الگوریتم ترکیبی مبتنی بر معماری گوسیپ با استفاده از SVM برای زمانبندی وظایف در رایانش ابری
Publish place: Soft Computing Journal، Vol: 9، Issue: 2
Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 176
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_SCJKA-9-2_006
تاریخ نمایه سازی: 31 تیر 1401
Abstract:
در حال حاضر رایانش ابری با توجه به کاربردهای وسیع و فراگیر از اهمیت زیادی برخوردار است. گستردگی و انعطاف پذیری قابل توجه رایانش ابری در کنار سایر محاسن، باعث شده است تا زمینه ایجاد چالش های جدید از جمله قابلیت اطمینان فراهم گردد. این نوع از چالش ها بدلیل وجود کاربران زیاد، در میان پژوهشگران این حیطه از اهمیت بیشتری برخوردار است. برای حل این مسئله در سال های اخیر محققان زیادی به ارائه انواع الگوریتم های تحمل پذیری خطا در رایانش ابری پرداخته اند؛ اما علیرغم تلاش های فراوان، متاسفانه مشکلات موجود در این زمینه بصورت کامل برطرف نشده است. هدف این مقاله ارائه یک الگوریتم ترکیبی کارآمد و جدید با بهره گیری از خواص ماشین بردار پشتیبان و پروتکل گوسیپ است؛ باید توجه داشت که الگوریتم ماشین بردار پشتیبان برای تجزیه و تحلیل داده های ماشین های مجازی و دسته بندی آنها براساس الگوهای رفتاری عمل می کند. همچنین، پروتکل گوسیپ برای جمع آوری داده ها و نظارت بر هر دسته استفاده شده است. در این مدل پیشنهادی سه فاکتور زمان پردازش، میزان بار و قابلیت اطمینان به منظور دستیابی به کیفیت سرویس بهتر مورد ارزیابی قرار می گیرد. نتایج شبیه سازی انجام گرفته در کلودسیم نشان می دهد که روش پیشنهادی می تواند متوسط سرعت پردازش را به میزان ۶۵/۰ افزایش و به تناسب آن متوسط طول زمانبندی را ۲۲/۷ ثانیه کاهش دهد.
Keywords:
Authors
شیوا رزاق زاده
گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد اردبیل، اردبیل، ایران.
پریسا نوروزی کیوی
باشگاه پژوهشگران جوان و نخبگان، دانشگاه آزاد اسلامی واحد اردبیل، اردبیل، ایران.
بابک پناهی
گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد اردبیل، اردبیل، ایران.
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :