دانلود ترجمه مقاله پیش بینی عملکرد مدل های محاسباتی موازی با سیستم صف بندی

1. مقدمه 2. پژوهش‌های مرتبط 3. مدل پیش‌بینی عملکرد 4. زمان سرویس 5. نتیجه‌گیری و کارهای آینده

چکیده – مدل های محاسباتی، الگوریتم های موازی و الگوریتم های توزیع شده را برای رایانش ابری ارائه می دهند. برای زمان بندیِ منابعِ کارآمد، قابلیت تخمین عملکردِ مدل های محاسباتی موازی، بسیار مهم و حیاتی است. تکنیک های موجود برای پیش بینی عملکرد، اغلب مبتنی بر تحلیل و شبیه سازی هستند. به طور مستقیم، نوع رفتار مدل محاسباتی موازی، منجر به تغییر مدل ریاضی می شود. بدون داشتنِ مدلی برای انجام یک پیش بینیِ کلی، مقایسه ی مدل های محاسباتی موازی، از چندین جنبه ی مهم همچون ظرفیت محاسباتی، پیکربندی منابع، مقیاس پذیری، تحمل خطا و غیره، بسیار دشوار است. در این مقاله، ما به منظور پیش بینی عملکردِ مدل های محاسباتی موازی، یک مدل ریاضی را طراحی می کنیم. ما به منظور حفظ تنوع، مدل های محاسباتی مختلفی را به عنوان سیستم سرویس (سیستم ارائه ی سرویس به مشتری)، طراحی می کنیم. می توان تخمین عملکرد را با استفاده از زمان انتظار کار و زمان انجام کار ، به دقت انجام داد. البته، ناهمگونیِ گره های محاسباتی نیز ممکن است در نظر گرفته شود. مقدمه: رایانش ابری، یک فناوری رایج برای محاسبات گسترده و پیچیده است. رایانش ابری، شرکت ها و موسسات را از نیاز به تامین منابع گران قیمت، بی نیاز می سازد. مدل های محاسباتیِ موازی که الگوریتم های موازی و الگوریتم های توزیع شده را برای رایانش ابری ارائه می دهند، نه تنها پردازش حجم عظیمی از داده ها را سرعت می بخشند، بلکه همچنین امکانِ اجاره ی خدمات زیرساخت، به عنوان یک سرویس، را تسهیل می بخشند. با این وجود، در پیکربندیِ خوشه ها و انجام کار بر روی مدل های محاسباتی موازی، زمان قابل توجهی برای برنامه های کاربردیِ داده های بزرگ، نیاز است. علاوه بر این، به علت پیچیدگی عواملی که بر روی عملکرد مدل های محاسباتی موازی تاثیرگذار هستند، زمان پردازش داده ها، رابطه ای غیرخطی با مقدار منابع دارد. در نتیجه، نیاز عظیمی به وجودِ یک مدل ریاضی کارآمد احساس می شود؛ مدلی که می تواند عملکردِ مدل های محاسباتی موازیِ مختلف را به دقت پیش بینی کند؛ و به کاربران کمک می کند تا بتوانند به منظور دستیابی به عملکرد مطلوب، پیکربندی زیرساخت های مختلف را شناسایی کرده و آنها را با یکدیگر مقایسه نمایند.

Computing models provide the parallel and distributed algorithms for cloud. The ability to estimate the performance of parallel computing models for efficient resource scheduling is critical. Current techniques for predicting the performance are mostly based on analyzing and simulating. The behavior of parallel computing model directly leads to the diversity of mathematical model. Without a general prediction model, it is very hard to compare fairly different parallel computing models in several critical aspects, including computing capacity, resource configuration, scalability, fault tolerance and so on. In this paper, we design a mathematical model for predicting the performance by using queuing system. We make various computing models as a service system for shielding the diversity. The performance can be accurately estimated with the job waiting time and the job performing time. The heterogeneity of computing nodes may also be considered. INTRODUCTION: Cloud computing is a prevailing technology to perform massive-scale and complex computing. It facilitates the companies and institutes by diminishing the need of expensive resources. Parallel computing models that provide the parallel and distributed algorithms in the cloud, not only accelerate the processing of large amounts of data, but also facilitate the renting of Infrastructure-as-a-Service offerings. However significant time may be required for big data applications in configuring the cluster and performing the job on the parallel computing models. Furthermore, due to the complexity of factors that influence the performance of parallel computing models, the time for the data processing has non-linear relationship with the amount of resources. Consequently, there is an immense need for an efficient mathematical model that can accurately predict the performance of different parallel computing models and help users to identify and compare different infrastructure configurations for achieving optimal performance.