(ترجمه شد) دانلود مقاله 2015 آی اس آی (ISI) رایانش ابری -- زمانبندی ماشین های مجازی در رایانش ابری برای صرفه جویی در مصرف انرژی

(ترجمه شد) دانلود مقاله 2015 آی اس آی (ISI) رایانش ابری -- زمانبندی ماشین های مجازی در رایانش ابری برای صرفه جویی در مصرف انرژی

 

این مقاله با بهترین کیفیت و در 33 صفحه به صورت کاملا تخصصی ترجمه شده است و با قیمت 26 هزار تومان برای خرید موجود است:

 

مشاهده مقاله ترجمه شده

 

زبان مقاله: انگلیسی

قالب: پی دی اف (PDF)

تعداد صفحات: 13

سال انتشار: 2015

محل انتشار: ژورنال معروف Future Generation Computer Systems

 

 

 

رایانش ابری یا محاسبات ابری (Cloud Computing) یک مدل محاسباتی با مقیاس بالاست که به ماشین های فیزیکی محاسباتی زیادی نیاز دارد. این ماشین ها میزان برق زیادی مصرف میکنند که این میزان مصرف از میزان سود فراهم کنندگان سرویس خواهد کاست و منجر به آسیب رساندن به محیط خواهد شد. امروزه در رایانش ابری به میزان زیادی از مجازی سازی (Virtualization) استفاده میشود. با این حال، استفاده از روشهای با مصرف انرژی بهنیه موجود برای زمانبندی ماشین های مجازی (Virtual Machine یا VM) در ابر در صورتی امکان پذیر است که ماشین های فیزیکی (Physical Machine یا PM) همگن باشند. شبکه های ناهمگن (Heterogeneous) معمولا از تکنولوژی های بهینه سازی مصرف انرژی سخت افزاری مانند ولتاژ متغیر (Dynamic Voltage) و مقیاس بندی فرکانس (Frequency Scaling) مانند DVFS استفاده نمیکنند.

این مقاله یک الگوریتم بهینه مصرف انرژی به نام EEVS برای زمانبندی ماشین های مجازی در ابر پیشنهاد میدهد که محدودیت های زمانی (Deadline) را در نظر میگیرد و میتواند به خوبی از مقیاس بندی فرکانس (DVFS) استفاده کند. یک نتیجه گیری جدید به دست می آید به این صورت که برای هر ماشین فیزیکی (PM) یک فرکانس بهینه وجود دارد که میتواند در آن ماشین مجازی خاصی را پردازش کند و بر این اساس مفهوم کارایی توان بهینه تعریف میشود که برای اندازه گیری ماشین های مجازی همگن (homogeneous) به کار میرود. ماشین فیزیکی با بالاترین نسبت کارایی توان بهینه، قبل از دیگر ماشین ها به ماشین های مجازی اختصاص داده خواهد شد تا بتواند در مصرف انرژی صرفه جویی کند. فرآیند EEVS به چند بازه زمانبندی معادل تقسیم شده است که در هر کدام ماشین های مجازی به ماشین های فیزیکی مناسب انتساب داده میشوند و هر هسته فعال پردازشی با یک فرکانس بهینه کار میکند. پس از هر بازه زمانی، ابر باید دوباره پیکربندی شود تا بتواند منابع پردازشی را برای کاهش بیشتر در مصرف انرژی یکپارچه کند. همچنین محدودیت های مهلت زمانی بایستی در طول زمانبندی برآورده شود. نتایج شبیه سازی نشان میدهد که روش پیشنهادی در این مقاله در بهترین حالت میتواند به 20 درصد کاهش مصرف انرژی و 8 درصد افزایش ظرفیت پردازشی منجر شود.

 

این مقاله در سال 2015 در ژورنال "نسل های آینده سیستم های کامپیوتری" با عنوان انگلیسی "Future Generation Computer Systems" منتشر شده است. این ژورنال بسیار معتبر است و توسط انتشارات الزویر (Elsevier) ایندکس میشود.

