دانلود ترجمه مقاله الگوریتم های توازن بار در رایانش ابری

1. مقدمه 2. مدل، معیارها و سیاست های توازن بار در مقالات 2.1. معیارهای توازن بار 2.2. طبقه بندی الگوریتم های توازن بار 2.3. سیاست ها در الگوریتم های توازن بار پویا 3. چالش ها در توازن بار براساس ابر 3.1. جابجایی ماشین مجازی (زمان و امنیت) 3.2. گره های توزیع شده مکانی در ابر 3.3. یک نقطه ناموفق 3.4. پیچیدگی الگوریتم 3.5. پیدایش مراکز داده کوچک در رایانش ابری 3.6. مدیریت انرژی 4. بررسی مکانیسم های توازن بار موجود 4.1. مقدمه ای بر Hadoop MapREduce 4.1.1. زمان بند توازن بار در Hadoop 4.1.1.1. زمان بندی FIFO 4.1.1.2. زمان بند منصف 4.1.1.3. زمان بند ظرفیت 4.1.1.4. زمان بند تاخیر 4.1.1.5. طولانی ترین زمان تقریبی تا انتها (LATE) 4.1.1.6. زمان بند محدودیت موعد مقرر 4.1.2. بهینه سازی MapReduce برای توازن بار 4.2. گروه توازن بار براساس پدیده های طبیعی 4.3. تکنیک های توازن بار براساس عامل 4.4. تکنیک های توازن بار کلی 4.5. تکنیک های توازن بار اپلیکیشن محور 4.6. زمان بندی کار آگاه از شبکه و توازن بار 4.7. الگوریتم های زمان بندی خاص جریان کار 5. بحث و بررسی و آمار 6. مسائل حل نشده و روند آتی 7. نتیجه گیری و کارهای آتی

چکیده – رایانش ابری پارادایم نوینی در ارائه خدمات اینترنتی است. توازن بار جنبه ای کلیدی از رایانش ابری است و از وضعیتی که برخی گره ها بار سنگین دارند در حالیکه برخی دیگر بیکار هستند یا کار اندکی دارند، جلوگیری می کند. توازن بار می تواند کیفیت شاخص های سرویس دهی (QoS) را بهبود دهد، از جمله زمان پاسخ، هزینه، توان عملیاتی، عملکرد و استفاده از منابع. در مقاله حاضر تحقیقات مربوط به الگوریتم های زمان بندی کار و توازن بار را بررسی می کنیم و طبقه بندی جدیدی از این الگوریتم ها ارائه می دهیم، مثل گروه توازن بار MapReduce، گروه توازن بار براساس پدیده های طبیعی، گروه توازن بار براساس عامل، گروه توازن بار کلی، گروه اپلیکیشن محور، گروه آگاه از شبکه، و گروه ویژه جریان کار. بعلاوه، مروری داریم بر هر یک از این هفت گروه. هم چنین درون بینی هایی را درباره تشخیص مسائل باز (حل نشده) و راهنمایی هایی برای تحقیقات آتی ارائه می دهیم.

Cloud computing is a modern paradigm to provide services through the Internet. Load balancing is a key aspect of cloud computing and avoids the situation in which some nodes become overloaded while the others are idle or have little work to do. Load balancing can improve the Quality of Service (QoS) metrics, including response time, cost, throughput, performance and resource utilization. In this paper, we study the literature on the task scheduling and load-balancing algorithms and present a new classification of such algorithms, for example, Hadoop MapReduce load balancing category, Natural Phenomena-based load balancing category, Agent-based load balancing category, General load balancing category, application-oriented category, network-aware category, and workflow specific category. Furthermore, we provide a review in each of these seven categories. Also. We provide insights into the identification of open issues and guidelines for future research.