ارزیابی رویکردهای مقیاس پذیری در محیط رایانش ابری

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 767

فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ITCC01_017

تاریخ نمایه سازی: 9 فروردین 1395

چکیده مقاله:

در سال های اخیر، استفاده از فناوری رایانش ابری به طور فزاینده ای گسترش یافته است. مراکز داده ابری، زیرساخت توزیع شده مناسبی برای توسعه بسترهای ارتباطی و خدماتی را فراهم می کنند. افزایش محبوبیت و سودآوری فناوری رایانش ابریف به تأمین قابلیت ها ویژگی های مورد نظر استفاده کنندگان وابسته می باشد. یکی از مهمترین خواسته استفاده کنندگان تخصیص منابع بر اساس نیاز به منظور تأمین کارائی مطلوب می باشد. چالش های مربوط به تحقیق این خواسته، در حوزه یکی از قابلیت های رایانش ابری به نام مقیاس پذیری مطرح و بررسی می گردد. مقیاس پذیری، با مفهوم تخصیص و بازپس گیری منابع متناسب با حجم درخواست ها سعی در استفاده حداکثری از توان منابع موجود و به کارگیری منابع غیرفعال به منظور افزایش کارائی یا غیرفعال کردن منابع موجود متناسب با حجم درخواست ها در جهت کاهش هزینه اجرا درخواست ها، سروکار دارد. تحقیقات متنوعی به منظور مقیاس پذیری بهینه منابع در بستر ابر انجام شده است که هر کدام متناسب با ماهیت زمینه و منابع عملیاتی نقاط ضعف و قوتی دارند. در این مقاله سعی داریم تا ضمن تشریح مفهوم مقیاس بندی، تحقیقات انجام شده در این حوزه را معرفی و سپس به مقایسه و ارزیابی نتایج بپردازیم.

نویسندگان

خسرو موگویی

دانشگاه آزاد اسلامی واحد محلات

مصطفی قبائی آرانی

دانشگاه آزاد اسلامی واحد پرند

محبوبه شمسی

دانشگاه صنعتی قم

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • _ _ Conference on Information Technolosv Comruter & Communicatinm 28 ...
  • Mao, Ming, and Marty Humphrey. "Auto-scaling to minimize cost and ...
  • Anandhi, R., and K. Chitra. "A challenge in improving the ...
  • Mao, Ming, Jie Li, and Marty Humphrey. "Cloud auto-scaling with ...
  • IEEE/ACM International Conference on, pp. 41-48. IEEE, 2010. and ...
  • Bondi, Andre B. _ Characteri stics of scalability and their ...
  • Foster, Ian, Yong Zhao, Ioan Raicu, and Shiyong Lu. "Cloud ...
  • Kupferman, Jonathan, Jeff Silverman, Patricio Jara, and Jeff Browne. "Scaling ...
  • .Jogalekar, P.P., and C. M. Woodside. "A scalability metric for ...
  • Manjula, K. A., and P. Karthikeyan. "Distributed Computing Approaches Conference ...
  • Distributed Computing, vol. 2, pp. 2328-2336. 2010). ...
  • Roy, Nilabja, Abhishek Dubey, and Aniruddha Gokhale. "Efficient autoscaling in ...
  • Storage and Analysis, p. 49. ACM , 2011. ...
  • Computer Applications 52, no. 2 (2012): 12-14. ...
  • "Dynamically scaling applications in the cloud." ACM SIGCOMM Computer C ...
  • "Dynamically scaling applications in the cloud." ACM SIGCOMM Computer C ...
  • Engineering 2 (1997): 101-110 ...
  • Eager, Derek L., John Zahorjan, and Edward D. Lazowska. "Speedup ...
  • Doshi, Bharat T., Pravin K. Johri, Arun N. Netravali, and ...
  • Yang, Jingqi, Chuanchang Liu, Yanlei Shang, Bo Cheng, Zexiang Mao, ...
  • Chieu, Trieu C., Ajay Mohindra, Alexei A. Karve, and Alla ...
  • Hung, Che-Lun, Yu-Chen Hu, and Kuan-Ching Li. "Auto-Scaling Model for ...
  • نمایش کامل مراجع