امروزه با توجه به توسعه شبکهها و تکنولوژیهای ارتباطی، اینترنت اشیا به عنوان بخش جداییناپذیر از فناوری اطلاعات مطرح شده است. توسعه این فناوری با توجه به محدودیت دستگاههای متحرک از نظر توان محاسباتی، ظرفیت باتری و حافظه با چالشهایی روبهرو میباشد. در راستای حل این چ چکیده کامل
امروزه با توجه به توسعه شبکهها و تکنولوژیهای ارتباطی، اینترنت اشیا به عنوان بخش جداییناپذیر از فناوری اطلاعات مطرح شده است. توسعه این فناوری با توجه به محدودیت دستگاههای متحرک از نظر توان محاسباتی، ظرفیت باتری و حافظه با چالشهایی روبهرو میباشد. در راستای حل این چالشها، رایانش ابری موبایل که با به خدمت گرفتن فضای ذخیرهسازی و قدرت محاسباتی ابر، ظرفیت موبايل را برای انجام برنامههای کاربردی بهبود میبخشد، مطرح شده است. به این منظور، برخی از مؤلفههای برنامه کاربردی با هدف بهینهسازی زمان اجرا و انرژی مصرفی کل، برای اجرا به ابر تخلیه میشوند. با توجه به تأثیر تحرک دستگاه متحرک بر شرایط شبکه دسترسی و کیفیت اتصال، تصمیمگیری مؤلفههای مناسب جهت تخلیه به ابر باید با توجه به تحرک دستگاه انجام پذیرد. تا کنون روشهای محدودی در زمینه تخلیه بار تحرکآگاه ارائه شده است. این روشها از مشکلاتی از جمله عدم استفاده از مدل تحرک مناسب، عدم لحاظ قابلیت تحملپذیری خطا، تخلیه یکجای برنامه و عدم توجه به تخلیهبار ریزدانه رنج میبرند. در این مقاله به منظور رفع این مشکلات، یک روش تصمیمگیری تخلیه بار تحرکآگاه با استفاده از زنجیره مارکوف تحرک کاربر و قابلیت تحملپذیری خطا ارائه شده است. نتایج ارزیابیها نشان میدهد که روش پیشنهادی نسبت به روش اخیر مطرح در این زمینه تا 75% در زمان اجرا و 65% در انرژی مصرفی جهت اجرای برنامه کاربردی بهبود ایجاد میکند
پرونده مقاله
توسعه سریع کاربردهای رایانش ابری منجر به انتشار سرویسهای ابری زیادی در محیط ابر شده است. سرویسهای ساده موجود در محیط ابر قادر به پاسخگویی به درخواستهای پیچیده و مختلف موجود در دنیای واقعی نخواهند بود. لذا برای ایجاد سرویس مرکب مورد نیاز میبایست سرویسهای مختلف انتخ چکیده کامل
توسعه سریع کاربردهای رایانش ابری منجر به انتشار سرویسهای ابری زیادی در محیط ابر شده است. سرویسهای ساده موجود در محیط ابر قادر به پاسخگویی به درخواستهای پیچیده و مختلف موجود در دنیای واقعی نخواهند بود. لذا برای ایجاد سرویس مرکب مورد نیاز میبایست سرویسهای مختلف انتخاب و ترکیب شوند. ترکیب سرویسهای ابری آگاه از کیفیت سرویس یکی از چالشهای مهم در محاسبات سرویسگرا است. از آنجایی که تعداد سرویسهای ساده ارائهشده خیلی زیاد است، بنابراین مسأله انتخاب و ترکیب سرویسها یک مسأله Np-Hard است. در این تحقیق برای حل این مشکل الگوریتم بهینهسازی جغرافیای زیستی مورد استفاده قرار گرفته است. برای ارزیابی روش پیشنهادی آزمایشهای متعددی در 5 سناریوی مختلف با تعداد وظایف و تعداد سرویسهای مختلف در محیط Matlab انجام شده است. سرعت همگرایی روش پیشنهادی در ایجاد سرویس مرکب مورد نیاز بیشتر از سرعت همگرایی الگوریتمهای ژنتیک و ازدحام ذرات است. همچنین کیفیت سرویسهای مرکب ایجادشده به عنوان معیار ارزیابی دیگر مورد توجه میباشد. میزان گذردهی و نرخ موفقیت روش پیشنهادی به ترتیب برابر 999/0 و 998/0 میباشد. همچنین متوسط انحراف معیار در 30 اجرای روش پیشنهادی کمتر از 021/0 است. تمامی این مقادیر نشاندهنده برتری روش پیشنهادی نسبت به روشهای مبتنی بر ژنتیک و ذرات میباشد.
