دانلود مقاله ISI انگلیسی شماره 46166
عنوان فارسی مقاله

ایجاد توازن توان عملیاتی و زمان پاسخ در ابرهای علمی آنلاین از طریق الگوریتم کلونی مورچه (SP2013 / 2013/00006)

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی تعداد کلمات
46166 2015 17 صفحه PDF سفارش دهید محاسبه نشده
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
Balancing throughput and response time in online scientific Clouds via Ant Colony Optimization (SP2013/2013/00006)
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Advances in Engineering Software, Volume 84, June 2015, Pages 31–47

کلمات کلیدی
پردازش ابری - مسائل علمی - برنامه ریزی شغلی - هوش انبوه - بهینه سازی کلونی مورچه - الگوریتم ژنتیک
پیش نمایش مقاله
پیش نمایش مقاله ایجاد توازن توان عملیاتی و زمان پاسخ در ابرهای علمی آنلاین از طریق الگوریتم کلونی مورچه (SP2013 / 2013/00006)

چکیده انگلیسی

The Cloud Computing paradigm focuses on the provisioning of reliable and scalable infrastructures (Clouds) delivering execution and storage services. The paradigm, with its promise of virtually infinite resources, seems to suit well in solving resource greedy scientific computing problems. The goal of this work is to study private Clouds to execute scientific experiments coming from multiple users, i.e., our work focuses on the Infrastructure as a Service (IaaS) model where custom Virtual Machines (VM) are launched in appropriate hosts available in a Cloud. Then, correctly scheduling Cloud hosts is very important and it is necessary to develop efficient scheduling strategies to appropriately allocate VMs to physical resources. The job scheduling problem is however NP-complete, and therefore many heuristics have been developed. In this work, we describe and evaluate a Cloud scheduler based on Ant Colony Optimization (ACO). The main performance metrics to study are the number of serviced users by the Cloud and the total number of created VMs in online (non-batch) scheduling scenarios. Besides, the number of intra-Cloud network messages sent are evaluated. Simulated experiments performed using CloudSim and job data from real scientific problems show that our scheduler succeeds in balancing the studied metrics compared to schedulers based on Random assignment and Genetic Algorithms.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.