دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: Punit Gupta, Mayank Kumar Goyal, Sudeshna Chakraborty, Ahmed A. Elngar سری: Chapman & Hall/Distributed Computing and Intelligent Data Analytics Series ISBN (شابک) : 1032028203, 9781032028200 ناشر: CRC Press سال نشر: 2022 تعداد صفحات: 232 [219] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 15 Mb
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Machine Learning and Optimization Models for Optimization in Cloud به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب مدل های یادگیری ماشین و بهینه سازی برای بهینه سازی در ابر نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
یادگیری ماشین و مدلهایی برای بهینهسازی در Cloud هدف اصلی برآوردن نیاز کاربر با کیفیت خدمات بالا، کمترین زمان برای محاسبه و قابلیت اطمینان بالا است. با افزایش مهاجرت خدمات به ارائه دهندگان ابر، بار روی ابر افزایش می یابد که منجر به خطا می شود و خرابی های امنیتی مختلف در سیستم باعث کاهش قابلیت اطمینان می شود. برای برآورده کردن این نیاز، سیستم ابری از الگوریتم فراابتکاری و پیشبینی هوشمند استفاده میکند تا منابعی را در اختیار کاربر قرار دهد تا عملکرد سیستم را مدیریت کند و برای درخواستهای آتی برنامهریزی کند. الگوریتم هوشمند به سیستم کمک می کند تا با در نظر گرفتن عملکرد سیستم در شرایط تحت بارگذاری و بارگذاری بیش از حد، یک منبع مناسب برای یک محیط ابری را در زمان واقعی پیش بینی و پیدا کند.
این کتاب به بهبودهای آینده می پردازد. و مدلهای بهینهسازی هوشمند ممکن با استفاده از هوش مصنوعی، تکنیکهای یادگیری عمیق و سایر مدلهای ترکیبی برای بهبود عملکرد ابر. روش های مختلفی برای افزایش جهت دهی خدمات ابری ارائه شده است که ابر را قادر می سازد خدمات، عملکرد و کیفیت خدمات بهتری را به کاربر ارائه دهد. در مورد نسل بعدی بهینهسازی هوشمند و مدل خطا برای بهبود امنیت و قابلیت اطمینان ابر صحبت میکند.
ویژگیهای کلیدی
· معرفی جامع معماری ابر و مدلهای خدمات آن.
· آسیبپذیری و مشکلات در ابر SAAS، PAAS و IAAS
· مسائل اساسی مربوط به بهینهسازی عملکرد در رایانش ابری با استفاده از مدلهای فراابتکاری، هوش مصنوعی و ML
· جزئیات مطالعه تکنیکهای بهینهسازی و تکنیکهای مدیریت خطا در ابر چند لایه.
· روشهایی برای بهبود قابلیت اطمینان و خطا در ابر با استفاده از الگوریتمهای الهامگرفته از طبیعت و شبکه عصبی مصنوعی.
· مطالعه پیشرفته الگوریتمهایی با استفاده از هوش مصنوعی برای بهینهسازی در ابر
· روشی برای قرار دادن ماشین مجازی کارآمد با استفاده از شبکه عصبی در ابر
· روشی برای زمانبندی کار با استفاده از الگوریتمهای فراابتکاری.
· مطالعه ای در مورد الگوریتم تخصیص منبع الهام گرفته از یادگیری ماشین و یادگیری عمیق برای ابر در محیط آگاه از خطا.
این کتاب با هدف ایجاد علاقه و انگیزه تحقیقاتی برای فارغ التحصیلان یا فارغ التحصیلان است. هدف آن ارائه مطالعه ای بر روی الگوریتم های بهینه سازی در ابر برای محققان است تا نمایی اجمالی از آینده رایانش ابری در عصر هوش مصنوعی به آنها ارائه دهد.
Machine Learning and Models for Optimization in Cloud’s main aim is to meet the user requirement with high quality of service, least time for computation and high reliability. With increase in services migrating over cloud providers, the load over the cloud increases resulting in fault and various security failure in the system results in decreasing reliability. To fulfill this requirement cloud system uses intelligent metaheuristic and prediction algorithm to provide resources to the user in an efficient manner to manage the performance of the system and plan for upcoming requests. Intelligent algorithm helps the system to predict and find a suitable resource for a cloud environment in real time with least computational complexity taking into mind the system performance in under loaded and over loaded condition.
