دانلود مقاله ISI انگلیسی شماره 91112
ترجمه فارسی عنوان مقاله

مدیریت درآمد حساس در زمان در مراکز داده سبز

عنوان انگلیسی
On time-sensitive revenue management in green data centers
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
91112 2017 18 صفحه PDF
منبع

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

Journal : Sustainable Computing: Informatics and Systems, Volume 14, June 2017, Pages 1-12

ترجمه کلمات کلیدی
مراکز داده سبز، مدیریت درآمد، برنامه ریزی انرژی، برنامه ریزی شغلی،
کلمات کلیدی انگلیسی
Green data centers; Revenue management; Energy scheduling; Job scheduling;
ترجمه چکیده
در این مقاله، ما یک الگوریتم انرژی و الگوریتم شغلی آنلاین را به صورت تحلیلی و آزمایشگاهی با هدف حداکثر سود خالص برای ارائه دهندگان خدمات در مراکز داده سبز طراحی می کنیم. ابتدا الگوریتم های شناخته شده قبلی را مطالعه می کنیم و نتیجه می گیریم که این الگوریتم های آنلاین عملکرد ضعیف قابل اثبات در بدترین حالت را دارند. برای تضمین عملکرد الگوریتم آنلاین در زمانبندی، ما یک الگوریتم تصادفی برای برنامه ریزی انرژی و مشاغل در مراکز داده طراحی کرده و نسبت رقابت مورد انتظار الگوریتم را در یک محیط خاص ثابت می کنیم. الگوریتم ما از لحاظ نظری است و از الگوریتم های قبلا شناخته شده در بسیاری از تنظیمات با استفاده از هر دو ردیابی واقعی و داده های شبیه سازی شده برتر است. یک الگوریتم بهینه آنلاین نیز به عنوان یک معیار تجربی ارائه شده است.
پیش نمایش مقاله
پیش نمایش مقاله  مدیریت درآمد حساس در زمان در مراکز داده سبز

چکیده انگلیسی

In this paper, we design an analytically and experimentally better online energy and job scheduling algorithm with the objective of maximizing net profit for service providers in green data centers. We first study the previously known algorithms and conclude that these online algorithms have provable poor performance in their worst-case scenarios. To guarantee an online algorithm's performance in hindsight, we design a randomized algorithm to schedule energy and jobs in the data centers and prove the algorithm's expected competitive ratio in a special setting. Our algorithm is theoretical-sound and it outperforms the previously known algorithms in many settings using both real traces and simulated data. An optimal offline algorithm is also provided as an empirical benchmark.