توضیحات
مدل ارائه شده در این پایاننامه مقادیر مصرفی از هر منبع را در برش های زمانی τثبت کرده و رفتار برنامه ی کاربردی را در مصرف منابع با استفاده از مقادیر ثبت شده ی قبلی آموخته و مقدار آتی منابع مورد نیاز را با استفاده از یک روش ترکیبی شامل الگوریتم LoLiMoT و خوشه بندی k-means با تخمین تعداد خوشه ها، پیشبینی می کند و همچنین یک روش اکتشافی برای بازتخصیص منابع بر اساس توافقات سطح سرویس که درآمد مراکز داده را افزایش می دهد ارائه می نماید. ارزیابی و نتایج آزمایش نمایانگر کارآیی مدل ارائه شده در پیشبینی مقدار آتی منبع و تخصیص پویای منابع می باشد(مدیریت منابع، شبکه عصبی مصنوعی، یادگیری ماشینی، رایانش ابری). با عنایت به کثرت ماشین های مجازی در سرویس های میزبانی شده در ابر و مراکز داده، مدیریت منابع فیزیکی در هر سرور مجازی، به یک امر مهم مبدل شده است؛ ضمناً تنوع منابع و رفتار متفاوت برنامه های کاربردی تحت بارکاری در حال تغییر، امور مدیریتی را پیچیده تر و چالشی تر می نماید. هدف از این پژوهش ارائه ی یک مدل کارآمد برای مدیران مراکز داده و کاربران می باشد که در کاهش پیچیدگی ها و چالش های مذکور مؤثر است. در نهایت، کاربران دقیقاً برای منابع مورد نیاز برای بارکاری اعمال شده روی برنامه های کاربردی خود هزینه پرداخت می نمایند و از سوی دیگر، مدیران مراکز داده می توانند درآمد خود را نسبت به حالت تخصیص منابع ثابت به ماشین های مجازی افزایش دهند (مدیریت منابع، شبکه عصبی مصنوعی، یادگیری ماشینی، رایانش ابری).
تمامی تحقیقات و پایان نامه های موجود در سایت قابلیت شبیه سازی توسط تیم سیب دانش را دارد از جمله فعالیت های دیگر سیب دانش انجام پایان نامه، انجام شبیه سازی، انجام سمینار دانشجویی، انجام پاورپوینت دفاع، مقاله، دیتاست، ارائه تحقیقات علمی برای اخذ خدمت سربازی و دیگر تحقیقات علمی و غیره می باشد. لطفا از طریق راه های ارتباطی با ما در ارتباط باشید…
نقد و بررسی‌ها
هیچ دیدگاهی برای این محصول نوشته نشده است.