دسته‌ها
فناوری اطلاعات - ترجمه مقاله مقالات انگلیسی رایگان مقالات ترجمه شده

ترجمه مقاله تخمینِ تدارک منابع به شکلی پویا و مبتنی بر رفتار، بر مبنای شرایطِ سطح بالای اپلیکیشن ها در پلتفرم های ابری

عنوان مقاله انگلیسی رایگان Dynamic, behavioral-based estimation of resource provisioning based on high-level application terms in Cloud platforms
عنوان فارسی ترجمه مقاله  تخمینِ تدارک منابع به شکلی پویا و مبتنی بر رفتار، بر مبنای شرایطِ سطح بالای اپلیکیشن ها در پلتفرم های ابری

 دسته : فناوری اطلاعات

ترجمه مقاله تخمینِ تدارک منابع به شکلی پویا و مبتنی بر رفتار، بر مبنای شرایطِ سطح بالای اپلیکیشن ها در پلتفرم های ابری

این مقاله ترجمه شده مهندسی فناوری اطلاعات در زمینه کلمات کلیدی زیر است:
رایانش ابری
مقاله درباره تخمین کارائی
ترجمه‌ی SLA
مقاله درباره شبکه‌های عصبی مصنوعی
پیش‌بینی بار کاری
Cloud computing
Performance estimation
SLA translation
Artificial neural networks




:
:

:
:
تصویر پیش فرض

http://20elm.ir/wp-content/uploads/2016/10/%D8%AF%D8%A7%D9%86%D9%84%D9%88%D8%AF-%D8%AA%D8%B1%D8%AC%D9%85%D9%87-%D9%85%D9%82%D8%A7%D9%84%D9%87-%D9%88-%D8%AA%D9%88%D8%B6%DB%8C%D8%AD%D8%A7%D8%AA-%D8%A8%DB%8C%D8%B4%D8%AA%D8%B1.pngجزئیات بیشتر و دانلود مقاله ترجمه شده
(مقاله انگلیسی رایگان)
ترجمه مقاله

 

چکیده

با ظهور محیط های ابری، ارائه خدمات در مقیاس اینترنت و IT محور و آنهم در قالب تسهیلات رایانشی به امری ممکن مبدل گردیده است.

با توجه به اینکه روش های کنونی در حوزه ابری توانسته اند چالش هایی مانند کیفیت خدمات، مهاجرت زنده و تحمل پذیری در برابر خطا را پاسخ دهند (که البته از اهمیت شایانی نیز برخوردار می باشد)، ادغام رفتار کاربران و اپلیکیشن ها در فرآیندهای مدیریت ابری، به عنوان یک چالش به قوت خود باقی است. این ادغام می تواند منجر به تخمین صحیح تدارک منابع ابری (برای سطوح خاصی از کیفیت خدمات) و آن هم بر حسب نیازمندی های کاربران و اپلیکیشن ها گردید.

در این مقاله قصد داریم یک روش مبتنی بر جعبه سیاه جنریکی دو سطحی را برای مدیریت رفتاری در لایه های ابری (لایه نرم افزار، پلت فرم، زیر ساختار) ارائه دهیم؛ این روش می تواند صفات منبع را در سطوح پایین پیش بینی نماید، بدین شکل که اطلاعات را در سطوح بالای مرتبط با بازه های اپلیکیشن (سطح ترجمه) تحلیل نموده و رفتار کاربر را پیش بینی می نماید (در سطح رفتاری).

الگوهای موجود در اطلاعات بالا سطح را می توان از طریق تحلیل سری های زمانی تشخیص داده و پس از آن، این الگوها را به صفات منبع در سطح پایین ترجمه کرد که البته برای این کار باید از شبکه های عصبی مصنوعی استفاده نمود. ارزش افزوده و بهره وری سطح ترجمه را از طریق سناریوهای کاربردی مختلف اثبات خواهیم کرد: سناریوهایی که در نظر گرفته ایم، شامل رمزنگاری FFMPEG، یادگیری الکترونیکی تعاملی آنلاین و سرور نوع ویکیپدیا می باشد.

همچنین مدل سطح ترکیبی را از طریق شبیه سازی های گام محور برای تشخیص خطای کلی این روش دو سطحی، مورد ارزیابی قرار داده ایم.