فایل ورد کامل EATS: زمان بندی وظایف آگاه از انرژی در سیستم های محاسباتی ابری

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل EATS: زمان بندی وظایف آگاه از انرژی در سیستم های محاسباتی ابری،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۷ صفحه

۶ نتیجه گیری و آثار آینده

با ظهور ابرها و محاسبات ابری، مصرف انرژی منابع زیرساختی از اهمیت برخوردار می گردد. در این مقاله، یک توزیع آگاه از انرژی و الگوریتم زمان بندی را تعبیه می کنیم، که هدف آنها توزیع داده های بزرگ برای پردازش توزیع شده با در نظر گرفتن عملکرد بوت و بهینه سازی انرژی است. EATS تصمیمات زمان بندی مدل برنامه ریزی غیرخطی را حل می کند. در این اثر، اندازه گیری انرژی واقعی را روی دسکتاپ محاسباتی و تحت شرایط باری مختلف اجرا کردیم. آزمایشات موضوع مهمی را آشکار کرد و آن این است که نسبت اندازه گیری انرژی در نقطه اوج عملکرد به اندازه گیری انرژی در زمان سکون ۳/۱ است، که پاسخی برای استفاده سرورها بدون شکافتن عملکرد است که از زمان بندی برنامه ریزی غیرخطی ما ناشی می شود. آثار آیند مربوط به رویکرد پیشنهادی، در رشد و اجرای EATS برای گسترش در محیط محاسبات ابری برای ارزیابی عملکرد آن مشارکت دارد.

عنوان انگلیسی:EATS: Energy-Aware Tasks Scheduling in Cloud Computing Systems~~en~~

۶ Conclusion and Future Works

With the emergence of Clouds and Cloud computing, energy consumption of the underlying resources become crucial. In this work, we devise an energy-aware distribution and scheduling algorithm whose aim is to distribute a Big data for distributed processing taking into consideration bot performance and energy optimization. EATS solves a non-linear programming model take scheduling decisions. In this work, we conducted real power measurements on a computing desktop under different loads conditions. The experiments reveal an important issue is that the ratio of the energy measurement at peak performance to the energy measurement at idle time is 1.3, which is a call for servers utilization without scarifying performance which results in our non-linear programming scheduler. Future works of the proposed approach incorporate developing and implementing EATS for deployment in a Cloud computing environment to assess its performance.

$$en!!