دانلود ترجمه مقاله بهینه سازی بهره وری انرژی در پلتفرم های پردازش کلان داده

1. مقدمه 2. کارهای مرتبط 3. مدل بهره وری انرژی و منابع 4. بهترین نسبت منبع 5. زمانبندی وظایف و تخصیص منابع 6. آزمایشات 7. سناریوی کاربرد 8. نتیجه گیری

مقدمه: رایانش سبز، موضوع تحقیقاتی مورد توجهی است و نحوه بهینه سازی بهره وری انرژی یک سیستم کامپیوتری، تاریخچه تحقیقاتی طولانی مدتی دارد. این مقاله، بهینه سازی بهره وری انرژی را روی پلتفرم های پردازش کلان داده ها مورد بررسی و مطالعه قرار داده است. یک پلتفرم پردازش کلان داده، با تعریف پلتفرم رایانشی برای پردازش کلان داده ها مشخص می گردد. به طور کلی، یک پلتفرم پردازشی، ترکیبی از سیستم سخت افزاری، سیستم عامل، میان افزار و کتابخانه های زمان اجرا می باشد. پلتفرم پردازش کلان داده، یک خوشه رایانش در قالب سیستم سخت افزاری، به اشتراک گذاری هیچ چیز به عنوان معماری آن و یک چارچوب رایانش توزیع شده به عنوان سیستم میان افزاری آن را دارا می باشد. چارچوب رایانشی ذکر شده در این مقاله اشاره به چارچوب های خارج از هسته مانند هادوپ (Hadoop)، درمل (Dremel)، یا پرگل (Pregel) دارد، اما مربوط به چارچوب های روی حافظه مانند اسپارک (Spark) یا گراف ایکس (GraphX) نمی باشد. این چارچوب، الگوریتم را به فازهای مختلفی مانند نگاشت و کاهش در یک پلتفرم نگاشت کاهشی تقسیم می کند. در یک فاز، وظایف روی گره ها توزیع می شوند و به صورت موازی اجرا می گردند. این همان خطوط کارهای اجرا شده در سرتاسر گره های سرور می باشد. اساسا، یک پشته سخت افزاری وجود دارد که داده ها پردازش می کند و داده ها فقط در طول خطوط انتقال می یابند که شامل دیسک ها، CPUها، کارت های شبکه و غیره می باشد. هر کدام از این مولفه های سخت افزاری دارای نرخی متفاوت هستند که در آنها، داده ها می توانند پردازش گردند (یعنی، پردازش توان) که می تواند به لحاظ تئوریکی از نظر بایت های پردازش شده بر ثانیه، نرمال سازی شوند. یک تخصیص منابع بهینه باید نرخ پردازش داده ای هر مولفه را در نظر بگیرد، در غیر این صورت، برخی از مولفه ها استفاده نشده باقی خواهند ماند و این موضوع منجر به یک استراتژی تخصیص منابع زیربهینه خواهد شد.

Introduction: Green computing is a hot research topic, and how to optimize the energy efficiency of a computer system has a long history of research. This paper studies energy efficiency optimization on big data processing platforms. A big data processing platform is by definition the computing platform for processing big data. Generally, a computing platform is a combination of hardware system, operating system, middleware and runtime libraries. A big data processing platform has a computing cluster as the hardware system, share-nothing as its architecture and a distributed computing framework as its middleware system. The computing framework mentioned in this paper refers to out-of-core frameworks, such as Hadoop, Dremel, or Pregel, but not for in-memory frameworks, such as Spark or GraphX. The framework divides the algorithm into different phases, such as Map and Reduce in a MapReduce platform. Ina phase, tasks are distributed to nodes and executed in parallel. It is pipelines of work executed across server nodes. Essentially, there is a hardware stack that processes the data, and the data only moves along the pipeline, which includes disks, CPUs, network cards, etc. Each of these hardware components has a different rate at which data can be processed (i.e., processing throughput), which could be theoretically normalized in terms of bytes processed per second. An optimal resource allocation should take into account the data processing rate of each component, otherwise some components will be underutilized, leading to a sub-optimal resource allocation strategy.