دانلود ترجمه مقاله توازن بار وظایف در رایانش ابری

1. مقدمه 2. پژوهش های مرتبط 3. توازن بار کریل و آگاهی پویا از انرژی در رایانش ابری متحرک 4. نتایج و بحث و بررسی 5. نتیجه گیری

چکیده – یک روند رو به رشد، در محیط IT، رایانش ابر متحرک (MMC) با ملزومات بسیار بزرگ منابع و زیرساخت ها می باشد. در محیط رایانش ابری، توازن بار-روشی برای توزیع بارهای کاری، در میان تعداد فراوان منابع رایانشی، یک جنبه حیاتی به شمار می رود. توازن بار ماهرانه می تواند تضمین کننده استفاده موثر از منابع از طریق تامین منابع شبکه، بر پایه تقاضای کاربران باشد. این پدیده هم چنین می تواند با استفاده از معیار برنامه ریزی های برازندگی، در ساماندهی مشتریان شبکه نیز موثر واقع شود. مقاله در دست، یک تکنیک پیشرفته توازن بار، با آگاهی از انرژی/هزینه، برای تخصیص منابع شبکه، مبتنی بر تقاضا، در رایانش ابری را ارائه می کند. فرآیند توازن بار، در استراتژی پیشنهادی، از متوازن کننده بار کِریل (کریل LB) استفاده می کند که از آن، انتظار می رود بتواند در بستر ماشین های مجازی به بار، با توازن مناسب، دسترسی داشته باشد. هدف استفاده از کریل LB، به عنوان متوازن ساز بار، افزایش توان عملیاتی شبکه، تا حد امکان می باشد. سرعت، هزینه وظایف و وزن وظایف، ابتدا تعیین شدند و پس از آن، الگوریتم بهینه سازی دسته کریل، برای توازن بار، بر پایه پارامترهای اندازه گیری شده، اعمال شد. علاوه بر آن، یک مدل رایانش ابری متحرک، بر پایه کلودلت، با آگاهی انرژی که به صورت اصلاح شده و پویا بود (MDECM)، برای آگاهی از هزینه و انرژی، در بار، بر پایه نرخ خدمات کاربران موبایل، معرفی شد. مطالعه پیشنهادی، کار خود را با هدف بهینه سازی منابع در MCC، به صورت مقرون به صرفه از لحاظ انرژی دنبال می کند. عملکرد کریل LB توصیه شده در مقایسه با توازن بار، مبتنی بر رفتار زنبور عسل (HBB-LB)، دسته کیل و الگوریتم های روند رابین، مقایسه و ارزیابی شد.

A developing trend in the IT environment is mobile cloud computing (MCC) with colossal infrastructural and resource requirements. In the cloud computing environment, load balancing - a way of distributing workloads across numerous computing resources, is a vital aspect. A proficient load balancing guarantees an effective resource usage through the supply of network resources based on the user demands. It can also organize the network clients using the fitting planning criteria. This paper sets forth an advanced load balancing and energy/cost aware technique for a demand-based network resource allocation in cloud computing. The load balancing process in the proposed strategy utilizes a Krill load balancer (Krill LB) which is expected to achieve a well-balanced load over virtual machines. The aim of using the Krill LB as the load balancer is to increase the throughput of the network as much as possible. The speed, task cost, and weight of the tasks were first determined, after which, the Krill herd optimization algorithm was for the load balancing based on the measured parameters. Furthermore, a modified dynamic energy-aware cloudlet-based mobile cloud computing model (MDECM) was introduced for energy cost awareness in load balancing based on the service rate and energy of the mobile users. The proposed work was aimed at optimizing resource allocation in MCC in an energy-efficient manner. The performance of the suggested Krill-LB was benchmarked against that of Honey Bee Behavior Load Balancing (HBB-LB), Kill Herd, and Round Robin algorithms.