تأمین منابع کیفیت خدمات محور برای پردازش گراف بزرگ مقیاس در محیط محاسبات ابری
ترجمه نشده

تأمین منابع کیفیت خدمات محور برای پردازش گراف بزرگ مقیاس در محیط محاسبات ابری

عنوان فارسی مقاله: تأمین منابع کیفیت خدمات (QoS) -محور برای پردازش گراف بزرگ مقیاس در محیط های محاسبات ابری: پردازش گراف به عنوان یک سرویس(GPaaS)
عنوان انگلیسی مقاله: Quality of Service (QoS)-driven resource provisioning for large-scale graph processing in cloud computing environments: Graph Processing-as-a-Service (GPaaS)
مجله/کنفرانس: سیستم های کامپیوتری نسل آینده – Future Generation Computer Systems
رشته های تحصیلی مرتبط: مهندسی کامپیوتر، مهندسی فناوری اطلاعات
گرایش های تحصیلی مرتبط: الگوریتم و محاسبات، مهندسی نرم افزار، اینترنت و شبکه های گسترده
کلمات کلیدی فارسی: پردازش گراف، محاسبات ابری، کیفیت خدمات، تامین منابع
کلمات کلیدی انگلیسی: Graph processing, cloud computing, quality of service, resource provisioning
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.future.2019.02.048
دانشگاه: Cloud Computing and Distributed Systems (CLOUDS) Laboratory, School of Computing and Information Systems, The University of Melbourne, Australia
صفحات مقاله انگلیسی: 23
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 5.341 در سال 2017
شاخص H_index: 85 در سال 2019
شاخص SJR: 0.844 در سال 2017
شناسه ISSN: 0167-739X
شاخص Quartile (چارک): Q1 در سال 2017
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
کد محصول: E12046
فهرست مطالب (انگلیسی)

Abstract

1. Introduction

2. Related work

3. Overview of the proposed solution

4. Dynamic scalable resource provisioning

5. Performance evaluation

6. Conclusions and future work

References

بخشی از مقاله (انگلیسی)

Abstract

Large-scale graph data is being generated every day through applications and services such as social networks, Internet of Things (IoT) and mobile applications. Traditional processing approaches such as MapReduce are inefficient for processing graph datasets. To overcome this limitation, several exclusive graph processing frameworks have been developed since 2010. However, despite broad accessibility of cloud computing paradigm and its useful features namely as elasticity and pay-as-you-go pricing model, most frameworks are designed for high performance computing infrastructure (HPC). There are few graph processing systems that are developed for cloud environments but similar to their other counterparts, they also try to improve the performance by implementing new computation or communication techniques. In this paper, for the first time, we introduce the large-scale graph processing-as-a-service (GPaaS). GPaaS considers service level agreement (SLA) requirements and quality of service (QoS) for provisioning appropriate combination of resources in order to minimize the monetary cost of the operation. It also reduces the execution time compared to other graph processing frameworks such as Giraph up to 10%–15%. We show that our service significantly reduces the monetary cost by more than 40% compared to Giraph or other frameworks such as PowerGraph.