مدل های پیش بینی تجربی برای تأمین تطبیقی منابع در ابر

فرمت فایل دانلودی: .rar
فرمت فایل اصلی:
تعداد صفحات: 15
حجم فایل: 1297

تعداد صفحه : 21

محاسبات ابری شرایط مقیاس پذیری منابع پویا برای سیستم های معاملاتی آنلاین سازمانی را فراهم می کند، این موضوع یکی از ویژگی های کلیدی تفاوت ابر از الگوی رایانش سنتی است. با این حال، مقدار دهی اولیه یک نمونه مجازی جدید در یک ابر آنی نیست؛ پلت فرم های میزبانی کننده از ابر تاخیر چند دقیقه ای را در تخصیص منابع سخت افزاری تحمیل می کنند. در این مقاله، ما استراتژی های تأمین و اندازه گیری مبتنی بر پیش بینی را با استفاده از شبکه های عصبی و رگرسیون خطی برای تامین منابع آینده توسعه می دهیم. نتایج تجربی نشان می دهند که روش پیشنهادی، مدیریت منابع تطبیقی تر برای برنامه های کاربردی موجود در محیط ابر ارائه می دهد، مکانیسمی مهم برای رسیدن به تخصیص منابع بر اساس تقاضا در ابر.

مدل پیشرفته برای پیش بینی کارآمد حجم کار در ابر

فرمت فایل دانلودی: .rar
فرمت فایل اصلی:
تعداد صفحات: 20
حجم فایل: 5119

برآورد و پیش بینی حجم کار یکی از حوزه های تحقیقاتی مورد توجه در محاسبات ابری است. دلیل این موضوع مزایای متعدد آن است، که عبارتند از QoS (کیفیت سرویس)، مقیاس پذیری منابع به صورت خودکار، و زمان بندی وظایف/کارها. پیش بینی دقیق حجم کار برنامه های کاربردی در ابر بسیار دشوار است بویژه اگر آنها به شدت با هم متفاوت باشند. برای پرداختن به این موضوع، راه حل های موجود یا از روش های آماری استفاده می کنند، که به طور موثر الگوهای تکراری را شناسایی می کنند اما در پیش بینی بلند مدت خیلی دقیق نیستند و یا از روش های یادگیری استفاده می کنند، که یک مدل پیش بینی پیچیده را توسعه می دهند اما عمدتا قادر به تشخیص الگوهای غیر معمول نیستند. برخی از راه حل ها از ترکیبی از هر دو روش استفاده می کنند. با این حال، هیچ یک از آنها به موضوع جمع آوری اطلاعات به منظور بهبود دقت پیش بینی نمی پردازند. ما یک مدل پیشرفته برای پیش بینی حجم کار در ابر (AME-WPC) پیشنهاد می کنیم، که ترکیبی از روش های آماری و یادگیری است، و موجب بهبود دقت و صحت پیش بینی حجم کار برای برنامه های محاسبات ابری می شود و می تواند به صورت پویا به یک سیستم خاص اِعمال شود. روش های یادگیری از یک مجموعه داده آموزشی توسعه یافته استفاده می کنند، که ما از طریق تجزیه و تحلیل عوامل سیستم تعریف می کنیم که دارای تاثیر قوی در حجم کار نرم افزار است. ما مشکل پیش بینی حجم کار را از طریق طبقه بندی و همچنین رگرسیون حل می کنیم و راه حل خود را با استفاده از روش یادگیری ماشینی جنگل تصادفی در هر دو - داده های آموزشی مبنا و توسعه یافته تست می کنیم. به منظور بررسی مدل پیشنهادی، ما آزمون های تجربی خود را با روش یادگیری ماشینی KNN مقایسه می کنیم (K-نزدیکترین همسایه). نتایج تجربی نشان می دهند که ترکیب روش های آماری و یادگیری به طور قابل توجهی موجب بهبود دقت پیش بینی حجم کار در طول زمان می شود.

آشنایی با پروتكل مديريت گروه اينترنت (IGMP)

فرمت فایل دانلودی: .zip
فرمت فایل اصلی: word document
تعداد صفحات: 26
حجم فایل: 28

مقالهٔ کامل بررسی شبکه های تعریف شده با نرم افزار (SDN)