پرونده مقاله
امروزه رشد سریع تقاضا برای استفاده از منابع محاسباتی ابری، موجب افزایش مصرف انرژی در مراکز داده شده است. محاسبات ابری سبز برای جلوگیری از افزایش مصرف انرژی مراکز داده بیان شده است. یکی از راهکارهای کاهش مصرف انرژی در سیستمهای پردازش ابری، استفاده از روشهای تجمیع سرویس چکیده کامل
امروزه رشد سریع تقاضا برای استفاده از منابع محاسباتی ابری، موجب افزایش مصرف انرژی در مراکز داده شده است. محاسبات ابری سبز برای جلوگیری از افزایش مصرف انرژی مراکز داده بیان شده است. یکی از راهکارهای کاهش مصرف انرژی در سیستمهای پردازش ابری، استفاده از روشهای تجمیع سرویسها است. روشهای تجمیع موجود با مهاجرتهای غیر ضروری، عدم تعادل بار کاری میزبانها و نادیدهگرفتن ارتباط بین سرویسها ممکن است باعث کاهش کیفیت سرویس و افزایش مصرف انرژی شود. لذا در این تحقیق با مهاجرتدادن سرویسهای ضروری بر اساس اولویت (شامل تعداد فرزندان، سطح و هزینه ارتباطی هر سرویس)، از میزبانهایی که بارکاری خیلی زیاد و یا خیلی کم دارند (که موجب مصرف انرژی زیادی میشوند) به میزبانهایی که حاوی سرویسهای همکار هستند، بهرهوری منابع موجود مرکز داده بهبود یافته و مصرف انرژی کاهش مییابد. مهاجرت زنده سرویسها بر اساس اولویت و به حداقل رساندن تعداد مهاجرتها با هدف کاهش مصرف انرژی، کاهش زمان پاسخ و افزایش کارایی سيستم میباشد. با بررسی و مقایسه روش پیشنهادی با روشهای دیگر، بهبود 37/10 درصدی در کاهش مصرف انرژی در مراکز داده ابری، 18/11 درصدی در کاهش تعداد مهاجرت سرویسها و 46/1 درصدی در افزایش تعداد میزبانهایی که خاموش شدهاند، مشاهده میشود.
پرونده مقاله
شبکه عصبی چندجملهای (PNN) یک الگوریتم یادگیری بانظارت و از محبوبترین مدلهای مورد استفاده در کاربردهای واقعی است. هرچه شبکه عصبی چندجملهای از نظر تعداد توصیفات جزئی (PDها) و لایهها ساختار پیچیدهتری داشته باشد، نیاز به زمان و حجم بیشتری برای محاسبه و ذخیرهسازی دارد چکیده کامل
شبکه عصبی چندجملهای (PNN) یک الگوریتم یادگیری بانظارت و از محبوبترین مدلهای مورد استفاده در کاربردهای واقعی است. هرچه شبکه عصبی چندجملهای از نظر تعداد توصیفات جزئی (PDها) و لایهها ساختار پیچیدهتری داشته باشد، نیاز به زمان و حجم بیشتری برای محاسبه و ذخیرهسازی دارد. در این تحقیق رویکرد جدیدی در زمینه بهبود کارایی طبقهبند شبکه عصبی چندجملهای با استفاده از الگوریتم بهینهسازی نهنگ (WOA) به نام PNN-WOA پیشنهاد شده که علاوه بر افزایش دقت PNN، زمان و حجم محاسبات قابل تحملی دارد. در رویکرد پیشنهادی، PDها بر اساس ترکیب دوبهدوی ویژگیها از نمونههای آموزشی در لایه اول تولید میشوند. مجموعهای از PDهای تولیدشده در لایه اول، متغیرهای ورودی و بایاس، عصبهای لایه دوم را تشکیل میدهند. در نهایت خروجی شبکه عصبی چندجملهای، توسط مجموع وزندهی شده خروجیهای لایه دوم به دست میآید. با استفاده از الگوریتم بهینهسازی نهنگ (WOA) بهترین بردار ضرایب وزندهی به گونهای که شبکه PNN بیشترین دقت طبقهبندی را داشته باشد، به دست میآید. برای ارزیابی روش PNN-WOA از یازده مجموعه داده موجود در پایگاه داده UCI استفاده شد. نتایج نشان میدهند که PNN-WOA در مقایسه با روشهای پیشین از قبیل PNN-RCGA، PNN-MOPPSO، RCPNN-PSO و S-TWSVM عملکرد مناسبی دارد. همچنین نتایج آزمون آماری فریدمن نشان میدهند که در مجموع، روش پیشنهادی PNN-WOA نسبت به سایر روشهای مقایسهشده، از نظر آماری عملکرد بهتری (با مقدار P برابر 039/0) داشته است.
