دانلود مقاله ترجمه شده 2015 با بهترین کیفیت-زمانبندی ماشین های مجازی در رایانش ابری برای صرفه جویی در مصرف انرژی+مقاله انگلیسی

اختصاصی از فایل هلپ دانلود مقاله ترجمه شده 2015 با بهترین کیفیت-زمانبندی ماشین های مجازی در رایانش ابری برای صرفه جویی در مصرف انرژی+مقاله انگلیسی دانلود با لینک مستقیم و پر سرعت .

زبان مقاله: فارسی (ترجمه شده)

قالب: ورد (Word)

تعداد صفحات: 33 صفحه تک ستونی

سال انتشار: 2015

محل انتشار: ژورنال معروف Future Generation Computer Systems

 مقاله انگلیسی: 13 صفحه دو ستونی به صورت پی دی اف (PDF)

مشاهده مقاله انگلیسی:

رایانش ابری یا محاسبات ابری (Cloud Computing) یک مدل محاسباتی با مقیاس بالاست که به ماشین های فیزیکی محاسباتی زیادی نیاز دارد. این ماشین ها میزان برق زیادی مصرف میکنند که این میزان مصرف از میزان سود فراهم کنندگان سرویس خواهد کاست و منجر به آسیب رساندن به محیط خواهد شد. امروزه در رایانش ابری به میزان زیادی از مجازی سازی(Virtualization) استفاده میشود. با این حال، استفاده از روشهای با مصرف انرژی بهنیه موجود برای زمانبندی ماشینهای مجازی ( Virtual Machine یا VM) در ابر در صورتی امکان پذیر است که ماشین های فیزیکی (Physical Machine یا PM) همگن باشند. شبکه های ناهمگن(Heterogeneous) معمولا از تکنولوژی های بهینه سازی مصرف انرژی سخت افزاری مانند ولتاژ متغیر(Dynamic Voltage) و مقیاس بندی فرکانس(Frequency Scaling) مانند DVFS استفاده نمیکنند.

این مقاله یک الگوریتم بهینه مصرف انرژی به نامEEVS برای زمانبندی ماشین های مجازی در ابر پیشنهاد میدهد که محدودیت های زمانی (Deadline) را در نظر میگیرد و میتواند به خوبی از مقیاس بندی فرکانس(DVFS) استفاده کند. یک نتیجه گیری جدید به دست می آید به این صورت که برای هر ماشین فیزیکی(PM) یک فرکانس بهینه وجود دارد که میتواند در آن ماشین مجازی خاصی را پردازش کند و بر این اساس مفهوم کارایی توان بهینه تعریف میشود که برای اندازه گیری ماشین های مجازی همگن(homogeneous) به کار میرود. ماشین فیزیکی با بالاترین نسبت کارایی توان بهینه، قبل از دیگر ماشین ها به ماشین های مجازی اختصاص داده خواهد شد تا بتواند در مصرف انرژی صرفه جویی کند. فرآیندEEVS به چند بازه زمانبندی یکسان تقسیم شده است که در هر کدام ماشین های مجازی به ماشین های فیزیکی مناسب انتساب داده میشوند و هر هسته فعال پردازشی با یک فرکانس بهینه کار میکند. پس از هر بازه زمانی، ابر باید دوباره پیکربندی شود تا بتواند منابع پردازشی را برای کاهش بیشتر در مصرف انرژی یکپارچه کند. همچنین محدودیت های مهلت زمانی بایستی در طول زمانبندی برآورده شود. نتایج شبیه سازی نشان میدهد که روش پیشنهادی در این مقاله در بهترین حالت میتواند به 20 درصد کاهش مصرف انرژی و 8 درصد افزایش ظرفیت پردازشی منجر شود.

این مقاله با عنوان " زمانبندی ماشین های مجازی همراه با بهره وری انرژی در ابر در صورت وجود محدودیت های زمانی" در سال 2015 در ژورنال "نسل های آینده سیستم های کامپیوتری" و با عنوان انگلیسی " Energy efficient scheduling of virtual machines in cloud with deadline constarints”" در ژورنال "Future Generation Computer Systems" منتشر شده است. این ژورنال بسیار معتبر است و توسط انتشارات الزویر (Elsevier) و تامسون رویترز (Thomson Reuters) ایندکس میشود.

