Abstract
چکیده
سامانههای رایانش مشبک، منابع محاسباتی زیادی را از روی چند حوزه‌ی اداری فراهم می‌کنند تا به یک هدف اصلی دست یابند. یکی از مهم‌ترین چالش‌های این سامانه‌ها، کشف منابع مناسب در شبکه‌ها است. در این مقاله آن دسته از مکانیسمهای کشف منابع را بررسی می‌کنیم که تاکنون در سامانههای رایانش مشبک به کار رفته‌اند. مکانیسمهای کشف منابع را به پنج دسته‌ی اصلی تقسیم می‌کنیم: متمرکز، غیرمتمرکز، همتا به همتا، سلسله‌مراتبی و مبتنی بر عامل. پیشرفت‌های عمده در این پنج دسته را مرور کرده و چالش‌های جدیدی را مشخص نمودیم. این بررسی کلی علاوه بر جهات پژوهش‌های آتی، تفاوت‌های بین مکانیسمهای مطرح شده را نیز از نظر مقیاس‌پذیری، پویایی، قابلیت اطمینان و ویژگی‌های پرس‌وجوها ارائه می‌کند.
-1مقدمه
لفظ "مشبک" در میانه‌ی دهه‌ی 1990 ابداع شد که دسترسی به مجموعه‌ی وسیعی از منابع ناهمگون را به عنوان یک منبع تک واحد ارائه می‌کند تا مسائل محاسباتی مقیاس بالا و با حجم بالای داده را برای علوم و مهندسی پیشرفته حل نماید (Balasangameshwara and Raju, 2012؛ Erdil, 2012؛ Ian Foster and Kesselman, 1999؛ Siva Sathya and Syam Babu, 2010). چند مثال از سامانههای رایانش مشبک،
NASA IPG (Johnston et al., 1999)، World Wide Grid، HealthGrid (Naseer and Stergioulas, 2010) و Selenium Grid هستند. رایانش مشبک پس از تقریبا 20 سال توسعه، نسخه‌های مختلفی ایجاد کرده است. به عنوان مثال، مشبک محاسباتی که بیانگر سامانه‌هایی است که ظرفیت محاسباتی مجتمع بالاتری دارند و برای اپلیکیشن‌های تک در دسترس هستند؛ مشبک داده که زیرساختی را برای سنتز کردن اطلاعات جدید از روی مخازن داده مثل کتابخانه‌های دیجیتال یا انبارهای داده‌ای فراهم می‌کند که در یک شبکه‌ی گسترده توزیع شده‌اند؛ مشبک اطلاعات که اجتماع اطلاعات میان منابع ناهمگون داده است؛ مشبک سرویس که سرویس‌هایی را فراهم می‌کند که هیچ ماشین تکی نمی‌تواند آنها را فراهم نماید؛ مشبک بی‌سیم که کاربران بی‌سیم و سیار را قادر می‌سازد منابع محاسباتی، سرویس‌ها و اطلاعات را با هم به اشتراک بگذارند (Moreno-Vozmediano, 2009)؛
یک مشبک چندرسانه‌ای که زیرساختی برای رایانش ابری و اپلیکیشن‌های چندرسانه‌ای بلادرنگ فراهم می‌سازد (Krauter et al., 2002)…