چطور این مقاله مهندسی کامپیوتر و IT را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2005991 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 فارسی :
2 مگا بایت
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
مدل سازی و ارزیابی کارائی استراتژی های مقیاس بندیِ توسعه پذیر در پلت فرم ابری
عنوان انگليسي
Cloud Performance Modeling and Benchmark Evaluation of Elastic Scaling Strategies
نویسنده/ناشر/نام مجله
IEEE TRANSACTIONS ON PARALLEL AND DISTRIBUTED SYSTEMS
این مقاله چند صفحه است؟
این مقاله ترجمه شده مهندسی کامپیوتر و IT شامل 14 صفحه انگلیسی به صورت پی دی اف و 36 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
در این مقاله قصد داریم به ارائه مدل های جنریک کارائی ابری برای ارزیابی سرویس های IaaS (زیر ساختار به عنوان سرویس)، PaaS (پلت فرم به عنوان سرویس)، SaaS (نرم افزار به عنوان سرویس) و بسترهای ابری ترکیبی بپردازیم. بسترهای ابری را به وسیله برنامه های بنچ مارک واقعی تست خواهیم کرد و معیارهای کارائی جدیدی را ارائه خواهیم کرد. آزمایش های مان را بر روی پلت فرم های ابری IaaS انجام داده ایم. نتایج بنچ مارک ابری را از نظر بهره وری، توسعه پذیری، کیفیت سرویس، بهره وری و مقیاس پذیری تحلیل کرده ایم. 5 بنچ مارک ابری را بر روی پلت فرم EC2 آمازون تست کردیم. این بنچ مارک ها عبارتاند از: YCSB، CloudSuite، HiBench، BenchCloud، TPC-W. برای ارضای سرویس های تولید، راهکارهای افزایش و کاهش مقیاس را باید بر مبنای الگوهای بار کاری و نرخ بکار گیری منابع مشخص نماییم. ماشین های مقیاس افقی از سربار کمتری نسبت به ماشین های افزایش مقیاس برخوردار بودند. اگرچه روش افزایش مقیاس را می توان روشی کارآمدتر در مواجهه با سربار بالاتر دانست. بهره وری ابری نیز در سطح قابل ملاحظه ای مرتبط با توسعه پذیری، کارآمدی، کیفیت سرویس و مقیاس پذیری سیستم می باشد. یافته ایم که مقیاس بندی خودکار را می توان به آسانی پیاده سای کرد ولی این امر منجر به تدارک مازاد منابع می گردد. نرخ پایین بکار گیری منبع ممکن است ناشی از مقیاس بندی خودکار (در مقایسه با استراتژی های افزایش و کاهش مقیاس) باشد. همچنین به اثبات این مسئله می پردازیم که مدل های کارائی ابری پیشنهادی را می توان برای ارزیابی بسترهای ابری PaaS و SaaS مورد استفاده قرار داد.
1-مقدمه و انگیزش
امروزه بستر رایانش ابری وارد یک گام جدیدی برای رسیدن به افزیش بهره وری در دهه آینده گردیده است. پلت فرم های ابری با تبعیت از مدل های کسب و کار پرداخت-به ازای-استفاده به تدریج توسط صنعت فناوری اطلاعات مورد استفاده قرار می گیرند. در رایانش ابری تلاش شده تا پلت فرمی ادغام یافته برای بهره برداری همزمان چندین کاربر تدارک دیده شود. این مدل سرویس دهی مبتنی بر تقاضا و چند اجاره ای را می توان به وسیله مجازی سازی همه منابع و ابزارهای مشترک بدست آورد...
رایانش ابری بسته های ارزیابی افزایش مقیاس کاهش مقیاس (مقیاس بندی افقی)
:کلمات کلیدی
Abstract
In this paper, we present generic cloud performance models for evaluating Iaas, PaaS, SaaS, and mashup or hybrid clouds. We test clouds with real-life benchmark programs and propose some new performance metrics. Our benchmark experiments are conducted mainly on IaaS cloud platforms over scale-out and scale-up workloads. Cloud benchmarking results are analyzed with the efficiency, elasticity, QoS, productivity, and scalability of cloud performance. Five cloud benchmarks were tested on Amazon IaaS EC2 cloud: namely YCSB, CloudSuite, HiBench, BenchClouds, and TPC-W. To satisfy production services, the choice of scale-up or scale-out solutions should be made primarily by the workload patterns and resources utilization rates required. Scaling-out machine instances have much lower overhead than those experienced in scale-up experiments. However, scaling up is found more cost-effective in sustaining heavier workload. The cloud productivity is greatly attributed to system elasticity, efficiency, QoS and scalability. We find that auto-scaling is easy to implement but tends to over provision the resources. Lower resource utilization rate may result from auto-scaling, compared with using scale-out or scale-up strategies. We also demonstrate that the proposed cloud performance models are applicable to evaluate PaaS, SaaS and hybrid clouds as well
Keywords:
Cloud computing benchmark suites scale-up scale-out
سایر منابع مهندسی کامپیوتر و IT-نرم افزار در زمینه رایانش ابری