طرح زمانبندی نمایشگاه چند کاره
ترجمه نشده

طرح زمانبندی نمایشگاه چند کاره

عنوان فارسی 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
مجله/کنفرانس: علوم کامپیوتر پروسیدیا-Procedia Computer Science
رشته های تحصیلی مرتبط: مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: هوش مصنوعی، رایانش ابری
کلمات کلیدی فارسی: گردش کار ابر، منابع مجازی، یادگیری تقویتی، زمانبندی نمایشگاه
کلمات کلیدی انگلیسی: cloud workflow, virtual resources, reinforce Learning, fair scheduling
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.procs.2019.06.018
دانشگاه: College of Computer and Electronic Information, Guangdong University of Petrochemical Technology, Maoming, 525000, China
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 1.257 در سال 2018
شاخص H_index: 47 در سال 2019
شاخص SJR: 0.281 در سال 2018
شناسه ISSN: 1877-0509
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 7
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
کد محصول: E12284
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست انگلیسی مطالب

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

نمونه متن انگلیسی 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.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

طرح زمانبندی نمایشگاه چند کاره
نوشته های مرتبط
مقالات جدید
نماد اعتماد الکترونیکی
پیوندها