پایان نامه ها >> زیرساخت و فناوری
0 46 0 ۱۳۹۷-۰۲-۲۵
« زمان بندی آینده نگرانه وظایف در محاسبات ابری »

نام دانشجو: فاطمه احمدی – استادان راهنما: دکتر سید اکبر مصطفوی – دکتر مهدی آقا صرام – تاریخ دفاع: 1396 – گروه مهندسی کامپیوتر – دانشگاه یزد

چکیده :

در پلتفرم‌های رایانش ابری، کاربران نهایی درخواست های خود را به شکل همزمان به سرویس دهندگان ابری ارسال می کنند تا از منابع محاسباتی آنها استفاده کنند. به دلیل محدودیت و پویایی منابع سرویس دهندگان ابری و ماهیت متغیر با زمان درخواست ها، طراحی یک الگوریتم زمان‌بندی بهینه و کارا مورد نیاز است که خود را با شرایط پویای سیستم وفق داده و بهره‌وری منابع و رضایت کاربران را در بلندمدت تأمین نماید، دشوار است. اغلب الگوریتم­های زمان‌بندی موجود نمی توانند منابع ابری را با توجه به پویایی وظایف در طول زمان به شکل کارآمد به وظایف تخصیص دهند. در این مقاله یک الگوریتم زمان­بندی مبتنی بر یادگیری تقویتی پیشنهاد می­شود تا یک سیاست آینده نگرانه برای نگاشت منابع به وظایف ایجاد نماید. یادگیری تقویتی به دلیل قابلیت تطبیق با محیط و ارائه پاسخ مناسب به  درخواست­های متغیر با زمان، با تخصیص آینده­نگرانه وظایف به منابع منجر به افزایش کارایی سیستم در بلند­مدت می­گردد. نتایج نشان می­دهد که روش پیشنهادی منجر به کاهش زمان پاسخ و زمان تکمیل کار و همچنین، افزایش نرخ بهره­وری منابع می گردد.

واژه ­های کلیدی: محاسبات ابری، زمان­بندی وظایف، یادگیری تقویتی، زمان­بندی آینده­نگرانه وظایف، زمان پاسخ