انتخاب ماشین مجازی کم مصرف بر اساس رتبه بندی منابع و رویکرد ضریب بهره برداری
ترجمه نشده

انتخاب ماشین مجازی کم مصرف بر اساس رتبه بندی منابع و رویکرد ضریب بهره برداری

عنوان فارسی مقاله: انتخاب ماشین مجازی کم مصرف بر اساس رتبه بندی منابع و رویکرد ضریب بهره برداری در محاسبات ابری برای اینترنت اشیا
عنوان انگلیسی مقاله: Energy-efficient virtual machine selection based on resource ranking and utilization factor approach in cloud computing for IoT
مجله/کنفرانس: کامپیوتر و مهندسی برق - Computers & Electrical Engineering
رشته های تحصیلی مرتبط: مهندسی کامپیوتر، مهندسی فناوری اطلاعات
گرایش های تحصیلی مرتبط: مهندسی الگوریتم ها و محاسبات، معماری سیستم های کامپیوتری، رایانش ابری، مهندسی نرم افزار ، شبکه های کامپیوتری، اینترنت و شبکه های گسترده
کلمات کلیدی فارسی: محاسبات ابر، میزان نیاز به منابع، رتبه بندی CRB، هزینه عنصر پردازشی، رسته بندی وظیفه، مهاجرت ماشین مجازی
کلمات کلیدی انگلیسی: Cloud computing، Resource requirement rate، CRB Ranking، Processing element cost، Task categorization، VM Migration
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus - Master Journal List - JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.compeleceng.2018.11.021
دانشگاه: School of Computer Science and Engineering, VIT University, Vellore, 632014, India
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 2/762 در سال 2018
شاخص H_index: 49 در سال 2019
شاخص SJR: 0/443 در سال 2018
شناسه ISSN: 0045-7906
شاخص Quartile (چارک): Q2 در سال 2018
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 18
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: بله
کد محصول: E11298
فهرست انگلیسی مطالب

Abstract


1- Introduction


2- Related work


3- Problem formulation


4- System architecture model


5- Proposed algorithm


6- Experimental result and performance analysis


7- Conclusion


References

نمونه متن انگلیسی مقاله

Abstract


IoT leads to abrupt variations producing an immense number of data streams for storage, which is a considerable task in the heterogeneous cloud computing environment. Extant techniques consider task deadlines for virtual machine (VM) allocation and migration. This creates a resource famine leading to haphazard and numerous VM migrations, high energy consumption and unbalanced resource utilization. To solve this issue, an energy-efficient resource ranking and utilization factor-based virtual machine selection (ERVS) approach is proposed. ERVS encompasses the resource requirement rate for task classification, comprehensive resource balance ranking, processing element cost and the resource utilization square model for migration. It evaluates overloaded and underloaded hosts and types of VM by predicting CPU utilization rate and energy consumption. Based on this, tasks are sorted and VMs are optimally assigned, which enhances the resource utilization rate, reducing the number of live VM migrations. The experiments evaluate the ability of the proposed approach to diminish energy consumption without violation of service level agreements.


Introduction


IoT is regarded as a new epoch for green IT computational fields. It enables a cloud-based computer system to manipulate things remotely using sensor devices. The deployed sensors gather environmental data, which are analysed to determine suitable actions [1]. Smart agriculture, transportation, cities, grids and healthcare, and novel inventory system applications, all use IoT technology. According to a statement from IBM, each day approximately 2.5 exabytes of data are produced from sensor devices, and in the year 2020, nearly 49 billion devices will be linked [2]. A suitable infrastructure and platforms are required to accumulate and process the sensor data. For instance, in a smart agriculture environment, soil and weather data are measured and stored in the cloud. The computational analysis of stored data is carried out based on an optimal threshold value, which is used to regulate the production of agriculture yield, and the analysed reports are sent to farmers or end users to enable them to take accurate action for preserving the loss [3,4]. A fertilizer recommendation is made based on the computational analysis of weather predictions and soil nutrition parameters.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

انتخاب ماشین مجازی کم مصرف بر اساس رتبه بندی منابع و رویکرد ضریب بهره برداری
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها