهوا نقش مهمی دارد. ازاینرو، در این پژوهش، یک روش مؤثر مدیریت منابع انرژی در مراکز داده ابری مجازی شده ارائهشده که علاوه بر کاهش مصرف انرژی و هزینههای عملیاتی، باعث افزایش کیفیت خدمات نیز شده است. این پژوهش، به ارائه یک استراتژی تخصیص منبع در سیستمهای ابری باهدف کاهش انرژی و هزینه اجرا پرداخته و کاربرد آن را در محیط رایانش ابری بررسی میکند. نتایج حاصل از شبیهسازی نشان میدهد که روش پیشنهادی میتواند نسبت به روشهای NPA[1]، [2]DVFS، [3]ST و [4]MM ، میانگین انرژی مصرفی را تا 0.626 کیلووات ساعت کاهش دهد، همچنین نیاز به مهاجرت و موارد نقض SLA نیز به ترتیب به 186 و 30.91% کاهش پیدا نمود.
پرونده مقاله
در سالهای اخیر، الگوی رایانش ابری به دلیل مقیاسپذیری بالا، قابلیت اطمینان، اشتراک اطلاعات و هزینه پایین نسبت به ماشینهای مجزا، بسیار مورد توجه قرارگرفته است. در محیط ابر، زمانبندی و تخصیص بهینه وظایف بر استفاده مؤثر از منابع سیستم اثر میگذارد. در حال حاضر روشهای مت چکیده کامل
در سالهای اخیر، الگوی رایانش ابری به دلیل مقیاسپذیری بالا، قابلیت اطمینان، اشتراک اطلاعات و هزینه پایین نسبت به ماشینهای مجزا، بسیار مورد توجه قرارگرفته است. در محیط ابر، زمانبندی و تخصیص بهینه وظایف بر استفاده مؤثر از منابع سیستم اثر میگذارد. در حال حاضر روشهای متداول برای زمانبندی در محیط رایانش ابری با استفاده از روشهای سنتی مانند حداقل-حداقل و روشهای فرا ابتکاری مانند الگوریتم کلونی مورچهها انجام میشود. روشهای فوق بر بهینه سازی یک هدف متمرکز هستند و به طور همزمان چندین هدف را برآورد نمیکنند. هدف اصلی این تحقیق در نظر گرفتن چندین هدف (زمان اجرای کل، توافقنامه سطح سرویس، مهاجرت و انرژی مصرف شده) در مراکز داده ابری با زمانبندی و تخصیص بهینه وظایف میباشد. در این پژوهش الگوریتم تکاملی تفاضلی چندهدفه به دلیل ویژگیهای ساختار ساده و پارامترهای قابل تنظیم کمتر، مورد استفاده قرار میگیرد. در روش پیشنهادی، رویکردی جدید مبتنی بر الگوریتم تکاملی تفاضلی برای حل مسأله تخصیص در فضای ابری ارائه میشود که در رویکرد ارائه شده سعی میشود که بر اساس تابع سودمندی چندهدفه تعریف شده و در نظر گرفتن بردارهای جهش و تقاطع بتوانیم در بهبود بهرهوری از منابع و در نظر گرفتن اهدافی چون زمان، مهاجرت و انرژی تأثیرگذار باشیم. روش پیشنهادی از طریق شبیهساز کلودسیم با آزمایش بر روی حجم کار بیش از هزار ماشین مجازی بر روی دادههای Planet Lab ارزیابی شده است. نتایج حاصل از شبیهسازی نشان میدهد که روش پیشنهادی توانسته است معیار مصرف انرژی را نسبت به الگوریتمهای IqrMc، LrMmt و FA مقایسه شده به طور میانگین به میزان ۲۳ درصد، تعداد مهاجرتها را به طور میانگین به میزان ۲۹ درصد، زمان اجرای کل را به طور میانگین به میزان ۲۹ درصد و نقص توافقنامه سطح سرویس را به طور میانگین به میزان ۱ درصد بهبود دهد. در این صورت استفاده از رویکرد پیشنهادی در مراکز ابری منجر به سرویسهای بهتر و مناسب به مشتریان این مراکز در حوزههای مختلفی از جمله آموزش، مهندسی، صنایع تولیدی، خدماتی و... خواهد شد.
