دانلود ترجمه مقاله ابر سبز: تکنیک BFO مکاشفه ای برای بهینه سازی تخصیص منابع

1. مقدمه 2. مدلسازی مصرف برق 3. چارچوب 4. بهینه سازی تخصیص منابع مراکز داده با استفاده از BFO مبتنی بر اکتشافی 5. پیاده سازی و تحیل نتایج 6. محدودیت ها و مسیر تحقیقات آتی

رایانش ابری یک تکنولوژی نسبتا جدیدی می باشد و هدف از آن ارائه ی خدمات IT مبتنی بر سودمندی می باشد. در حال حاضر رایانش ابری به دلیل تعداد بالقوه ی مزایای پیشنهادیش در حال محبوب شدن هست. با این حال، با افزایش محبوبیت میزان انرژی مصرفی نیز افزایش می یابد. بنابراین، توسعه ی راه حل هایی با هدف صرفه جویی در مصرف انرژی بدون ايجاد كاهش در عملكرد ضروریست. توسعه ی چنین راه حل هایی به کاهش هزینه ها کمک کرده و موجب سود بردن ارائه دهندگان خدمات ابری می گردد. در این مقاله، از تکنیک بهینه سازی الگوریتم غذایابی باکتری به منظور بهینه سازی مستمر تخصیص منابع و به موجب آن بهبود بهره وری انرژی مراکز داده استفاده گردیده است. نتایج بدست آمده، پس از شبیه سازی محیط رایانش ابری و پیاده سازی الگوریتم پیشنهادی، به وضوح نشان می دهد که رایانش ابری از پتانسیل بالایی برخوردار است و سود عملکرد قابل توجه دارد و همچنین از صرفه جویی در هزینه ها حتی در شرایط کار پویا برخوردار می باشد.

Cloud Computing is a relatively new technology and aims to offer “utility based IT services”. Cloud Computing is now becoming increasingly popular because of the potential number of advantages that it aims to offer. However, with the growing popularity comes the increasing power consumption. Therefore, there is an utmost need to develop solutions that aim to save energy consumption without compromising much on the performance. Such solutions would also help reducing the costs thereby benefitting the cloud service providers. In this paper, an optimization technique called Bacterial Foraging has been used in order to continuously optimize the allocation of resources thereby improving the energy efficiency of the data centre. The results obtained after simulating a cloud computing environment and implementing the proposed algorithm make it clearly evident that cloud computing has great potential and offers significant performance gains as well as cost savings even under dynamic workload conditions.