 

کلمات کلیدی:

مقاله 2015 کامپیوتر، مقاله 2015 رشته کامپیوتر، مقاله انگلیسی 2015، مقاله آی اس آی، مقاله ای اس ای، مقاله آی اس آی 2015، مقاله isi 2015، مقاله رشته کامپیوتر، مقاله رایانش ابری، مقاله محاسبات ابری، مقاله جدید کامپیوتر، زمانبندی رایانش ابری، زمانبدی ماشین های مجازی، زمانبندی ماشین های فیزیکی در رایانش ابری، کلود، زمانبندی برای کاهش مصرف انرژی، کاهش مصرف برق در رایانش ابری، شبیه سازی رایانش ابری، ولتاژ پویا، مقاله 2015 ترجمه شده، مقاله انگلیسی ترجمه شده، مقاله کامپیوتر ترجمه شده، مقاله رایانش ابری ترجمه شده، مقاله ترجمه شده جدید رایانش ابری، مقاله ترجمه شده جدید محاسبات ابری، مقاله با ترجمه، مقاله ISI با ترجمه، ولتاژ داینامیک، ولتاژ متغیر، مقیاس بندی فرکانس، اختصاص ماشین های مجازی، الگوریتم های زمانبندی ابری، درجه بندی فرکانس، کاهش مصرف توان در محاسبات ابری، زمانبندی vm، زمانبندی ماشین مجازی، شناسایی میزبان پربار ، شناسایی میزبان کم بار، vm selection، vm placement ، مجازی سازی، 2015 Article, ISI Article, Virtualization, Power saving scheduling in cloud computing, Dynamic voltage, frequency scaling

 

 

(قیمت ترجمه این مقاله با بهترین کیفیت، کاملا تخصصی و تایپ شده: 20 هزار تومان)

 

پس از خرید از درگاه امن بانکی لینک دانلود در اختیار شما قرار میگیرد و همچنین به آدرس ایمیل شما فرستاده میشود.

 

تماس با ما برای راهنمایی، درخواست مقالات و پایان نامه ها و یا ترجمه با آدرس ایمیل:

ArticleEbookFinder@gmail.com

 

شماره تماس ما در نرم افزار واتس آپ:

+98 921 764 6825

شماره تماس ما در نرم افزار تلگرام:

+98 921 764 6825 

 

 توجه: اگر کارت بانکی شما رمز دوم ندارد، در خرید الکترونیکی به مشکل برخورد کردید و یا به هر دلیلی تمایل به پرداخت الکترونیکی ندارید با ما تماس بگیرید تا راههای دیگری برای پرداخت به شما پیشنهاد کنیم.

 



خرید و دانلود (ترجمه شد) دانلود مقاله 2015 آی اس آی (ISI) رایانش ابری -- زمانبندی ماشین های مجازی در رایانش ابری برای صرفه جویی در مصرف انرژی


دانلود مقاله انگلیسی 2015 محاسبات ابری موبایل، پیشرفت ها، چالش ها و مسائل باز -- Mobile cloud computing

دانلود مقاله انگلیسی 2015 محاسبات ابری موبایل، پیشرفت ها، چالش ها و مسائل باز -- Mobile cloud computing

در این مقاله در مورد ساختار محاسبات ابری موبایل (Mobile Cloud Computing  یا MCC)، سخت افزارها و نرم افزارهای موردنیاز، تفاوت های محاسبات ابری با محاسبات ابری موبایل، راهکارها، چالش ها و مسائل باز که در تحقیقات آینده میتوان کار خود را روی آنها انجام داد بحث شده است.

این مقاله در سال 2015 نگاشته شده است.

 

 

پس از خرید از درگاه امن بانکی لینک دانلود در اختیار شما قرار میگیرد و همچنین به آدرس ایمیل شما فرستاده میشود.

 

تماس با ما برای راهنمایی، درخواست مقالات و پایان نامه ها و یا ترجمه با آدرس ایمیل:

ArticleEbookFinder@gmail.com

 

شماره تماس ما در نرم افزار واتس آپ:

+98 921 764 6825

شماره تماس ما در نرم افزار تلگرام:

+98 921 764 6825 

 

 

توجه: اگر کارت بانکی شما رمز دوم ندارد، در خرید الکترونیکی به مشکل برخورد کردید و یا به هر دلیلی تمایل به پرداخت الکترونیکی ندارید با ما تماس بگیرید تا راههای دیگری برای پرداخت به شما پیشنهاد کنیم.

