فایل ورد کامل ترجمه مقاله بهبود عملکرد چارچوب MapReduce در محیط ناهمگن با استفاده از یادگیری تقویتی ۲۵ صفحه در word

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

 فایل ورد کامل ترجمه مقاله بهبود عملکرد چارچوب MapReduce در محیط ناهمگن با استفاده از یادگیری تقویتی ۲۵ صفحه در word دارای ۲۵ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

لطفا نگران مطالب داخل فایل نباشید، مطالب داخل صفحات بسیار عالی و قابل درک برای شما می باشد، ما عالی بودن این فایل رو تضمین می کنیم.

فایل ورد فایل ورد کامل ترجمه مقاله بهبود عملکرد چارچوب MapReduce در محیط ناهمگن با استفاده از یادگیری تقویتی ۲۵ صفحه در word  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی فایل ورد کامل ترجمه مقاله بهبود عملکرد چارچوب MapReduce در محیط ناهمگن با استفاده از یادگیری تقویتی ۲۵ صفحه در word،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن فایل ورد کامل ترجمه مقاله بهبود عملکرد چارچوب MapReduce در محیط ناهمگن با استفاده از یادگیری تقویتی ۲۵ صفحه در word :

دانلود فایل ورد کامل ترجمه مقاله بهبود عملکرد چارچوب MapReduce در محیط ناهمگن با استفاده از یادگیری تقویتی ۲۵ صفحه در word
ترجمه در قالب فایل Word و قابل ویرایش میباشد
سال انتشار:۲۰۱۵
تعداد صفحه ترجمه:۱۵
تعداد صفحه فایل انگلیسی:۷

موضوع انگلیسی :Performance Improvement of MapReduce Framework in
Heterogeneous Context using Reinforcement Learning
موضوع فارسی:دانلود فایل ورد کامل ترجمه مقاله بهبود عملکرد چارچوب MapReduce در محیط ناهمگن با استفاده از یادگیری تقویتی ۲۵ صفحه در word
چکیده انگلیسی:MapReduce is presently established as an important distributed and parallel programming model with wide acclaim for
large scale computing. Intelligent scheduling decisions can help in reducing the overall runtime of the jobs. MapReduce
performance is currently limited by its default scheduler, which does not adapt well in heterogeneous environments.
Heterogeneous environments were considered in Longest Approximate Time to End scheduler. This too has several
shortcomings due to the static manner in which it computes progress of tasks. The lack of adequate approach to
heterogeneous environments is currently being taken up in recent research. In this paper, we propose a novel MapReduce
scheduler in heterogeneous environments based on Reinforcement learning called MapReduce Reinforcement Learning
scheduler, which observes the system state of task execution and suggests speculative re-execution of the slower tasks to
other available nodes in the cluster for faster execution. The proposed approach adapts to the heterogeneous environment
and no prior knowledge of the environmental characteristics are required. It is expected that over a few runs the system
would be able to better map the computing requirements to the resources available in a heterogeneous cluster and
minimizes the overall job completion time
چکیده فارسی:MapReduce در حال حاضر به عنوان مدل مهم برنامه نویسی توزیع شده و موازی با تحسین گسترده ای برای محاسبات در مقیاس بزرگ شکل گرفته است. تصمیمات برنامه ریزی هوشمندانه می تواند در کاهش زمان اجرای کلی از کارها کمک کند. عملکرد فعلی MapReduce توسط زمانبند پیش فرض آن محدود شده است، که در محیط های ناهمگون به خوبی منطبق نمی شود. محیط های ناهمگن در زمان بند Longest Approximate Time to End در نظر گرفته شده است. که دارای چندین کاستی ناشی از شیوه ی استاتیکی است که در آن پیشرفت کارها را محاسبه می کند، می باشد. فقدان رویکرد کافی برای محیط های ناهمگون در حال حاضر در تحقیقات اخیر انجام شده است. در این مقاله، ما یک زمانبندی جدید MapReduce در محیط های ناهمگون بر اساس یادگیری تقویتی به نام زمانبندی MapReduce یادگیری تقویتی پیشنهاد داده ایم، که حالت سیستم اجرای وظیفه را مشاهده می کند و اجرای دوباره نظری وظایف کند را به گره های دیگر موجود در خوشه برای اجرای سریع تر، پیشنهاد می کند. روش پیشنهادی با محیط ناهمگن سازگار می باشد و هیچ دانش قبلی از ویژگی های محیطی مورد نیاز نمی باشد. انتظار می رود که پس از چند اجرا ، سیستم قادر به نگاشت بهتر نیازهای محاسباتی به منابع موجود در یک خوشه ناهمگن خواهد بود و زمان کلی اتمام کار را به حداقل می رساند.