با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت (6037997535328901 بانک ملی ناصر خنجری ) مقاله خود را دریافت کنید (تا مشکل رفع گردد).
ردیف | عنوان | نوع |
---|---|---|
1 |
Efficient jobs scheduling approach for big data applications
رویکرد برنامه ریزی شغلی کارآمد برای داده های بزرگ-2018 The MapReduce framework has become a leading scheme for processing large-scale data applications in recent
years. However, big data applications executed on computer clusters require a large amount of energy, which
costs a considerable fraction of the data center’s overall costs. Therefore, for a data center, how to reduce the
energy consumption becomes a critical issue. Although Hadoop YARN adopts fine-grained resource management
schemes for job scheduling, it doesn’t consider the energy saving problem. In this paper, an Energy-aware Fair
Scheduling framework based on YARN (denoted as EFS) is proposed, which can effectively reduce energy
consumption while meet the required Service Level Agreements (SLAs). EFS not only can schedule jobs to en
ergy-efficiency nodes, but also can power on or off the nodes. To do so, the energy-aware dynamic capacity
management with deadline-driven policy is used to allocate the resources for MapReduce tasks in terms of the
average execution time of containers and users request resources. And then, Energy-aware fair based scheduling
problem is modeled as multi-dimensional knapsack problem (MKP) and the energy-aware greedy algorithm
(EAGA) is proposed to realize tasks fine-grained placement on energy-efficient nodes. Finally, the nodes which
have been kept in idle state for the threshold duration are turned off to reduce energy costs. We perform ex
tensive experiments on the Hadoop YARN clusters to compare the energy consumption and executing time of
EFS with some state-of-the-art policies. The experimental results show that EFS can not only keep the proper
number of nodes in on states to meet the computing requirements but also achieve the goal of energy savings.
Keywords: Big data ، Dynamic scheduling ، Energy efficiency ، MapReduce ، Resource allocation |
مقاله انگلیسی |
2 |
الگوریتم ژنتیک ترکیبی برای بودجه بندی سرمایه دولت فدرال
سال انتشار: 2017 - تعداد صفحات فایل pdf انگلیسی: 7 - تعداد صفحات فایل doc فارسی: 13 مسئله کوله پشتی چند بعدی یک مشکل NP-hard است. این مشکل به طور گسترده در مقاله بررسی شده. در این مقاله، راه حلی برای مشکل بودجه بندی سرمایه¬ی بودجه فدرال دولت در نیجریه با استفاده از الگوریتم ژنتیک ترکیبی پیشنهاد شده توسط [32] فراهم کردیم. همچنین با تقسیم پروژه سرمایه به چهار گروه شامل: بخش اقتصادی (X1)، بخش خدمات اجتماعی (X2)، بخش توسعه منطقه ای/ محیط زیست (X3)، و بخش مدیریت (X4)؛ از رویکرد [33] برای مدل بودجه¬بندی دولت فدرال استفاده کردیم. از نرم افزار MATLAB برای آنالیز استفاده شد، مشاهده شد که راه حلی بهینه است که ارزش راه حل بهینه 277.64 بیلیون نایرا است. نتیجه نشان می دهد که بخش اول و دوم انتخاب خواهد شد (X2 ,X1= 1؛ X4, X3 = 0).
کلمات کلیدی: بودجه بندی سرمایه | مسئله کوله پشتی | پروژه های سرمایه | الگوریتم ژنتیک | جمعیت | بقای مناسب. |
مقاله ترجمه شده |
3 |
ترکیب برنامهنویسی شبکه ژنتیک و مسئله کوله پشتی برای خوشهبندی رکورد پشتیبان بر روی پایگاه دادههای توزیع شده
سال انتشار: 2016 - تعداد صفحات فایل pdf انگلیسی: 9 - تعداد صفحات فایل doc فارسی: 34 این تحقیق شامل پیاده سازی برنامه نویسی شبکه ژنتیک (GNP) و برنامهنویسی پویای استاندارد برای حل مسئله کوله پشتی (KP) به عنوان سیستم پشتیبان تصمیم برای خوشهبندی رکوردها در پایگاه داده توزیع شده است. مسئله تخصیص قطعه1 با توجه به محدودیت ظرفیت ذخیرهسازی پیشزمینه برای روش پیشنهادی است. مسئله ظرفیت ذخیره سازی برای توزیع مجموعه قطعهها در چند سایت (خوشهها) است. مجموع قطعهها در هر سایت نباید از ظرفیت سایت تجاوز کند، در حالی که فرآیند توزیع باید ارتباط (تشابه) بین قطعهها را در هر سایت حفظ کند. هدف توزیع داده بزرگ برای سایتهای اصلی با مقدار محدود شده ظرفیت با بررسی تشابه داده توزیع شده در هر سایت است. برای حل این مسئله، GNP برای استخراج قوانین از داده بزرگ با بررسی ویژگیهای (دامنه مقادیر) هر صفت در پایگاه داده استفاده میشود. روش پیشنهادی، روش تصادفی جزئی استخراج قوانین را در GNP برای کشف الگوی تکراری فراوانترین الگوها در پایگاه داده برای بهبود الگوریتم خوشهبندی، به خصوص در مسائل با داده بزرگ، ارائه داده است. مفهوم KP برای مسئله ظرفیت ذخیره سازی بکار میرود و برنامه نویسی پویای استاندارد برای توزیع قوانین برای هر سایت با بررسی تشابه (ارزش) و حجم داده (وزن) مربوط به هر قانون برای تطبیق ظرفیت سایت استفاده میشود. از نتایج شبیهسازی، بدیهی است که روش پیشنهادی مزایایی را برروی الگوریتم خوشهبندی معمولی نشان میدهد، بنابراین، روش پیشنهادی روش خوشهبندی جدیدی را یا مسئله ظرفیت ذخیره سازی اضافی ارائه میدهد.
کلمات کلیدی : برنامهنویسی شبکه ژنتیک | خوشهبندی پایگاه داده | مسئله کوله پشتی | خوشهبندی رکورد |
مقاله ترجمه شده |