فایل ورد کامل بهبود پردازش داده های موازی مبتنی بر گراف وظایف جهت تخصیص منابع پویا در ابر

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 بهبود پردازش داده های موازی مبتنی بر گراف وظایف جهت تخصیص منابع پویا در ابر،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۳ صفحه

در این فصل، یک معماری برای پردازش کارآمد داده های موازی در محیط های ابر با بهره برداری از تامین منابع پویای عرضه شده توسط ابرهای IaaS امروز مطرح کرده ایم. ابر به یک پلتفرم بحرانی برای تقریباً همه برنامه های مبتنی بر وب تبدیل شده است. بنابراین، به عقیده ما، کار حاضر برای اطمینان از پردازش کارآمد داده ها در ابر، یک تابعیت ضروری به ابر IaaS اضافه می کند.
برای اطمینان از انطباق (تطابق) خودکار با کم بهره گیری یا بیش بهره گیری از منابع (استفاده کم و زیاد)، مفهوم تعادل بار را معرفی کرده ایم. در آینده، قصد داریم عملکردش را ارزیابی و آن را با چارچوب های پردازش داده های موجود مقایسه کنیم.

عنوان انگلیسی:Improved Task Graph-based Parallel Data Processing for Dynamic Resource Allocation in Cloud~~en~~

In recent years large-set parallel data processing has gained quantum as one of the predominant applications of Infrastructure-as-a-Service (IaaS) clouds. Data processing frameworks like Google’s MapReduce and its open source implementation Hadoop, Microsoft’s Dryad and so on are currently in use for parallel data processing in cloud-based companies. But the problem with them is that they are designed for homogeneous environments like clusters and disregard the dynamic and heterogeneous nature of a cloud. As a result, allocation and de-allocation of compute nodes at runtime is ineffective thereby increasing processing time and cost. In this paper we present our approach towards parallel data processing exploiting dynamic resource allocation in IaaS clouds. Our architecture ensures parallel data processing using Directed Acyclic task graph. To reduce the latency and to improve throughput, load balancing is introduced in the architecture. Incoming jobs are divided into tasks that are assigned to different types of virtual machines that are dynamically instantiated and terminated during job execution.

$$en!!