استراتژی مدیریت مدل انتخاب تکرار پویا در سیستم های گرید
Publish place: چهارمین کنفرانس بین المللی مهندسی برق،کامپیوتر و الکترونیک
Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 513
This Paper With 13 Page And PDF and WORD Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICMEAC04_008
تاریخ نمایه سازی: 19 خرداد 1396
Abstract:
سیستم های گرید به عنوان وسیله ای برای اشتراک گذاری منابع محاسباتی و اطلاعات پدید آمده اند. گریدهای داده، مسایل محاسباتی بزرگی را پردازش می کنند که به نوبه خود نیاز به ارزیابی، کاوش و تولید مقادیر زیادی از داده ها دارند. ارایه خدماتی برای دسترسی، به اشتراک گذاری و تغییر پایگاه داده های بزرگ وظیفه ای حیاتی و مهم برای سیستم های مدیریت گرید هست.این مقاله مکانیزم پیش بینی شبکه عصبی مصنوعی ای را مطرح می کند که راه حل هایی را برای تکرار داده در سیستم های گرید فراهم می کند. مدل پیش بینی شده انتخابی تکرار پیشنهادی، فایل هایی را با استفاده از اجراهای مبتنی بر تاریخ کاربران برای کارهای دریافتی تعیین خواهد کرد.تکرار، نسخه های مشابه مختلفی از داده ها را ایجاد می کند،که به عنوان یکی از تکنیک های بهینه سازی بزرگ برای کاهش هزینه های دسترسی به داده ها درنظر گرفته شده است. نتایج تجربی دستاوردهای مهم بدست آمده را توسط راه حل پیشنهادی از لحاظ دقت بالا و سربار پایین نشان می دهد.
Keywords:
سیستم های گرید , شبکه های عصبی مصنوعی , پایگاه داده های توزیع شده , استراتژی های تکرار , گریدهای داده متمرکز
Authors
پوریا شیرمحمدی
دانشجوی کارشناسی ارشد نرم افزار موسسه آموزش عالی کارون اهواز.
پگاه نصیری
دانشجوی کارشناسی ارشد نرم افزار موسسه آموزش عالی کارون اهواز
ریحانه صمدی
دانشجوی کارشناسی ارشد نرم افزار موسسه آموزش عالی کارون اهواز
مهدی صادق زاده
دکترا هوش مصنوعی و عضو هیات علمی دانشگاه آزاد اسلامی واحد ماهشهر
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 :