رایانش ابری : مطالعه تجربی تامین تطبیق پذیر منابع در ابر

چکیده مقاله رایانش ابری

رایانش ابری، مقیاس پذیری پویای منابع را برای سیستم‌های آنلاین امکان پذیر می‌سازد. این ویژگی‌، یکی از ویژگی‌های کلیدی است که ابر را از محاسبات سنتی متفاوت می‌کند. به هر حال مقدار دهی اولیه یک ماشین مجازی جدید در ابر یک کار فوری و آنی نیست. پلتفرم‌هایی که ابر را میزبانی می‌کنند، در تخصیص منابع سخت افزار تاخیر زیادی دارند. در این مقاله ما روش‌های تامین و مدیریت منابع مبتنی بر پیش بینی را با استفاده از شبکه عصبی و رگرسیون خطی ارائه می‌دهیم. تا بتوانیم درخواست منابع را برآورد کنیم. نتایج تجربی نشان می‌دهد که برای برنامه های موجود بر روی ابر، روش پیشنهادی تطبی پذیرتر است. بنابراین یک روش مهمی برای تخصیص منابع در ابر می‌باشد.

مقدمه رایانش ابری

رایانش ابری یکی از شعارهای محبوب سازمان‌ها است. یکی از ویژگی‌های اصلی ابر که آن را از دیگر سرویس‌های سنتی متمایز می‌کند، این است که منابع آن (برای مثال پردازنده، I/O شبکه، دیسک و غیره) به صورت رقابتی و نامتناهی ارائه می‌شود. این فرصتی برای شرکت‌ها فراهم می‌آورد تا بتوانند برنامه‌های کاربردی شان را در ابر قرار دهند؛ بنابراین سربار ناشی از تهیه منابع زیرساخت سنتی که چندین ماه طول می‌کشد، حذف می‌شود.

با این حال منابع نامحدود تنها مزیت ابر نیست. ارائه دهندگان ابر، این منابع نامتناهی را با استفاده از مدل‌های مختلف قیمت دهی ارائه می‌دهند، برای مثال برای حجم کارهای غیر قابل پیش بینی با استفاده از مدل پرداخت به ازای هر استفاده و برای حجم کارهای دارای زمان تکامل انعطاف پذیر با استفاد از مدل نقطه‌ای قیمت گذاری می‌شوند.

چکیده انگلیسی

loud computing allows dynamic resource scaling for enterprise online transaction systems, one of the key characteristics that differentiates cloud from the traditional computing paradigm. However, initializing a new virtual instance in cloud is not instantaneous; the cloud hosting platforms introduce significant delay in the hardware resource allocation. In this paper, we develop prediction-based resource measurement and provisioning strategies using Neural Network and Linear Regression to satisfy upcoming resource demands.

Experimental results demonstrate that the proposed technique offers more adaptive resource management for applications in cloud environment, an important mechanism to achieve on-demand resource allocation in the cloud.

درباره اثر

ترجمه مقاله مطالعه تجربی تامین تطبیق پذیر منابع در ابر یک مقاله عالی و روان است که به توضیح روش‌های تامین و مدیریت منابع مبتنی بر پیش بینی را با استفاده از شبکه عصبی و رگرسیون خطی می پردازد. این ترجمه با ۲۰ صفحه ترجمه روان در Word نوشته شده و تمامی قسمت های مقاله را پوشش می دهد. کیفیت ترجمه توسط کارشناسان پی استور بررسی و تایید شده است و محصول دارای نشان تضمین کیفیت پی استور می باشد. برای حمایت از مترجم این اثر آن را خریداری کنید. جهت مشاهده مقاله‌های ترجمه شده در زمینه شبکه و علوم کامپیوتر کلیک کنید.