This book discusses the future improvements and possible intelligent optimization models using artificial intelligence, deep learning techniques and other hybrid models to improve the performance of cloud. Various methods to enhance the directivity of cloud services have been presented which would enable cloud to provide better services, performance and quality of service to user. It talks about the next generation intelligent optimization and fault model to improve security and reliability of cloud.
Key Features
· Comprehensive introduction to cloud architecture and its service models.
· Vulnerability and issues in cloud SAAS, PAAS and IAAS
· Fundamental issues related to optimizing the performance in Cloud Computing using meta-heuristic, AI and ML models
· Detailed study of optimization techniques, and fault management techniques in multi layered cloud.
· Methods to improve reliability and fault in cloud using nature inspired algorithms and artificial neural network.
· Advanced study of algorithms using artificial intelligence for optimization in cloud
· Method for power efficient virtual machine placement using neural network in cloud
· Method for task scheduling using metaheuristic algorithms.
· A study of machine learning and deep learning inspired resource allocation algorithm for cloud in fault aware environment.
This book aims to create a research interest & motivation for graduates degree or post-graduates. It aims to present a study on optimization algorithms in cloud for researchers to provide them with a glimpse of future of cloud computing in the era of artificial intelligence.
Cover Half Title Series Page Title Page Copyright Page Table of Contents Preface Editors Contributors Chapter 1 Introduction to Virtualization in Cloud Computing 1.1 Introduction 1.2 Cloud Models 1.2.1 Public Cloud 1.2.2 Private Cloud 1.2.3 Community Cloud 1.2.4 Hybrid Cloud 1.3 What Is Virtualization? 1.3.1 Benefits and Disadvantages of Virtualization 1.3.2 Virtualization Architecture for Cloud [3–6] 1.3.3 Virtualization’s Significance in Cloud Computing [7] 1.3.4 Classes of Virtualization and Its Effects 1.4 Conclusions References Chapter 2 Machine Learning, Deep Learning-Based Optimization in Multilayered Cloud 2.1 Introduction 2.2 Related Work 2.3 Proposed Methodology 2.3.1 Initialization 2.3.2 Dataset Preparation 2.3.3 Model Preparation 2.3.4 Training 2.3.5 Backpropagation and Error Correction 2.3.6 Task Scheduling 2.3.7 Steps of Big Bang–Big Crunch 2.3.7.1 Phase 1: Initialization/Population Generation 2.3.7.2 Phase 2: Fitness Evaluation 2.3.7.3 Phase 3: Crossover/Center of Mass and Mutation 2.3.7.4 Phase 4: Big Crunch 2.4 Experimental Result 2.4.1 Results Using Fabricated Data 2.4.2 Experimental Results Using Real Datasets 2.5 Conclusion References Chapter 3 Neural Network-Based Resource Allocation Model in Multilayered Cloud 3.1 Introduction 3.2 Related Work 3.3 Proposed Model 3.3.1 Model Setup 3.3.2 Dataset Generation 3.3.3 Model Preparation 3.3.4 Training 3.3.5 Backpropagation and Error Correction 3.3.6 Task Scheduling 3.3.7 Steps of Big Bang–Big Crunch 3.3.7.1 Initialization 3.3.7.2 Evaluation 3.3.7.3 Selection 3.3.7.4 Crossover 3.3.7.5 Mutation 3.3.7.6 Big Crunch 3.3.7.7 Stopping Condition 3.3.8 Results and Discussions 3.4 Conclusion and Future Works References Chapter 4 Consideration of Availability and Reliability in Cloud Computing 4.1 Introduction 4.2 Related Work 4.3 Availability and Reliability in Cloud SLA 4.3.1 Availability 4.3.2 Reliability 4.4 Conclusion References Chapter 5 Neural Network and Deep Learning-Based