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
با گسترش استفاده از رایانش ابری نیاز به بهبود کارایی و کاهش تاخیر در ابر افزایش مییابد. یکی از مسائل محیطهای توزیع شده و مخصوصا ابر، عدم توازن بار و در نتیجه کاهش سرعت و کارایی و افزایش تاخیر در زمان ذخیره و بازیابی اطلاعات میباشد. روشهای مختلفی برای متوازن سازی بار چکیده کامل
با گسترش استفاده از رایانش ابری نیاز به بهبود کارایی و کاهش تاخیر در ابر افزایش مییابد. یکی از مسائل محیطهای توزیع شده و مخصوصا ابر، عدم توازن بار و در نتیجه کاهش سرعت و کارایی و افزایش تاخیر در زمان ذخیره و بازیابی اطلاعات میباشد. روشهای مختلفی برای متوازن سازی بار در محیط ابر ارائه شدهاند که هر کدام از منظری به موضوع پرداختهاند و مزایا و معایب خود را دارند. ما در این کار نخست معیارهایی برای سنجش توازن بار در ابر ارائه کردهایم و سپس به بررسی کاربرد روشهای فراابتکاری در متوازن سازی بار در محیط ابر پرداختهایم. پس از معرفی روشهای توازن بار فراابتکاری مختلف، آنها را براساس معیارهای مذکور باهم مقایسه کرده و به مزایا و معایب هر کدام پرداختهایم. الگوریتمهای کلونی مورچه، کلونی مورچه مصنوعی، کلونی زنبور، کلونی زنبور مصنوعی، جستوجوی غذای زنبور عسل، ازدحام ذرات، ازدحام گربهها، تبرید شبیهسازی شده، الگوریتم ژنتیک، جستوجوی ممنوعه، الگوریتم دسته ماهیها و الگوریتمهای ترکیبی و ... در این کار بررسی شدهاند.
پرونده مقاله
امروزه کیفیت یکی از مهمترین عامل ها در جلب رضایت و وفاداری مشتریان برای سازمان های خدماتی است. بنابراین، یکی از دغدغه های اصلی مدیران بالابردن کیفیت خدمات است. با پیشرفت اینترنت و دنیای ارتباطات مفهومی به نام رایانش ابری در دنیای ارتباطات گسترش یافته است که الگویی تازه چکیده کامل
امروزه کیفیت یکی از مهمترین عامل ها در جلب رضایت و وفاداری مشتریان برای سازمان های خدماتی است. بنابراین، یکی از دغدغه های اصلی مدیران بالابردن کیفیت خدمات است. با پیشرفت اینترنت و دنیای ارتباطات مفهومی به نام رایانش ابری در دنیای ارتباطات گسترش یافته است که الگویی تازه برای عرضه، مصرف و تحویل خدمات رایانشی را ارائه می کند. هدف از این پژوهش، تصمیم گیری بهینه در انتخاب سرویس ابری مناسب با توجه به شرایط کاربران است به نحوی که آنان به بالاترین رضایت برسند. روش دلفی فازی، روش تحلیل سلسله مراتبی فازی، روش تاپسیس فازی و در نهایت روش تصمیم گیری چندمعیاره روش های به کارگرفته شده در این پژوهش است. نتایج روش دلفی فازی نشان می دهد که شاخصهای شفافیت، دسترسی و قابلیت اطمینان بایستی حذف شوند. نتایج تحلیل سلسله مراتبی فازی شاخص هزینه را به عنوان مهمترین شاخص و شاخص پشتیبانی در هنگام تقاضا را به عنوان کم اهمیت ترین شاخص شناسایی نمود. با توجه به نتایج تاپسیس فازی براساس وزنهای حاصل از تحلیل سلسله مراتبی فازی نیز به ترتیب سرویسهای ابری SAAS، IAAS و PAAS رتبه اول تا سوم را به خود اختصاص دادند. استفاده از سرویس SAAS مزایای بی شماری را از قبیل کاهش زمان و هزینه صرف شده جهت کارهای زمان گیر مانند نصب، مدیریت و ارتقاء نرم افزار برای کارمندان و شرکتها فراهم میکند.
پرونده مقاله
یک راهحل منطقي براي لحاظکردن همپوشاني خوشهها، انتساب مجموعهاي از درجه عضویت به هر داده است. بهدلیل کمشدن افرازها و کوچکشدن فضايجستجو، خوشهبندي فازي عموما داراي سربار محاسباتي کمتري بوده، تشخیص و مدیریت دادههاي مبهم، نویزدار و دادههايپرت نیز در آن بهسهولت انجام ميگیرد. ا چکیده کامل
یک راهحل منطقي براي لحاظکردن همپوشاني خوشهها، انتساب مجموعهاي از درجه عضویت به هر داده است. بهدلیل کمشدن افرازها و کوچکشدن فضايجستجو، خوشهبندي فازي عموما داراي سربار محاسباتي کمتري بوده، تشخیص و مدیریت دادههاي مبهم، نویزدار و دادههايپرت نیز در آن بهسهولت انجام ميگیرد. ازاینرو خوشهبندي فازي از نوع پیشرفته روشهاي خوشهبندي به شمار ميرود. اما روشهاي خوشهبندي فازي در مواجه با روابط غیرخطي دادهها ناتوانند. روش پیشنهادي این مقاله ميکوشد تا مبتني بر ایدههاي امکان پذیري، از یادگیري چندهستهاي در چارچوب نگاشتکاهش هدوپ براي تشخیص خوشههاي خطيجدایيناپذیر با ساختار کلاندادههاي پیچیده، استفاده کند. مدل یادگیري چندهستهاي قادر به کشف روابط پیچیده بین دادهاي بوده و در عین حال هدوپ ما را قادر خواهد ساخت تا به جاي تعامل با سیستم عامل و پردازنده، با یک کلاستر منطقي از پردازشها و گرههاي انباره داده تعامل داشته باشیم و عمده کار را بر عهده فریمورک بیندازیم. به طور خلاصه مدلسازي روابط غیرخطي دادهها با استفاده از مدل یادگیري چندهستهاي، تعیین مقادیر مناسب براي پارامترهاي فازيسازي و امکانپذیري، و ارائه الگوریتم در مدل نگاشتکاهش هدوپ از دستاوردهاي کلیدي مقاله حاضر ميباشد. آزمایشها برروي یکي از مجموعه دادههاي پر استفاده مخزن یادگیري UCI و همچنین برروي دیتاست شبیهساز CloudSim پیاده سازي شده است و نتایج قابل قبولي به دست آمده است. طبق مطالعات منتشر شده، مخزن یادگیري UCI براي مقاصد رگرسیون و خوشهبندي کلان داده، و مجموعه داده CloudSim براي شبیهسازي موارد مربوط به رایانش ابري، محاسبه تأخیرهاي زماني و زمانبندي انجام وظایف معرفي شدهاند.
