چطور این مقاله مهندسی کامپیوتر و IT را دانلود کنم؟ 
             
            
        
        
            
                فایل انگلیسی این مقاله با شناسه 2008193 رایگان است. ترجمه چکیده این مقاله مهندسی کامپیوتر و IT در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
                
                
                   
 
 
  
     
 
 
 
 
      
    
                    
                        
                        
                     
                
                     
                  
                             
                                  
       
                                      
                             
                   
                    
                         
       حجم فایل انگلیسی :     
    
                         
                             
    480 Kb  
                         
                           
              
                         
       حجم فایل فارسی :     
    
                         
                             
    550 کیلو بایت  
                         
                           
            
                 
                         
       نوع فایل های ضمیمه :     
    
                         
                             
    Pdf+Word  
                         
                           
               
                       
                            
                         
                         
   کلمه عبور همه فایلها :     
   
                         
                             
     www.daneshgahi.com    
                    
             
                         
                                
                           
                        
             
         
     
    
        
            
              
                 عنوان فارسي
            
        
        
            
                
               
                 
            
              
                یک تکنیک آگاه از میزان انرژی ( انرژی آگاه) برای تثبیت وظیفه، برای رایانش ابری
            
            
         
     
    
        
            
           
                   عنوان انگليسي
            
        
        
            
           
                  
            
                Energy-Aware Task Consolidation Technique for Cloud Computing
            
            
         
     
    
        
            
               نویسنده/ناشر/نام مجله 
             
            
        
        
            
          
                 Third IEEE International Conference on Coud Computing Technology and Science
            
         
     
    
        
            
                این مقاله چند صفحه است؟
             
            
        
        
            
                این مقاله ترجمه شده  مهندسی کامپیوتر و IT شامل 7 صفحه انگلیسی به صورت پی دی اف  و 17 صفحه متن فارسی به صورت ورد تایپ شده است 
            
         
     
 
     
   
     
    
    
        چکیده
تثبیت وظیفه را میتوان به عنوان راهکاری به منظور به حداکثر رساندن موجودیتِ منابع رایانش ابری در نظر گرفت که از مزایای زیادی از جمله 1. استفادهی بهتر از منابع، 2. نگهداری از منابع به شکلی منطقی، 3. سفارشیسازی سرویس IT (فناوری اطلاعات)، 4. سرویسهای قابل اطمینان 5. QoS (کیفیت سرویس) و غیره برخوردار میباشد. اگرچه به حداکثر رساندن نرخ استفاده و بهرهبرداری از وظایف، به معنای استفادهی کارآمد از انرژی نیست. پژوهشهای زیادی نشان دادهاند که مصرف انرژی و استفاده از منابع در پارادایم ابری، در سطح زیادی به هم متکی و مرتبط میباشند. بعضی از پژوهشها تلاش نمودهاند تا نرخ بکار گیری منبع را در پاردایم ابری کاهش داده تا به موجب آن، مصرف انرژی نیز کاهش پیدا کند؛ در حالی که بعضی دیگر از تحقیقات تلاش کردهاند تا موازنه ای بین نرخ بکار گیری منبع و میزان مصرف انرژی ایجاد نمایند. در این مقاله، یک تکنیک تثبیت وظیفه با قابلیت آگاهی از میزان انرژی (ETC) ارائه خواهد شد که هدف آن، بهینهسازی مصرف انرژی در خوشههای مجازیِ مستقر در دیتاسنتر (مرکز دادهای) میباشد. بسیاری از سیستمهای ابری نشان دادهاند که 70% از نرخ بکار گیری پردازنده، صرف مدیریت تثبیت وظیفه در بین خوشههای مجازی میگردد. نتایج شبیهسازی نشان میدهد که تکنیک ETC میتواند به شکلی قابل ملاحظه منجر به کاهش مصرف انرژیِ ناشی از مدیریت تثبیت وظیفه برای سیستمهای ابری گردد. با استفاده از این تکنیک میتوان تا سقف 17% به بهبودی در مصرف انرژی و آنهم در مقایسه با پژوهشی که اخیراً در [10] ارائه شده است و هدف آن، بیشینهسازی نرخ استفاده از منابع بوده است، دست یافت. 
1-مقدمه
رایانش ابری با ظهور فناوریهای کاملی همچون دستگاههای شبکه، اپلیکیشن های نرمافزاری و ظرفیتهای سختافزاری که میتوانند برای چنین سیستمهای پیچیده و بزرگی استفاده شوند بسیار رایج گردیده است. در پارادایم ابری، منابع را میتوان در بخشهای مختلفی توزیع نموده که مقیاس این بخش ها میتواند از چندین سرور تا یک مرکز دادهای متغیر باشد. به منظور ادغام و استفادهی مطلوب از منابعی با مقیاسهای مختلف، رایانش ابری به روشهایی کارآمد برای مدیریت ماشینهای موجود در خود نیاز دارد .[4]...
  
         
 کارآمد از نظر انرژی  تثبیت وظیفه  رایانش ابری 
:کلمات کلیدی 
     
     
        Abstract
Task   consolidation   is   a   way   of   maximizing   cloud   computing  resource,  which  brings  many  benefits  such  as  better  use   of   resources,   rationalization   of   maintenance,   IT   service   customization,    QoS    and    reliable    services,    etc.    However,    maximizing  resource  utilization  does  not  mean  efficient  energy  usage.    Many  literature  show  that  energy  consumption  and  resource  utilization  in  clouds  are  highly  coupled.  Some  research  works  aim  to  decrease  resource  utilization  for  saving  energy  while  some  try  to  find  the  balance  between  resource  utilization  and  energy  consumption.    In  this  paper,  an  energy-aware  task  consolidation (ETC)   technique   is   presented   aims   to   optimize   energy  consumption  of  virtual  clusters  in  cloud  data  center.    Conforming   most   cloud   systems,   a   70%   principle   of   CPU   utilization   is   proposed   to   manage   task   consolidation   among   virtual  clusters.    The  simulation  results  show  that  ETC  can  significantly   reduce   power   consumption   in   managing   task   consolidation  for  cloud  systems.    Up  to  17%  improvement  as  compare to a recent work in [10] that aims to maximize resource utilization can be obtained.
        Keywords:  
 energy efficient task consolidation cloud computingl 
 
     
        
        
            
                
                سایر منابع مهندسی کامپیوتر و IT-نرم افزار در زمینه مدیریت منابع در رایانش ابری