فرمت فایل دانلودی: .rar
فرمت فایل اصلی: docx
تعداد صفحات: 63
حجم فایل: 3460

SDN برگرفته از عبارت Software defined nekwork است که مفهوم معادل آن در زبان فارسی طراحی ، ساخت و مدیریت و نگهداری اجزای شبکه های کامپیوتری و چندگانه با رویکردی نرم افزار محور است. عمر این تکنولوژی حدود یک دهه است ولی با وجود برتریها و مزایای بیشمار آن منابع تحقیقاتی و مقالات کافی به زبان فارسی در این حوزه محدود است. قاعده ی کلی آن مجزا کردن فرایندهای کنترلی شبکه(مسیریابی - کنترل دسترسی -پهنای باند -تامین امنیت و ....) از فرایندهای انتقال بسته های داده میباشد. یک سرور مجهز به کنترلر تمام عملکردهای کنترلی را نظارت میکند و بنابراین این تکنولوژی ساختار لایه ای پروتکل TCP/IP که پروتکل بی رقیب در شبکه های کنونی میباشد را در حال دگرگون کردن است و مبحث شبکه های نرم افزار محور و کاربردهای آن بعنوان تکنولوژی استراتژیک و کارآمد شرکتهای بزرگ دست اندر کار شبکه و همینطور مدیران IT را مجبور به سر مایه گذاری و اقدامات تحقیقاتی در جهت بهره گیری از مزایای اقتصادی و کاربردهای برتر این فناوری نوین کرده است. این مقاله بعنوان پروژه ی کارشناسی فناوری اطلاعات توسط اینجانب تهیه و عنوان پروژه ی برتر را در سطح دانشگاه کسب کرده است و با توجه به محدودیت منابع فارسی با مطالعه ی ده ها منبع تحقیقاتی و چندین بار ویرایش و بروزرسانی تنظیم گردیده و مشابهی در بازار ندارد.همچنین سعی شده در ترجمه ی منابع انگلیسی مفاهیم بصورت کامل و در عین حال به زبان ساده ی پارسی بیان شود تا مورد استفاده ی دانشجویان در همه ی مقاطع تحصیلی قرار گیرد. برای دوستان علاقمند لینکهای معتبرو پروژه های شرکتهای معتبر در زمینه ی SDN برای مطالعه ی بیشتر بعنوان ضمیمه معرفی شده است.این پروژه برای دوستانی که قصد ارایه پروژهٔ بروز و منحصر بفرد در حوزه ی شبکه دارند متواند مفید وکارگشا باشد.فهرست مطالب:چکیده مقدمه مروری بر تاریخچه SDN مفاهیم پایه - پروتکلOpen flow معماری SDN مزایای SDN مجازی سازی slicingcentralizationpower managementsdn و مراکز دادهsdn و کاهش هزینه و زمانsdn و بهره وریsdn و شبکه های بیسیمLoad balancingmobility & sdnشبکه های منعطف دستورات نمونه Routing & sdn Switch migration سناریوها و آزمایشات موارد استفاده SDN استاندارد سازی در حوزه SDNنتیجه گیری مراجع ضمیمه

مقاله ابر محاسباتی (انگلیسی به همراه ترجمه)

فرمت فایل دانلودی: .rar
فرمت فایل اصلی:
تعداد صفحات: 20
حجم فایل: 5303

چکیده- امروزه بستر شبکه های اجتماعی به سرعت راه برقراری ارتباط و تعامل مردم را تغییر داده اند. آنها شرایط ایجاد و مشارکت، جوامع دیجیتال و همچنین بازنمایی، مستندسازی و کشف روابط اجتماعی را فراهم می کنند. ما باور داریم که "اپ ها[1]" پیچیده تر می شوند، و استفاده از آن ها برای کاربران بمنظور به اشتراک گذاشتن سرویس های خود، منابع و اطلاعات از طریق شبکه های اجتماعی آسان تر شده است. برای اثبات این موضوع، ما در حال حاضر ابر محاسبات اجتماعی را ارائه می کنیم که در آن تأمین زیرساخت های ابر از طریق روابط "دوستی" رخ می دهد. در یک ابر محاسبات اجتماعی، صاحبان منابع، ظروف مجازی را بر روی کامپیوترهای  شخصی (ها) و یا دستگاه های هوشمند خود برای استفاده از سوی شبکه های اجتماعی قرار می دهند. با این حال، چون کاربران ممکن است اولویت های پیچیده تری مربوط به آنچه که می خواهند یا نمی خواهند به اشتراک گذارند داشته باشند، ما از طریق شبیه سازی بررسی می کنیم چگونه منابع را می توان به طور موثر در یک جامعه اجتماعیِ ارائه دهنده منابع، به اشتراک گذاشت. در ارزیابی تخصیص منابع اجتماعی، ما معیارهای "رفاه"، "عدالت تخصیص" و "زمان اجرای الگوریتم" را در نظر می گیریم. یافته های کلیدی این کار نشان میدهد چگونه شبکه های اجتماعی می توانند در ساخت زیرساخت های محاسباتی ابر قوی استفاده شوند و چگونه منابع می توانند در حضور اولویت های اشتراک گذاری کاربران، تخصیص داده شوند.