Resource Allocation Model for Multilayered Cloud 5.1 Introduction 5.1.1 Cloud Delivery/Deployment Model 5.1.2 Cloud Service/Model Type 5.1.3 Current Issues in Cloud 5.1.3.1 Cost Management 5.1.3.2 Security Issues 5.1.3.3 Migration 5.1.3.4 Performance 5.1.3.5 Multi-Cloud (Hybrid Cloud) Management 5.1.3.6 Resource Allocation and Management 5.1.4 Factors Affecting Resource Allocation 5.1.4.1 Resource Scaling 5.1.4.2 Energy Utilization 5.1.4.3 Virtual Machine (VM) Migration 5.2 Introduction to Neural Networks 5.2.1 Artificial Neural Networks (ANN) 5.2.2 Convolution Neural Network (CNN) 5.2.3 Recurrent Neural Networks (RNN) 5.3 Introduction to the Genetic Algorithm 5.4 Proposed Model 1 (a Hybrid GA and Naïve Bayes Model for Optimization) 5.5 Whale Optimization Algorithm (WOA) 5.5.1 Mathematical Model 5.5.1.1 Stage 1: Encircling Prey 5.5.1.2 Stage 2: Bubble-Net Attacking (Exploitation Phase) 5.5.1.3 Stage 3: Capture Loop (Search for Prey (Exploration Phase)) 5.6 Related Work 5.7 Conclusion References Chapter 6 Machine Learning-Based Predictive Model to Improve Cloud Application Performance in Cloud SaaS 6.1 Introduction 6.1.1 Essential Characteristics 6.1.2 Cloud Delivery/Deployment Model 6.1.3 Cloud Service/Model Type 6.2 Cloud Challenges 6.3 Literature Review 6.4 Comparative Analysis 6.5 Conclusion References Chapter 7 Fault-Aware Machine Learning and Deep Learning-Based Algorithm for Cloud Architecture 7.1 Introduction 7.2 Related Work 7.3 Outcomes of the Related Works 7.4 Proposed Model 7.4.1 Initialization 7.4.2 Training Datasets Preparations 7.4.3 Multilayer Perceptron Model Design 7.4.4 Model Training 7.4.5 Error Backpropagation and Correction 7.4.6 Task Scheduling 7.4.7 Algorithm of the Proposed Resource Provisioning Technique Bat-ANN 7.4.7.1 Bat Optimization Approach 7.4.8 Proposed Bat-ANN Task Scheduling Algorithm 7.5 Results and Discussions 7.6 Conclusion and Future Works References Chapter 8 Energy-Efficient VM Placement Using Backpropagation Neural Network and Genetic Algorithm 8.1 Introduction 8.2 Traditional VM Placement Work 8.3 System Model 8.3.1 Data Center Framework 8.3.2 Energy Consumption Modeling 8.4 Problem Formulation and Solution 8.4.1 Multi-Objective VM Placement Problem 8.4.2 VM Placement Optimization 8.5 Proposed Energy-Efficient BPGA optimization model 8.5.1 Pass 1: Non-Dominated Sorting Genetic Algorithm (NSGA) 8.6 Performance Evaluations 8.6.1 Experimental Setup 8.6.2 Simulation Results and Comparison 8.7 Conclusions and Future Scope References Chapter 9 Meta-Heuristic Algorithms for Power Efficiency in Cloud Computing 9.1 Introduction 9.1.1 Essential Features of Cloud Computing 9.1.2 Cloud Service Models 9.2 Cloud Technology: Virtualization 9.2.1 Power Consumption in Cloud 9.2.2 Virtual Machine Consolidation 9.3 Meta-Heuristic Algorithms for VM Placement 9.3.1 Simulated Annealing 9.3.2 Ant Colony Optimization 9.3.3 Particle Swarm Optimization 9.3.4 Genetic Algorithm 9.3.5 Biogeographic-Based Optimization (BBO) 9.3.6 Honey Bee Optimization 9.3.7 Bat Optimization 9.4 Conclusion References Chapter 10 Intelligent Scalable Algorithm for Resource Efficiency in Cloud 10.1 Introduction 10.2 Energy-Constrained Cloud Infrastructure 10.3 Literature Review 10.4 Problem Identification and Proposed Solutions 10.4.1 Estimation of Residual Battery Power 10.4.2 Estimation of Residual Battery Power 10.5 Hierarchical Task Scheduling 10.5.1 Algorithm 10.5.2 Algorithm Description 10.6 Advantages of the Proposed Approach 10.7 Simulation 10.7.1 Based on the Number of Requests 10.8 Conclusion References Index