دانلود مقاله ترجمه شده بهبود قابلیت اطمینان در مدیریت منابع از طریق یادگیری تقویتی تطبیقی در سیستم های توزیع شده

چکیده

مطالبات در سیستم های توزیع شده (از جمله گرید و کلود) نقش بسیار مهمی در عصر اطلاعات امروز ایفا می کند و علت آن مقیاس رو به رشد این سیستم است. سیستم های توزیع شده حجم عظیمی از توان محاسباتی را ارائه می کنند و این در حالی است که این سیستم ها  قابلیت اطمینان خود را اغلب به سختی تضمین می کنند. این مقاله مدیریت منابع موثر را با استفاده از یادگیری تقویتی تطبیقی ​​(RL) ارائه می کند که بر بهبود اجرای موفق کارهای محاسباتی با  پیچیدگی کم تمرکز می کند. این روش از یک متد نو ظهور RL در رابطه با شبکه های عصبی برای کمک به زمانبند استفاده می کند که به طور موثر تغییرات پویا در محیطهای اجرایی را مشاهده می کند و خود را سازگار می نماید. مشاهده محیط در مراحل مختلف یادگیری توسط دسترس پذیری منابع و زمان بندی مبتنی بر بازخورد قاعده مند می شود و این امر به طرز چشمگیری محیط را به راه حل بهینه نزدیک می کند. راهکار ما پیچیدگی محاسباتی بالا در سیستم RL را نیز از طریق به اشتراک گذاری اطلاعات مبتنی بر تقاضا حل می کند. نتایج شبیه سازی های گسترده، اثربخشی RL تطبیقی را ​​برای بهبود قابلیت اطمینان سیستم نشان می دهد.

1-مقدمه

در سیستم های توزیع شده با مقیاس بزرگ از جمله گرید و کلود، با توسعه اینترنت قادر می شوند تا اطلاعات گسترده و خدمات کامپیوتری را بصورت پویا ارائه کنند. ناهمگونی و پویایی منابع و برنامه های کاربردی در این سیستم شایع است و باید به طور موثر به آن [11] پرداخته شود. تخصیص منابع با توجه به این ویژگی ها( ناهمگن و پویا) طور فزاینده با توسعه سیستم های توزیعی مهم تر شده است...