دانلود ترجمه مقاله مهاجرت ماشین های مجازی انرژی – آگاه برای رایانش ابری با روش بهینه سازی کرم شب تاب

1. مقدمه 2. پژوهش مرتبط 3. الگوریتم بهینه سازی کرم شب تاب (FFO) 4. ارائه تکنیک بهینه سازی کرم شب تاب 5. الگوریتم های ارجاعی موجود 6. آزمایشات و نتایج 7. نتیجه گیری و کارهای آتی

چکیده – بهره وری انرژی در جهت محدوده اکتشافی الگوی رایانش ابری مجازی سازی شده رشد کرده است. افزایش در تعداد و اندازه مراکز داده ابری، نیاز برای بهره وری انرژی را پرورانده است. یک تکنولوژی گسترده و با تجربه در رایانش ابری، مهاجرت ماشین مجازی زنده هست. و بر روی این موضوع جهت صرفه جویی در انرژی متمرکز شده است. این مقاله، تکنیک مهاجرت ماشین مجازی انرژی- آگاه را برای رایانش ابری ارائه می نماید که بر اساس الگوریتم کرم شب تاب عمل می کند. تکنیک پیشنهادی در حین حفظ عملکرد و بهره وری انرژی مراکز داده، ماشین های مجازی حداکثر لود شده را به گره های فعال کمتر لود شده منتقل می نماید. میزان تاثیر تکنیک پیشنهادی با استفاده از مقایسه تکنیک با دیگر تکنیک هایی که از شبیه ساز Cloud sim استفاده می نمایند، بدست آمده است. افزایش در میانگین مصرف انرژی به 44.39% رسیده است، با کاهش 34/72 درصدی مهاجرت و ذخیره 36/34 درصدی میزبان ها این رقم به دست آمد. این امر باعث می شود مراکز داده، بیش تر انرژِی- آگاه گردند.

Energy efficiency has grown into a latest exploration area of virtualized cloud computing paradigm. The increase in the number and the size of the cloud data centers has propagated the need for energy efficiency. An extensively practiced technology in cloud computing is live virtual machine migration and is thus focused in this work to save energy. This paper proposes an energy-aware virtual machine migration technique for cloud computing, which is based on the Firefly algorithm. The proposed technique migrates the maximally loaded virtual machine to the least loaded active node while maintaining the performance and energy efficiency of the data centers. The efficacy of the proposed technique is exhibited by comparing it with other techniques using the CloudSim simulator. An enhancement in the average energy consumption of about 44.39 % has been attained by reducing an average of 72.34 % of migrations and saving 34.36 % of hosts, thereby, making the data center more energy-aware.

پروپوزال این مقاله نیز آماده شده و جهت دریافت آن می توانید وارد لینک زیر شوید:

دانلود پروپوزال زمانبندی مهاجرت ماشین های مجازی در راستای بهینه سازی مصرف انرژی