مدل مبتنی بر تکنولوژی گروهی و الگوریتم بهینه سازی کوکو (فاخته) برای تخصیص منابع در رایانش ابری

قیمت: 40,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

مدل مبتنی بر تکنولوژی گروهی و الگوریتم بهینه سازی کوکو (فاخته) برای تخصیص منابع در رایانش ابری

عنوان لاتین

Fast and accurate link prediction in social networking systems

کنترل هزینه های عملیاتی یکی از اهداف اصلی مسئله مدیریت منابع در رایانش ابری (CC) است. این مقاله یک مدل ریاضی جدید مبتنی بر تکنولوژِی گروهی (GT) برای نقشه برداری ماشین های مجازی (VMها) برای جریان کار به منظور کنترل برخی هزینه ها (برای مثال هزینه های انتقال، هزینه های جریمه، هزینه سرور)نشان می دهد هنگامی که VM ها در حال اجرا هستند. GT یک تکنولوژی ساخت خوش نام در محیط های صنعتی است که می تواند برخی معیارها را کنترل کند (برای مثال حرکات جزئی، بکارگیری منابع). در مسائل سایز برزگتر یک الگوریتم بهینه سازی کوکو (COA) مطرح شده است. برای تست تاثیر روش مان، در ابتدا یک مجموعه از مسائل را به صورت تصادفی تولید کردیم و سپس مدل را مقایسه کردیم و COA با یک الگوریتم خوشنام در ادبیات نوبت گردشی (RR) نامیده می شود. آنالیز کردن نتایج محاسباتی ثابت می کند که روشهای ما عملکرد بهتری از RR دارند.

Online social networks (OSNs) recommend new friends to registered users based on local-based features of the graph (i.e. based on the number of common friends that two users share). However, OSNs do not exploit all different length paths of the network. Instead, they consider only pathways of maximum length 2 between a user and his candidate friends. On the other hand, there are global-based approaches, which detect the overall path structure in a network, being computationally prohibitive for huge-sized social networks. In this paper we provide friend recommendations, also known as the link prediction problem, by traversing all paths of a limited length, based on the “algorithmic small world hypothesis”. As a result, we are able to provide more accurate and faster friend recommendations. We also derive variants of our method that apply to different types of networks (directed/undirected and signed/unsigned). We perform an extensive experimental comparison of the proposed method against existing link prediction algorithms, using synthetic and three real data sets (Epinions, Facebook and Hi5). We also show that a significant accuracy improvement can be gained by using information about both positive and negative edges. Finally, we discuss extensively various experimental considerations, such as a possible MapReduce implementation of FriendLink algorithm to achieve scalability.