ترجمه فارسی این مقاله با کیفیت بسیار بالا و روان و توسط یک دانشجوی دکترای کامپیوتر انجام شده است وچندین بار بازخوانی شده است. تمامی شکل ها، جدول ها و فرمول های مقاله ترجمه، تنظیم و شماره گذاری شده اند. این ترجمه در قالب فایل Word تهیه شده است و شما میتوانید آنرا به شکل دلخواه ویرایش کنید.

توجه داشته باشید که تنها هزینه تایپ و تنظیم شکل ها و تهیه کردن فرمول ها بسیار بیشتر از مبلغ قیمت گذاری شده است!

این ترجمه تنها برای این سایت انجام گرفته و تاکنون هیچ جایی ارائه نشده و به هیچ استادی تحویل داده نشده است. جهت بررسی کیفیت ترجمه، چکیده مقاله انگلیسی و فارسی در زیر آورده شده است.

Abstract

Cloud computing is a scale-based computing model, and requires more physical machines and consumes an extremely large amount of electricity, which will reduce the profit of the service providers and harm the environment. Virtualization is widely used in cloud computing nowadays. However, existing energy efficient scheduling methods of virtual machines (VMs) in cloud cannot work well if the physical machines (PMs) are heterogeneous and their total power is considered, and typically do not use the energy saving technologies of hardware, such as dynamic voltage and frequency scaling (DVFS).

This paper proposes an energy efficient scheduling algorithm, EEVS, of VMs in cloud considering the deadline constraint, and EEVS can support DVFS well. A novel conclusion is conducted that there exists optimal frequency for a PM to process certain VM, based on which the notion of optimal performance–power ratio is defined to weight the homogeneous PMs. The PM with higher optimal performance–power ratio will be assigned to VMs first to save energy. The process of EEVS is divided into some equivalent schedule periods, in each of which VMs are allocated to proper PMs and each active core operates on the optimal frequency. After each period, the cloud should be reconfigured to consolidate the computation resources to further reduce the energy consumption. The deadline constraint should be satisfied during the scheduling. The simulation results show that our proposed scheduling algorithm achieves over 20% reduction of energy and 8% increase of processing capacity in the best cases.

 چکیده

رایانش ابری یک مدل محاسباتی با مقیاس بالاست که به ماشین های فیزیکی محاسباتی زیادی نیاز دارد. این ماشین ها میزان برق زیادی مصرف میکنند که این میزان مصرف از میزان سود فراهم کنندگان سرویس خواهد کاست و منجر به آسیب رساندن به محیط خواهد شد. امروزه در رایانش ابری به میزان زیادی از مجازی سازی استفاده میشود. با این حال، در صورتی که ماشین های فیزیکی (PM) درون ابر ناهمگن باشند و کل توان آنها در نظر گرفته شود نمیتوان از روشهای زمانبندی ماشین مجازی (VM) که دارای بهره وری انرژی هستند استفاده کرد. شبکه های ناهمگن معمولا از تکنولوژی های بهینه سازی مصرف انرژی سخت افزاری مانند ولتاژ متغیر(Dynamic Voltage) و مقیاس بندی فرکانس(Frequency Scaling) مانند DVFS استفاده نمیکنند.

این مقاله یک الگوریتم بهینه مصرف انرژی به نام EEVS برای زمانبندی ماشین های مجازی در ابر پیشنهاد میدهد که محدودیت های زمانی (Deadline) را در نظر میگیرد و میتواند به خوبی از مقیاس بندی فرکانس (DVFS) استفاده کند. یک نتیجه گیری جدید به دست می آید به این صورت که برای هر ماشین فیزیکی (PM) یک فرکانس بهینه وجود دارد که میتواند در آن ماشین مجازی خاصی را پردازش کند و بر این اساس مفهوم نسبت کارایی-توان بهینه تعریف میشود که برای اندازه گیری ماشین های مجازی همگن (homogeneous) به کار میرود. ماشین فیزیکی با نسبت کارایی-توان بهینه بالاتر، قبل از دیگر ماشین ها در اختیار ماشین های مجازی قرار خواهد گرفت تا بتواند در مصرف انرژی صرفه جویی کند. فرآیند EEVS به چند بازه زمانبندی همسان تقسیم شده است که در هر کدام، ماشین های مجازی به ماشین های فیزیکی مناسب انتساب داده میشوند و هر هسته فعال پردازشی با یک فرکانس بهینه کار میکند. پس از هر بازه زمانی، ابر باید دوباره پیکربندی شود تا بتواند منابع پردازشی را برای کاهش بیشتر در مصرف انرژی یکپارچه کند. همچنین محدودیت های مهلت زمانی بایستی در طول زمانبندی برآورده شود. نتایج شبیه سازی نشان میدهد که روش پیشنهادی ما در این مقاله در بهترین حالت میتواند به 20 درصد کاهش مصرف انرژی و 8 درصد افزایش ظرفیت پردازشی منجر شود.

کلمات کلیدی:

مقاله 2015 کامپیوتر، مقاله 2015 رشته کامپیوتر، مقاله انگلیسی 2015، مقاله آی اس آی، مقاله ای اس ای، مقاله آی اس آی 2015، مقاله isi 2015، مقاله رشته کامپیوتر، مقاله رایانش ابری، مقاله محاسبات ابری، مقاله انگلیسی ترجمه شده، مقاله ترجمه شده، مقاله 2015 ترجمه شده، مقاله و ترجمه، ترجمه مقاله رایانش ابری، ترجمه مقاله isi، خرید ترجمه مقاله، خرید مقاله، دانلود مقاله کامپیوتر، دانلود رابگان مقاله رایانش ابری، مقاله جدید کامپیوتر، زمانبندی رایانش ابری، زمانبدی ماشین های مجازی، اختصاص ماشین های مجازی به ماشین های فیزیکی، تخصیص ماشین های مجازی به ماشین های فیزیکی، تخصیص ماشین های فیزیکی، زمانبندی ماشین های فیزیکی در رایانش ابری، کلود، زمانبندی برای کاهش مصرف انرژی، کاهش مصرف برق در رایانش ابری، شبیه سازی رایانش ابری، ولتاژ پویا، مقاله 2015 ترجمه شده، مقاله انگلیسی ترجمه شده، مقاله کامپیوتر ترجمه شده، مقاله رایانش ابری ترجمه شده، مقاله ترجمه شده جدید رایانش ابری، مقاله ترجمه شده جدید محاسبات ابری، مقاله با ترجمه، مقاله ISI با ترجمه، ولتاژ داینامیک، ولتاژ متغیر، مقیاس بندی فرکانس، اختصاص ماشین های مجازی، الگوریتم های زمانبندی ابری، درجه بندی فرکانس، کاهش مصرف توان در محاسبات ابری، زمانبندی vm، زمانبندی ماشین مجازی، شناسایی میزبان پربار ، شناسایی میزبان کم بار، vm selection، vm placement ، مجازی سازی، 2015 Article, ISI Article, Virtualization, Power saving scheduling in cloud computing, Dynamic voltage, frequency scaling

پس از خرید از درگاه امن بانکی لینک دانلود در اختیار شما قرار میگیرد و همچنین به آدرس ایمیل شما فرستاده میشود.

تماس با ما برای راهنمایی، درخواست مقالات و پایان نامه ها و یا ترجمه با آدرس ایمیل:

[e-mail]

شماره تماس ما در نرم افزار واتس آپ:

[phone]

شماره تماس ما در نرم افزار تلگرام:

[phone] 

 توجه: اگر کارت بانکی شما رمز دوم ندارد، در خرید الکترونیکی به مشکل برخورد کردید و یا به هر دلیلی تمایل به پرداخت الکترونیکی ندارید با ما تماس بگیرید تا راههای دیگری برای پرداخت به شما پیشنهاد کنیم.