Optimized Cloud Based Scheduling

این کتاب طراحی بهبود یافته ای را برای مدل های ارائه و تخصیص خدمات ارائه می دهد که از طریق اجرای وظایف مونتاژ توالی ژنوم در یک محیط ابری ترکیبی تأیید می شوند. این رویکردها را برای پرداختن به مسائل زمان‌بندی و عملکرد در تجزیه و تحلیل داده‌های بزرگ پیشنهاد می‌کند و الگوریتم‌های جدیدی را برای زمان‌بندی ابر ترکیبی به نمایش می‌گذارد. بخش‌های علمی مانند بیوانفورماتیک، نجوم، فیزیک پرانرژی و علوم زمین در حال تولید جریان عظیمی از داده‌ها هستند که معمولاً به عنوان داده‌های بزرگ شناخته می‌شوند. در زمینه تقاضای رو به رشد برای تجزیه و تحلیل داده های بزرگ، رایانش ابری به دلیل مقیاس پذیری و سازگاری انعطاف پذیر، یک پلت فرم ایده آل برای پردازش وظایف کلان داده ارائه می دهد. با این حال، مشکلات متعددی در ارتباط با مدل‌های ارائه و تخصیص سرویس‌های فعلی وجود دارد، مانند الگوریتم‌های زمان‌بندی ناکارآمد، سربار حافظه، تأخیر بیش از حد گره‌ها و مدیریت نادرست خطا در وظایف، که همه آنها باید برای بهبود عملکرد داده‌های بزرگ برطرف شوند. تجزیه و تحلیل.

This book presents an improved design for service provisioning and allocation models that are validated through running genome sequence assembly tasks in a hybrid cloud environment. It proposes approaches for addressing scheduling and performance issues in big data analytics and showcases new algorithms for hybrid cloud scheduling. Scientific sectors such as bioinformatics, astronomy, high-energy physics, and Earth science are generating a tremendous flow of data, commonly known as big data. In the context of growing demand for big data analytics, cloud computing offers an ideal platform for processing big data tasks due to its flexible scalability and adaptability. However, there are numerous problems associated with the current service provisioning and allocation models, such as inefficient scheduling algorithms, overloaded memory overheads, excessive node delays and improper error handling of tasks, all of which need to be addressed to enhance the performance of big data analytics.