پرونده مقاله
در عصر حاضر، صنعت رایانش ابری به یک زنجیره تأمین جدید
بین ارائهدهندگان سرویس محاسباتی و درخواستدهندگان سرویس تبدیل
شده است. برای این منظور، مراکز دادهای ابر به طور گسترده از تکنولوژی مجازیسازی استفاده میکنند که به طور بالقوه قابلیت افزایش بهرهوری منابع محاسبات چکیده کامل
در عصر حاضر، صنعت رایانش ابری به یک زنجیره تأمین جدید
بین ارائهدهندگان سرویس محاسباتی و درخواستدهندگان سرویس تبدیل
شده است. برای این منظور، مراکز دادهای ابر به طور گسترده از تکنولوژی مجازیسازی استفاده میکنند که به طور بالقوه قابلیت افزایش بهرهوری منابع محاسباتی در سطح زیرساخت ابر را فراهم میکند. طرحهای ناکارامد جایگذاری ماشینهای مجازی منجر به کاهش بهرهوری سیستم، افزایش هدررفت منابع و در نتیجه مصرف بالای انرژی در مراکز دادهای ابر میشوند. بنابراین، این مقاله مسئله جایگذاری ماشینهای مجازی روی ماشینهای فیزیکی مرکز دادهای ابر را به یک مسئله بهینهسازی چندهدفه با رویکرد کمینهسازی دو هدف مصرف انرژی و هدررفت منابع فرمولبندی میکند که از لحاظ محاسباتی در رده مسایل
NP-hard قرار دارد. از آنجایی که اکثر الگوریتمهای فراابتکاری برای حل مسایل بهینهسازی پیوسته طراحی شدهاند و نیز کیفیت راه حل آنها با خطر گیرافتادن در بهینه محلی تهدید میشود، برای حل این مسئله ترکیبی و پیچیده، یک الگوریتم بهینهسازی مبتنی بر تبرید فلزات متناسب با فضای جستجوی گسسته تعریفشده در مسئله، توسعه داده میشود تا امکان گیرافتادن در بهینه محلی را کاهش دهد. جهت اعتبارسنجی روش پیشنهادی، سناریوهای مختلفی معرفی و هدایت میشوند. نتایج به دست آمده از شبیهسازی در سناریوهای مختلف، برتری روش پیشنهادی را نسبت به سایر روشهای موجود از لحاظ کاهش مصرف انرژی، هدررفت منابع و تعداد سرویسدهندههای فعال نشان میدهد.
پرونده مقاله
استفاده از راهکارهای آگاه از انرژی از موضوعات مهم تحقیقاتی در حوزه رایانش ابری است. با کاربرد مؤثر الگوریتمهای جایگذاری و تجمیع ماشینهای مجازی، تأمینکنندگان ابر قادر خواهند بود مصرف انرژی را کاهش دهند. در این مقاله مدل جدیدی ارائه شده که با بهبود در الگوریتمها و ا چکیده کامل
استفاده از راهکارهای آگاه از انرژی از موضوعات مهم تحقیقاتی در حوزه رایانش ابری است. با کاربرد مؤثر الگوریتمهای جایگذاری و تجمیع ماشینهای مجازی، تأمینکنندگان ابر قادر خواهند بود مصرف انرژی را کاهش دهند. در این مقاله مدل جدیدی ارائه شده که با بهبود در الگوریتمها و ارائه روشهای مناسب، به دنبال رسیدن به نتایج مطلوب است. نظارت دورهای بر وضعیت منابع، تحلیل مناسب دادههای به دست آمده و پیشبینی وضعیت بحرانی سرورها به کمک مدل مارکوف پیشنهادی سبب شده است که تا حد امکان از تعداد مهاجرتهای غیر ضروری کاسته شود. ترکیب الگوریتمهای ژنتیک و شبیهسازی تبرید در بخش جایگزینی در کنار تعریف زنجیره مارکوف جاذب باعث عملکرد بهتر و سریعتر الگوریتم پیشنهادی گردیده است. شبیهسازیهای انجامشده در سناریوهای مختلف در کلودسیم نشان میدهد که در مقایسه با بهترین الگوریتم مورد مقایسه قرار گرفته، در بار کم، متوسط و زیاد، مصرف انرژی کاهش قابل توجهی داشته و این در حالی است که نقض توافقات سطح سرویسدهی نیز به طور متوسط 17 درصد کاهش یافته است.
پرونده مقاله