دانلود مقاله انگلیسی رایگان:پارتیشن بندی محاسبات برای محاسبات ابری سیار در یک محیط داده های بزرگ - 2017

محرم

کارابرن عزیز، مقالات isi بالاترین کیفیت ترجمه را دارند، ترجمه آنها کامل و دقیق می باشد (محتوای جداول و شکل های نیز ترجمه شده اند) و از بهترین مجلات isi انتخاب گردیده اند. همچنین تمامی ترجمه ها دارای ضمانت کیفیت بوده و در صورت عدم رضایت کاربر مبلغ عینا عودت داده خواهد شد.

پشتیبانی
اپلیکشن اندروید
آرشیو مقالات
ورود اعضا
توجه توجه توجه !!!!
تمامی مقالات ترجمه شده ، انگلیسی و کتاب های این سایت با دقت تمام انتخاب شده اند. در انتخاب مقالات و کتاب ها پارامترهای جدید بودن، پر جستجو بودن، درخواست کاربران ، تعداد صفحات و ... لحاظ گردیده است. سعی بر این بوده بهترین مقالات در هر زمینه انتخاب و در اختیار شما کاربران عزیز قرار گیرد. ضمانت ما، کیفیت ماست.
نرم افزار winrar

از نرم افزار winrar برای باز کردن فایل های فشرده استفاده می شود. برای دانلود آن بر روی لینک زیر کلیک کنید
دانلود

پیوندهای کاربردی
پیوندهای مرتبط
دانلود مقاله انگلیسی داده های بزرگ رایگان
  • Computation partitioning for mobile cloud computing in a big data environment Computation partitioning for mobile cloud computing in a big data environment
    Computation partitioning for mobile cloud computing in a big data environment

    سال انتشار:

    2017


    عنوان انگلیسی مقاله:

    Computation partitioning for mobile cloud computing in a big data environment


    ترجمه فارسی عنوان مقاله:

    پارتیشن بندی محاسبات برای محاسبات ابری سیار در یک محیط داده های بزرگ


    منبع:

    IEEE - This article has been accepted for publication in a future issue of this journal, but has not been fully edited. Content may change prior to final publication. Citation information: DOI 10.1109/TII.2017.2651880, IEEE Transactions on Industrial Informatics


    نویسنده:

    Jianqiang Li, Luxiang Huang, Yaoming Zhou, Suiqiang He, Zhong Ming


    چکیده انگلیسی:

    The growth of mobile cloud computing (MCC) is challenged by the need to adapt to the resources and environment that are available to mobile clients while addressing the dynamic changes in network bandwidth. Big data can be handled via MCC. In this paper, we propose a model of computation partitioning for stateful data in the dynamic environment that will improve performance. First, we constructed a model of stateful data streaming and investigated the method of computation partitioning in a dynamic environment. We developed a definition of direction and calculation of the segmentation scheme, including single frame data flow, task scheduling and executing efficiency. We also defined the problem for a multi-frame data flow calculation segmentation decision that is optimized for dynamic conditions and provided an analysis. Second, we proposed a computation partitioning method for single frame data flow. We determined the data parameters of the application model, the computation partitioning scheme, and the task and work order data stream model. We followed the scheduling method to provide the optimal calculation for data frame execution time after computation partitioning and the best computation partitioning method. Third, we explored a calculation segmentation method for single frame data flow based on multi-frame data using multi-frame data optimization adjustment and prediction of future changes in network bandwidth. We were able to demonstrate that the calculation method for multi-frame data in a changing network bandwidth environment is more efficient than the calculation method with the limitation of calculations for single frame data. Finally, our research verified the effectiveness of single frame data in the application of the data stream and analyzed the performance of the method to optimize the adjustment of multi-frame data. We used a mobile cloud computing platform prototype system for face recognition to verify the effectiveness of the method.
    Index Terms: Big data | computation partitioning | data stream | dynamic environment | mobile cloud computing | stateful


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 10
    حجم فایل: 2673 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




آرشیو کامل مقالات

اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

این مقاله را در فیس بوک به اشتراک بگذارید این مقاله را در توییتر به اشتراک بگذارید این مقاله را در لینکداین به اشتراک بگذارید این مقاله را در گوگل پلاس به اشتراک بگذارید این مقاله را در زینگ به اشتراک بگذارید این مقاله را در تلگرام به اشتراک بگذارید

تعداد نظرات : 0

الزامی
الزامی
الزامی
داده-های-بزرگ
موضوعات
footer