HGASA : یک تکنیک ترکیبی موثر برای بهینه سازی دسترسی داده در شبکه داده پویا

قیمت: 47,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

HGASA : یک تکنیک ترکیبی موثر برای بهینه سازی دسترسی داده در شبکه داده پویا

عنوان لاتین

HGASA: An Efficient Hybrid Technique for Optimizing Data Access in Dynamic Data Grid

محاسبات گرید از رایانه هایی که در انواع مختلف مکان های جغرافیایی به منظور فراهم آوردن قدرت محاسباتی بسیار زیاد و ذخیره سازی انبوه توزیع شده است استفاده می کند. برنامه های علمی ، مقدار زیادی از اطلاعات متناوب که نیاز به مدیریت و مدیریت کارآمد دارد را ایجاد میکنند. انتخاب کپی یکی از موارد تکنیک های مدیریت داده در محاسبات گرید است. و برای انتخاب داده هااز حجم زیادی از داده های توزیع شده استفاده می گردد. انتخاب کپی یک مشکل دسترسی داده جالب در شبکه داده است. الگوریتم های ژنتیک (GA) و مقاوم سازی شبیه سازی شده (SA) دو الگوریتم تکاملی مشهور هستند که در طبیعت متفاوت هستند. در این مقاله یک رویکرد ترکیبی که الگوریتم ژنتیک را با شبیه سازی ترکیب می کند یعنی HGASA، برای حل مسئله انتخاب کپی در شبکه داده پیشنهاد شده است. الگوریتم پیشنهادی، HGASA، امنیت، در دسترس بودن فایل، تعادل بار و زمان پاسخ برای بهبود عملکرد شبکه را در نظر می گیرد. شبیه ساز GridSim برای ارزیابی عملکرد الگوریتم پیشنهاد شده مورد استفاده قرار می گیرد. نتایج نشان می دهد که الگوریتم پیشنهادی، HGASA، نسبت به الگوریتم های ژنتیک (GA) 9٪ و شبیه سازی مقاوم سازی (SA) 21٪ و بهینه سازی کلنی مورچه (ACO) 50٪ بهتر عمل میکند.

Grid computing uses computers that are distributed across various geographical locations in order to provide enormous computing power and massive storage. Scientific applications produce large quantity of sharable data which requires efficient handling and management. Replica selection is one of the data management techniques in grid computing and is used for selecting data from large volumes of distributed data. Replica selection is an interesting data access problem in data grid. Genetic Algorithms (GA) and Simulated Annealing (SA) are two popularly used evolutionary algorithms which are different in nature. In this paper, a hybrid approach which combines Genetic Algorithm with Simulated Annealing, namely, HGASA, is proposed to solve replica selection problem in data grid. The proposed algorithm, HGASA, considers security, availability of file, load balance and response time to improve the performance of the grid. GridSim simulator is used for evaluating the performance of the proposed algorithm. The results show that the proposed algorithm, HGASA, outperforms Genetic Algorithms (GA) by 9 % and Simulated Annealing (SA) by 21 % and Ant Colony Optimization (ACO) by 50 %.