دانلود و نمایش مقالات مرتبط با Resource provisioning::صفحه 1
دانلود بهترین مقالات isi همراه با ترجمه فارسی 2
نتیجه جستجو - Resource provisioning

تعداد مقالات یافته شده: 7
ردیف عنوان نوع
1 A cloud resource management framework for multiple online scientific workflows using cooperative reinforcement learning agents
یک چارچوب مدیریت منابع ابری برای چندین جریان علمی آنلاین با استفاده از عوامل یادگیری تقویتی همکاری-2020
Cloud is a common distributed environment to share strong and available resources to increase the efficiency of complex and heavy calculations. In return for the cost paid by cloud users, a variety of services have been provided for them, the quality of which has been guaranteed and the reliability of their corresponding resources have been supplied by cloud service providers. Due to the heterogeneity of resources and their several shared applications, efficient scheduling can increase the productivity of cloud resources. This will reduce users’ costs and energy consumption, considering the quality of service provided for them. Cloud resource management can be conducted to obtain several objectives. Reducing user costs, reducing energy consumption, load balancing of resources, enhancing utilization of resources, and improving availability and security are some of the key objectives in this area. Several methods have been proposed for cloud resource management, most of which are focused on one or more aspects of these objectives of cloud computing. This paper introduces a new framework consisting of multiple cooperative agents, in which, all phases of the task scheduling and resource provisioning is considered and the quality of service provided to the user is controlled. The proposed integrated model provides all task scheduling and resource provisioning processes, and its various parts serve the management of user applications and more efficient use of cloud resources. This framework works well on dependent simultaneous tasks, which have a complicated process of scheduling because of the dependence of its sub-tasks. The results of the experiments show the better performance of the proposed model in comparison with other cloud resource management methods.
Keywords: Cloud computing | Resource management | Dependent tasks | Reinforcement learning | Cooperative agents | Markov game
مقاله انگلیسی
2 Learning-Based Memory Allocation Optimization for Delay-Sensitive Big Data Processing
بهینه سازی اختصاص حافظه بر مبنای یادگیری برای پردازش داده های بزرگ با حساسیت تاخیری-2018
Optimal resource provisioning is essential for scalable big data analytics. However, it has been difficult to accurately forecast the resource requirements before the actual deployment of these applications as their resource requirements are heavily application and data dependent. This paper identifies the existence of effective memory resource requirements for most of the big data analytic applications running inside JVMs in distributed Spark environments. Provisioning memory less than the effective memory requirement may result in rapid deterioration of the application execution in terms of its total execution time. A machine learning-based prediction model is proposed in this paper to forecast the effective memory requirement of an application given its service level agreement. This model captures the memory consumption behavior of big data applications and the dynamics of memory utilization in a distributed cluster environment. With an accurate prediction of the effective memory requirement, it is shown that up to 60 percent savings of the memory resource is feasible if an execution time penalty of 10 percent is acceptable. The accuracy of the model is evaluated on a physical Spark cluster with 128 cores and 1TB of total memory. The experiment results show that the proposed solution can predict the minimum required memory size for given acceptable delays with high accuracy, even if the behavior of target applications is unknown during the training of the model.
Index Terms: Big data, spark, memory over-commitment, garbage collection, profiling, modeling, performance-cost tradeoff
مقاله انگلیسی
3 زمانبندی گردش کار و تأمین منابع در ابرها با استفاده از الگوریتم افزوده جهش قورباغه
سال انتشار: 2017 - تعداد صفحات فایل pdf انگلیسی: 10 - تعداد صفحات فایل doc فارسی: 35
دسترس پذیری منابع و تأمین منابع براساس تقاضا در رایانش ابری، آن را به ابزاری ایده آل برای اجرای برنامه های کاربردی علمی گردش کار تبدیل نموده است. می توان اجرای برنامه های کاربردی را با حداقل تعداد منابع آغاز نمود و هر زمان که نیاز باشد، تعداد منابع را افزایش داد. با اینحال، زمانبندی گردش کار یک مسئله ی NP سخت است و در نتیجه راه حل های مبتنی بر فرااکتشاف بطور گسترده برای این کار مورد استفاده قرار گرفته اند. این مقاله یک تکنیک مبتنی بر الگوریتم افزوده ی جهش قورباغه (ASFLA) برای زمانبندی گردش کار و تأمین منابع در محیط های ابری "زیرساخت به عنوان سرویس" (IaaS) ارائه می دهد. عملکرد ASFLA با به روزترین الگوریتم های PSO و SFLA مقایسه شده است. اثربخشی ASFLA برای تعدادی گردش کار علمی شناخته شده، با اندازه های مختلف با استفاده یک شبیه سازی مبتنی بر جاوای سفارشی ارزیابی شده است. نتایج شبیه سازی بیانگر بهبود قابل ملاحظه ی معیارهای عملکردی در دستیابی به حداقل هزینه های اجرایی و برآورده ساختن ضرب الاجل های زمانبندی است.
