الگوریتم بهینه سازی نگاشت کاهش طراحی شده بر پایه یادگیری ماشینی در محیط ابری غیر یکنواخت

قیمت: 41,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

الگوریتم بهینه سازی نگاشت کاهش طراحی شده بر پایه یادگیری ماشینی در محیط ابری غیر یکنواخت

عنوان لاتین

MapReduce optimization algorithm based on machine learning in heterogeneous cloud environment

در اینجا روشی برای بهینه کردن ساختار سیستم نگاشت کاهش که می تواند قادر به کارآمدتر و پایدار تر کردن محیط ابری غیر یکنواخت است، ارائه می نماییم. روشی که ارائه می کنیم از اساس با روش قبلی متفاوت بوده و بر اساس تکنیک یادگیری ماشینی در چارچوب سیستم نگاشت کاهش است و از لحاظ دینامیکی الگوریتم های نگاشت کاهش را نتایج آماری به دست آمده از یادگیری ماشینی بهبود می بخشد.در مور این روش سه مساله مهم وجود دارد که عبارتند از : عملکرد یادگیری ماشینی، الگوریتم کاهش وظایف اختصاص داده شده بر اساس نتایج یادگیری و نهایتا بهبود مکانیسم اجرای تفکرات.به علاوه، دو ویژگی مهم دیگر نیز در روشی که ارائه نمودیم، وجود دارد که اولی قواعد نگاشت کاهش است که می توان آن را از منحنی عملکرد ارزش هایی که از طریق گروه مدول یادگیری ماشینی تعریف می شوند، به دست آورد و مورد دومی مربوط به بهینه سازی الگوریتم وظایف اختصاص داده شده است که می توانیم عملکرد گروه های غیر یکنواخت به حداکثر برسانیم. بر اساس نتایج ارزیابی که به دست آورده ایم، عملکرد گروه ها می تواند در محیط ابری غیر یکنواخت فعلی تا 19 درصد افزایش یابد و نیز پایداری گروه نیز به طور چشمگیری پیشرفت می کند.

We present an approach to optimize the MapReduce architecture, which could make heterogeneous cloud environment more stable and efficient. Fundamentally different from previous methods, our approach introduces the machine learning technique into MapReduce framework, and dynamically improve MapReduce algorithm according to the statistics result of machine learning. There are three main aspects: learning machine performance, reduce task assignment algorithm based on learning result, and speculative execution optimization mechanism. Furthermore, there are two important features in our approach. First, the MapReduce framework can obtain nodes’ performance values in the cluster through machine learning module. And machine learning module will daily calibrate nodes’ performance values to make an accurate assessment of cluster performance. Second, with the optimization of tasks assignment algorithm, we can maximize the performance of heterogeneous clusters. According to our evaluation result, the cluster performance could have 19% improvement in current heterogeneous cloud environment, and the stability of cluster has greatly enhanced