 



خرید و دانلود دانلود مقاله انگلیسی 2015 محاسبات ابری موبایل، پیشرفت ها، چالش ها و مسائل باز -- Mobile cloud computing


دانلود مقاله انگلیسی 2015 ISI شبکه های حسگر بیسیم -- الگوریتم های یادگیری ماشین و شبکه های عصبی در مکانیابی شبکه های سنسور

دانلود مقاله انگلیسی 2015 ISI شبکه های حسگر بیسیم -- الگوریتم های یادگیری ماشین و شبکه های عصبی در مکانیابی شبکه های سنسور

نوع مطلب: مقاله آی اس آی (ISI)

زبان مقاله: انگلیسی

قالب مقاله: پی دی اف (PDF)

تعداد صفحات: 18 صفحه

سال انتشار: 2015

محل انتشار: ژورنال معتبر ارتباطات شخصی بیسیم (Wireless Personal Communications) که متعلق به انتشارات اشپرینگر (Springer) است و توسط انتشارات تامسون رویترز (Thomson Reuters) یا ISI ایندکس میشود.

در سالهای اخیر استفاده از شبکه های حسگر بیسیم به میزان زیادی گسترش یافته است. در این شبکه ها تعداد زیادی گره سیار ریز به نام سنسور یا حسگر در محیطی قرار داده میشوند و اطلاعات آن محیط را پایش و بررسی میکنند و برای یک سرور به نام Sink یا چاهک ارسال میکنند. این شبکه ها کاربردهای زیادی پیدا کرده اند که از میان آنها میتوان به کاربردهای نظامی، جاسوسی، امنیتی، حفاظت از منازل و دارایی ها، هواشناسی، کنترل زیست محیطی، پایش و نظارت بر حیوانات و گونه های در حال انقراض، کشاورزی، رصد کردن زیر دریا، کاربردهای تجاری و هزاران کاربرد دیگر اشاره کرد.

در زمینه این شبکه ها مسائل باز زیادی وجود دارد و کارهای زیادی میتوان انجام داد. مثلا در زمینه میزان مصرف انرژی به خاطر محدود بودن میزان باتری حسگرها، الگوریتم های مسیریابی برای انتقال اطلاعات به چاهک، امنیت این شبکه ها برای جلوگیری از دستبرد به داده ها، تحمل خطا در زمان بروز مشکلات و ده ها زمینه دیگر. یکی از زمینه هایی که بسیار مهم است، مکانیابی درست حسگرهاست، یعنی بتوانیم مکان گره های سنسور را به درستی یا با تقریب خوبی پیدا کنیم که این کار تاثیر بسیار زیادی روی کیفیت کاربرد موردنظر دارد.

در این مقاله الگوریتم های یادگیری ماشین بر روی بحث مکانیابی گره ها در شبکه های حسگر بیسیم بحث شده اند و مورد مقایسه و ارزیابی قرار گرفته اند. فرض شده است که تعدادی گره با مختصات موقعیت مشخص به نان انکر (Anchor node) یا گره تکیه گاه یا گره لنگر گاه وجود دارد. در پایان نتایج در نرم افزار متلب (Matlab) شبیه سازی شده اند.

چکیده

شبکه های حسگر بیسیم (WSN) توجه زیادی هم از جهت پژوهشی و هم از جهت کاربردی پیدا کرده اند. مکانیابی (Localization) در شبکه های سنسور (Wireless Sensor Networks) نقشی حیاتی را در پیاده سازی کاربردهای بیشمار این تکنولورژی بازی میکنند که از جمله آنها میتوان به مدیریت سلامت، مدیریت بحران، مدیریتهای زیست محیطی و مدیریت کشاورزی اشاره کرد. الگوریتم های مکان یابی به یک نیاز اساسی برای بهبود کارایی شبکه های حسگر بیسیم تبدیل شده اند که تخمین نسبی موقعیت گره سنسور را نسبت به گره های انکر (لنگر Anchor) با مختصات مطلق نشان میدهند. ما در این مقاله، یک ارزیابی کارایی گسترده از برخی از الگوریتم های یادگیری شبکه های عصبی مصنوعی پیش خور (Feed Forward Artificial Neural Network) برای توسعه یک چارچوب موثر مکان یابی در شبکه های حسگر بیسیم انجام داده ایم. کار پیشنهادی ما از توان سیگنال دریافتی مشاهده شده توسط گره های انکر به وسیله برخی از اثرات انتشار چند مسیره استفاده میکند. این مقاله تلاش دارد با مقایسه نتایج الگوریتم های یادگیری مختلف بهترین خروجی الگوریتم یادگیری را بدست آورد. شبکه های عصبی مصنوعی پیش خور (FFANN) به کمک ورودی های سه بعدی و یک لایه مخفی با نورون های متغیر و دو خروجی طراحی میشوند. برای لایه پنهان، تابع انتقال تان سیگموئید (tan-sigmoid) و برای لایه خروجی تابع انتقال خطی به کار میرود. بهترین الگوریتم های یادگیری مدل مبتنی بر شبکه های عصبی مصنوعی پیش خور میتوانند درجه دقت مکانی بهتری را برای کاربردهای آینده فراهم کنند. ما الگوهای استفاده از الگوریتم های یادگیری را که دقت و درستی الگوریتم های مکانیابی و محلی سازی را بهبود میدهد، تجزیه و تحلیل کرده ایم. نتایج شبیه سازی نشان میدهد که پتانسیل و اثر بخشی زیادی در زمینه بهینه سازی سخت افزار برای ماژول مکانیابی در گره های سنسور وجود دارد.

