مقاله انگلیسی رایگان در مورد طرح زمانبندی نمایشگاه چند کاره – الزویر 2019

 

مشخصات مقاله
ترجمه عنوان مقاله تحقیق در مورد طرح زمانبندی نمایشگاه چند کاره بر اساس یادگیری تقویتی
عنوان انگلیسی مقاله Multi Workflow Fair Scheduling Scheme Research Based on Reinforcement Learning
انتشار مقاله سال 2019
تعداد صفحات مقاله انگلیسی 7 صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه الزویر
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس نمیباشد
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
1.257 در سال 2018
شاخص H_index 47 در سال 2019
شاخص SJR 0.281 در سال 2018
شناسه ISSN 1877-0509
مدل مفهومی ندارد
پرسشنامه ندارد
متغیر ندارد
رفرنس دارد
رشته های مرتبط مهندسی کامپیوتر
گرایش های مرتبط هوش مصنوعی، رایانش ابری
نوع ارائه مقاله
ژورنال و کنفرانس
مجله / کنفرانس علوم کامپیوتر پروسیدیا-Procedia Computer Science
دانشگاه  College of Computer and Electronic Information, Guangdong University of Petrochemical Technology, Maoming, 525000, China
کلمات کلیدی گردش کار ابر، منابع مجازی، یادگیری تقویتی، زمانبندی نمایشگاه
کلمات کلیدی انگلیسی cloud workflow, virtual resources, reinforce Learning, fair scheduling
شناسه دیجیتال – doi
https://doi.org/10.1016/j.procs.2019.06.018
کد محصول  E12284
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract

1. Introduction

2. System Model

3. Priority Partition and Dynamic Adjustment

4. Multi Workflow Task Fair Allocation Strategy Based on the Reinforcement Learning

5. Experimental Results

6. Conclusion

Acknowledgement

References

 

بخشی از متن مقاله:
Abstract

In this study, aiming to optimize the multi-workflow scheduling order, in which tasks submitted at different time require different service quality, we present a fair multi-workflow scheduling scheme based on reinforcement learning. Firstly we design a dynamic priority-driven algorithm, in order to set the initial state of the task priority according to the type of cloud workflow and service quality on the one hand, and on the other hand, to adjust the tasks priority dynamically while scheduling so as to avoid violating the Service Level Agreement by delaying the workflow provisioning. Secondly, we design a fine-grained cloud computing model and apply the reinforcement-learning based scheduling algorithm to balance the cluster loads. Finally the experimental results prove the effectiveness of this scheme.

Introduction

The cloud workflow (the scientific workflow, the multi-layer Web service workflow, the MapReduce workflow and the Dryad workflow, etc) is a new application model of workflow in the cloud computing environment[2]. The scheduling problem under the sharing heterogeneous distributed resources (the public cloud, the private cloud or the hybrid cloud, etc) has attracted wide attention from researchers in recent years. Chen et al [3] have designed the dynamic task rearrangement and the scheduling algorithm under the prior constraint in view of the task fairness allocation problem of the multi workflow. Fard et al have designed a multi-objective optimization algorithm in view of the heterogeneous cloud computing environment. The algorithm has divided the global task allocation problem into several sub assignment problems and each sub problem is solved by the meta heuristic algorithm[4]. Jing Weipeng et al [5] have proposed a dynamic multi layered DAG scheduling algorithm[6] that considers the link communication competition between virtual machines in view of the reliable scheduling problem of multiple cloud scientific workflow in the cloud computing environment, which has effectively solved the fair scheduling problem when the weights of the tasks in several DAG are greatly different.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا