Skip Navigation Linksشما اینجا هستید -> صفحه اصلی > معرفی > دانلود مقالات ترجمه شده > خرید و دانلود

پیش از اقدام به خرید ترجمه فارسی می توایند نسخه انگلیسی را به صورت رایگان دانلود و بررسی نمایید. متن چکیده و ترجمه آن در پایین همین صفحه قابل مشاهده است.
دانلود رایگان مقاله انگلیسی
گروه ترجمه تخصصی البرز اقدام به ترجمه مقاله " مهندسی فناوری اطلاعات " با موضوع " تخصیص چند-منبعی تطبیقی برای سیستم محاسبات ابری موبایل مبتنی بر تکه ابر " نموده است که شما کاربر گرامی می توانید پس از دانلود رایگان مقاله انگلیسی و مطالعه ترجمه چکیده و بخشی از مقدمه مقاله، ترجمه کامل مقاله را خریداری نمایید.
عنوان ترجمه فارسی
تخصیص چند-منبعی تطبیقی برای سیستم محاسبات ابری موبایل مبتنی بر تکه ابر
نویسنده/ناشر/نام مجله :
IEEE Transactions on Mobile Computing
سال انتشار
2016
کد محصول
1010175
تعداد صفحات انگليسی
29
تعداد صفحات فارسی
38
قیمت بر حسب ریال
200000
نوع فایل های ضمیمه
Pdf+Word
حجم فایل
1 مگا بایت
تصویر پیش فرض



Abstract

Mobile cloud computing utilizing cloudlet is an emerging technology to improve the quality of mobile services. In this paper, to better overcome the main bottlenecks of the computation capability of cloudlet and the wireless bandwidth between mobile devices and cloudlet, we consider the multi-resource allocation problem for the cloudlet environment with resource-intensive and latency-sensitive mobile applications. The proposed multi-resource allocation strategy enhances the quality of mobile cloud service, in terms of the system throughput (the number of admitted mobile applications) and the service latency. We formulate the resource allocation model as a semi-Markov decision process under the average cost criterion, and solve the optimization problem using linear programming technology. Through maximizing the long-term reward while meeting the system requirements of the request blocking probability and service time latency, an optimal resource allocation policy is calculated. From simulation result, it is indicated that the system adaptively adjusts the allocation policy about how much resource to allocate and whether to utilize the distant cloud according to the traffic of mobile service requests and the availability of the resource in the system. Our algorithm outperforms greedy admission control over a broad range of environments

چکیده

محاسبات ابری موبایل که از تکه ابر استفاده می کند یک تکنولوژی نو ظهور برای بهبود کیفیت سرویس های موبایل است. در این مقاله، برای غلبه بهتر بر اصلی ترین موانع ظرفیت محاسباتی تکه ابر و پهنای باند بیسیم میان دستگاه های موبایل و تکه ابر، مسئله تخصیص منابع چندگانه را برای محیط تکه ابر با اپلیکیشن های منابع-متراکم و حساس به تاخیر در نظر گرفته ایم. استراتژی تخصیص چندگانه منابع پیشنهادشده، کیفیت خدمات ابری موبایل را بر حسب توان عملیاتی سیستم (تعداد اپلیکیشن های موبایل پذیرفته شده) و تاخیر خدمات، افزایش می دهد. ما مدل تخصیص منابع را به عنوان یک فرایند تصمیم نیمه-مارکوف تحت معیار هزینه میانگین، فرمول بندی کردیم و مسئله بهینه سازی را که از تکنولوژی برنامه نویسی خطی استفاده می کند، حل کردیم. یک سیاست تخصیص منابع بهینه از طریق ماکزیمم کردن پاداش بلندمدت و در عین حال ارضای ضروریات سیستم مربوط به احتمال مسدودی درخواست و تاخیر زمانی خدمات، محاسبه شده است. با توجه به  نتایج شبیه سازی، نتیجه می شود که وفق پذیری سیستم، سیاست تخصیص در مورد مقدار منابع برای اختصاص را تنظیم می کند و استفاده شدن یا نشدن از ابر دور مطابق با ترافیک درخواست های خدمات موبایل و دسترسی منابع در سیستم را مشخص می کند. عملکرد الگوریتم ما نسبت الگوریتم کنترل پذیرش آزمند، در بازه وسیعی از محیط ها بهتر است.

1-مقدمه

محاسبات ابری موبایل (MCC) یک سیستم آتیه دار است که محاسبات ابری قدرتمندی را برای محیط محاسباتی موبایل معرفی می کند، که دستگاه های موبایل از طریق شبکه بی سیم به اینترنت متصل شده و سپس با یک ابر راه دور ارتباط برقرار می کند [1]. در مقایسه با دستگاه های موبایل، خدمات ابری MCC می تواند ذخیره سازی انبوه، توان محاسباتی بالا، و همچنین امنیت قابل اتکایی را ارائه دهد. با تخلیه زیراجزایِ اپلیکیشن موبایل به سرور ابری برای اجرا، عملکرد اپلیکیشن های موبایل می تواند بسیار بهبود پیدا کرده و انرژی مصرفی دستگاه های موبایل به میزان قابل توجهی کاهش یابد...



این مقاله ترجمه شده مهندسی فناوری اطلاعات در زمینه کلمات کلیدی زیر است:





Mobile cloud computing
semi-Markov Decision Processing
joint resource allocation