*مناسب برای پژوهش در زمینه شبکه های کامپیوتری، شبکه های کامپیوتری پیشرفته، سیستم های توزیعی، شبکه های حسگر بیسیم، شبکه های سیار و بی سیم، سیستم های توزیع شده، سیستم عامل های پیشرفته

 

کلمات کلیدی:

مقاله کامپیوتر، مقاله ISI کامپیوتر، مقاله آی اس آی کامپیوتر، مقاله 2015 کامپیوتر، مقاله ISI 2015 کامپیوتر، شبکه های کامپیوتری، دانلود مقاله آی اس آی، ISI ، شبکه حسگر بیسیم، سنسور، تقسیم بندی شبکه، تعمیر توپولوژی، تحمل پذیری خطا، شبکه سنسور بی سیم، یادگیری ماشین، الگوریتم های مسیریابی در شبکه های حسگر بیسیم، الگوریتم های مکانیابی در شبکه های حسگر بیسیم، گره های انکر، گره های لنگرگاه، گره های تکیه گاه، مشخص کردن موقعیت، دانلود رایگان مقاله 2015، مقالات جدید کامپیوتر، شبکه های حسگر بیسیم، سیستم های توزیع شده، دانلود مقاله 2015 کامپیوتر، مقاله 2015 رایگان، دانلود رایگان مقاله 2015 کامپیوتر، کاربرد یادگیری ماشین در شبکه های کامپیوتری، کاربرد یادگیری ماشین در شبکه های حسگر بیسیم، الگوریتم های یادگیری ماشین، شبکه های عصبی مصنوعی، شبکه های پیش خور، شبکه های عصبی پیش تغذیه شده، مقاله مکانیابی در شبکه حسگر بیسیم، الگوریتم های پس انتشار، نرون های چند لایه، نورون های چند لایه، تنظیم بیزی، شبکه های بیزین، مقاله مکانیابی در شبکه سنسور، مشخص کردن موقعیت، wireless sensor networks, wsn, localization in wireless sensor network, localisation in wireless sensor networks, artificial neural networks, ann, feed forward neural networks, tansigmoid transfer function, tan sigmoid transfer function, training algorithms, Bayesian regularization, back propagation algorithms, multi-layer perceptron , ، Network partitioning ، Topology repair ، 2-Vertex connectivity، Fault tolerance ، Relay node placement

 

(قیمت ترجمه این مقاله با بهترین کیفیت، کاملا تخصصی و تایپ شده: حدود 110 هزار تومان)

 

پس از خرید از درگاه امن بانکی لینک دانلود در اختیار شما قرار میگیرد و همچنین به آدرس ایمیل شما فرستاده میشود.

 

تماس با ما برای راهنمایی، درخواست مقالات و پایان نامه ها و یا ترجمه با آدرس ایمیل:

ArticleEbookFinder@gmail.com

 

شماره تماس ما در نرم افزار واتس آپ:

+98 921 764 6825

شماره تماس ما در نرم افزار تلگرام:

+98 921 764 6825 

 

 توجه: اگر کارت بانکی شما رمز دوم ندارد، در خرید الکترونیکی به مشکل برخورد کردید و یا به هر دلیلی تمایل به پرداخت الکترونیکی ندارید با ما تماس بگیرید تا راههای دیگری برای پرداخت به شما پیشنهاد کنیم.



خرید و دانلود دانلود مقاله انگلیسی 2015 ISI شبکه های حسگر بیسیم -- الگوریتم های یادگیری ماشین و شبکه های عصبی در مکانیابی شبکه های سنسور