پرونده مقاله
استفاده از رایانش ابری در مراکز داده مختلف در سراسر دنیا، منجر به تولید بیشتر گاز دیاکسیدکربن میشود، که در آن مسئله انرژی و توان یکی از مسائل مهم میباشد. الگوریتم آگاه به انرژی و توان عملیاتی برای زمانبندی جریانهای کاری نمونه - فشرده اینترنت اشیا با پردازش دستهای چکیده کامل
استفاده از رایانش ابری در مراکز داده مختلف در سراسر دنیا، منجر به تولید بیشتر گاز دیاکسیدکربن میشود، که در آن مسئله انرژی و توان یکی از مسائل مهم میباشد. الگوریتم آگاه به انرژی و توان عملیاتی برای زمانبندی جریانهای کاری نمونه - فشرده اینترنت اشیا با پردازش دستهای در ابرها مورد مطالعه قرارگرفته و روشی جهت زمانبندی جریانهای کاری ابری برای بهینه سازی انرژی، توان عملیاتی و تاخیر ارائه شده است. در روش پیشنهادی نسبت به روش قبلی با ایجاد پارامترهای فاصله، دستهبندی ورودیها و همچنین زمان اجرای واقعی، توان عملیاتی، انرژی و تاخیر را بهبود دادهایم. روش WSTMOS با درنظرگرفتن پارامترهای شاخص و زمان واقعی، به تابع صلاحیت بهینهای دست یافته است. همچنین روش پیشنهادی پارامتر فاصله زمانی وظیفه، نسبت به ماشینهای مجازی برای کاهش تعداد مهاجرتهای ماشینهای مجازی، استفاده شده است. روش WSTMOS با دستهبندی ورودیهای جریان کاری به گروههای کم، متوسط و پرحجم و همچنین توزیع بار مناسب بر روی سرورهای مناسبتر جهت آستانه پردازندهها، میزان انرژی و هزینه را بهینه نموده و همچنین میزان مصرف انرژی به طور میانگین 4.8 درصد و هزینه 4.4 درصد، نسبت به روش مورد مطالعه کاهش یافته و درنهایت میانگین تأخیر، توان و بار کاری نسبت به روشهای قبلی بهینه شده است.
پرونده مقاله
امروزه رایانش ابری به علت ارائه خدمات متنوع، کاربردهای زیادی دارد. از سوی دیگر، به علت رشد سریع، محدودیت منابع و هزینه نهایی، چالشهای متعددی در رایانش ابری به وجود آمده است که یکی از این چالشها، توازن بار است. منظور از توازن بار، چگونگی مدیریت توزیع بار در بین گرههای چکیده کامل
امروزه رایانش ابری به علت ارائه خدمات متنوع، کاربردهای زیادی دارد. از سوی دیگر، به علت رشد سریع، محدودیت منابع و هزینه نهایی، چالشهای متعددی در رایانش ابری به وجود آمده است که یکی از این چالشها، توازن بار است. منظور از توازن بار، چگونگی مدیریت توزیع بار در بین گرههای پردازشی، بهمنظور استفاده بهینه از منابع و صرف کمترین زمان جهت پاسخ به درخواست کاربر است. روشهای متعددی در خصوص برقراری توازن بار پیشنهاد شدهاند که یکی از آنها، الگوریتم جهش قورباغه است که پویا، تکاملی و الهام گرفته از طبیعت میباشد. در این مقاله، بهبودی بر الگوریتم جهش قورباغه پیشنهاد شده است که باعث همگرایی سریع و بستن راه حلقه تکرار تکامل معیوب قورباغهها، میگردد. جهت ارزیابی، الگوریتم جهش قورباغه بهبود یافته پیشنهادی R-SFLA و الگوریتم SFLA و الگوریتم ASFLA در شبیهساز کلودسیم تحت شرایط یکسان، مورد آزمایش قرار گرفتند. نتایج بهدستآمده از آزمایشات، بیانگر آن است که روش پیشنهادی نسبت به روشهای دیگر، از نظر هزینه کلی اجرا، زمان پاسخ و درجه توازن بار، کاراتر عمل نموده است.
پرونده مقاله