کلمات کلیدی: رایانش ابری | تأمین منابع | زمانبندی | گردش کار علمی | الگوریتم جهش قورباغه
مقاله ترجمه شده
4 Composable architecture for rack scale big data computing
معماری دندانه دار کردن برای مقیاس دندانه دار کردن محاسبات داده های بزرگ-2017
The rapid growth of cloud computing, both in terms of the spectrum and volume of cloud workloads, necessitates re-visiting the traditional rack-mountable servers based datacenter design. Next generation datacenters need to offer enhanced support for: (i) fast changing system configuration requirements due to workload constraints, (ii) timely adoption of emerging hardware technologies, and (iii) maximal sharing of systems and subsystems in order to lower costs. Disaggregated datacenters, constructed as a collection of individual resources such as CPU, memory, disks etc., and composed into workload execution units on demand, are an interesting new trend that can address the above challenges. In this paper, we demonstrate the feasibility of composable systems through building a rack scale composable system prototype using PCIe switches. Through empirical approaches, we develop an assessment of the opportunities and challenges for leveraging the composable architecture for rack scale cloud datacenters with a focus on big data and NoSQL workloads. In particular, we compare and contrast the programming models that can be used to access the composable resources, and develop the implications for the network and resource provisioning and management for rack scale architecture.
Keywords:Big data platforms|Composable system architecture|Disaggregated datacenter architecture|Composable datacenter|Software defined |environments|Software defined networking
مقاله انگلیسی
5 Resource management for bursty streams on multi-tenancy cloud environments
مدیریت منابع برای جریان انفجاری در محیطهای ابری چند مستاجری-2016
The number of applications that need to process data continuously over long periods of time has increased significantly over recent years. The emerging Internet of Things and Smart Cities scenarios also confirm the requirement for real time, large scale data processing. When data from multiple sources are processed over a shared distributed computing infrastructure, it is necessary to provide some Quality of Service (QoS) guarantees for each data stream, specified in a Service Level Agreement (SLA). SLAs identify the price that a user must pay to achieve the required QoS, and the penalty that the provider will pay the user in case of QoS violation. Assuming maximization of revenue as a Cloud provider’s objective, then it must decide which streams to accept for storage and analysis; and how many resources to allocate for each stream. When the real-time requirements demand a rapid reaction, dynamic resource provisioning policies and mechanisms may not be useful, since the delays and overheads incurred might be too high. Alternatively, idle resources that were initially allocated for other streams could be re-allocated, avoiding subsequent penalties. In this paper, we propose a system architecture for supporting QoS for concurrent data streams to be composed of self-regulating nodes. Each node features an envelope process for regulating and controlling data access and a resource manager to enable resource allocation, and selective SLA violations, while maximizing revenue. Our resource manager, based on a shared token bucket, enables: (i) the redistribution of unused resources amongst data streams; and (ii) a dynamic re-allocation of resources to streams likely to generate greater profit for the provider. We extend previous work by providing a Petrinet based model of system components, and we evaluate our approach on an OpenNebula-based Cloud infrastructure.
Keywords: Data stream processing | Cloud computing | Profit-based resource management | SLA management | Admission control | QoS provisioning
مقاله انگلیسی
6 رده بندی مسئله زمانبندی گردش کار و تکنیک ها در سیستم ابری
سال انتشار: 2015 - تعداد صفحات فایل pdf انگلیسی: 40 - تعداد صفحات فایل doc فارسی: 49
مقاله ترجمه شده
7 بهینه سازی هزینه تامین منبع در محاسبات ابری
سال انتشار: 2012 - تعداد صفحات فایل pdf انگلیسی: 14 - تعداد صفحات فایل doc فارسی: 51
در محاسبات ابری، ارائه دهندگان ابری به مصرف کنندگان ابری دو طرح تأمین برای منابع محاسباتی، یعنی طرح رزرو و طرح در تقاضا را ارائه می کنند. در کل، هزینه استفاده از منابع محاسباتی مشروط توسط طرح رزرو ارزانتر از طرح مقرر شده توسط طرح در تقاضا است، چرا که مصرف کننده ابری باید به ارائه کننده برای پیشرفت در کار هزینه پرداخت کند. با طرح رزرو، مصرف کننده می تواند هزینه کلی تأمین منابع را کاهش دهد. با اینحال، بهترین رزرو پیشرفته از منابع به منظور دستیابی به دلیل عدم اطمینان از تقاضای آتی و قیمت منابع ارائه دهندگان خدمات بسیار سخت است. با نشان دادن این مسئله، یک الگوریتم تامین منبع ابر بهینه (OCRP) با فرمول بندی طرح برنامه رزی تصادفی ارائه می شود. الگوریتم OCRP منابع محاسباتی را برای استفاده در مراحل تامین متعدد و همچنین طرح طولانی مدت، بعنوان مثال مراحل چهارگانه در طرح چهارتایی و مراحل دوازده بخشی در طرح سالیانه را تامین میکند. تقاضا و نامشخص بودن قیمت در OCRP در نظر گرفته می شوند. در این مقاله، روش های مختلف به منظور دستیابی به راه حل الگوریتم OCRP از جمله فرمول بندی معادل تصادفی، تقریب نمونه متوسط و تجزیه بندر در نظر گرفته می شوند. مطالعات عددی به طور گسترده انجام شده در نتایج آشکارا نشان می دهند که با الگوریتم OCRP، مصرف کننده ابری بطور موفقیت آمیزی هزینه کلی تامین منبع در محیط محاسبات ابری را به حداقل می رساند.
اصطلاحات شاخص: محاسبات ابری | تامین منبع | مجازی سازی | جاگذاری دستگاه مجازی | برنامه-ریزی تصادفی.
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi