توضیحات محصول

دانلود مقاله شبکه های پتری سیال برای ارزیابی عملکرد برنامه های کاربردی MapReduce و Spark

تعداد کلمات فایل انگلیسی:۸۸۰۰ کلمه ۱۴ صفحه pdf

تعداد صفحات فایل ترجمه:۴۵ صفحه word فونت ۱۴ B Nazani

شبکه های پتری سیال برای ارزیابی عملکرد برنامه های کاربردی MapReduce و Spark

چکیده

برنامه های کاربردی داده های بزرگ (Big Data) اجازه میدهند تا با موفقیت مقدار زیادی از داده هایی را که لزوما ساختار نیافته اند، تجزیه و تحلیل شوند، اگرچه درعین حال چالش های جدیدی را ارائه میدهند. برای مثال، پیش بینی عملکرد چارچوب هایی مانند Hadoop و Spark میتواند هزینه بر باشد، از این رو ارائه مدلهایی که میتواند یک پشتیبانی ارزشمند برای طراحان و توسعه دهندگان باشد، لزومی است. سیستم های داده های بزرگ (Big Data) به یک قدرت مرکزی برای جامعه تبدیل شده و استفاده از مدلها نیز میتواند توسعه سیستم های هوشمند را با ارائه تضمین های کیفیت خدمات ( QoS) برای کاربران خود از طریق پیکربندی سیستم زمان اجرا ممکن کند. ایم مقاله کمک جدیدی را در بررسی رویکرد مدلسازی جدید بر اساس شبکه های پتری سیال برای پیش بینی زمان اجرای برنامه های کاربردی MapReduce و Spark  ارائه میدهد که برای پیش بینی عملکرد زمان اجرا مناسب است. اعتبار مدلها توسط کمپین آزمایشی گسترده انجام شده در CINECA ؛ مرکز ابرمحاسبات ایتالیایی، و در پلت فرم داده های Microsoft Azure HDInsight، تایید شده است. نتایج نشان میدهند که دقت بدست آمده برای Map Reduce حدود ۹٫۵% و برای Spark حدود ۱۰% از اندازه گیریهای واقعی است.

لغات کلیدی: Spark, MapReduce, Hadoop ، شبکه های پتری سیال

Fluid Petri Nets for the Performance Evaluation of MapReduce and Spark Applications

ABSTRACT

Big Data applications allow to successfully analyze large amounts of data not necessarily structured, though at the same time they present new challenges. For example, predict­ing the performance of frameworks such as Hadoop and Spark can be a costly task, hence the necessity to provide models that can be a valuable support for designers and developers. Big Data systems are becoming a central force in society and the use of models can also enable the development of intelli­gent systems providing Quality of Service (QoS) guarantees to their users through runtime system reconfiguration.This paper provides a new contribution in studying a novel modeling approach based on fluid Petri nets to predict MapReduce and Spark applications execution time which is suitable for runtime performance prediction.Models have been validated by an extensive experimental campaign performed at CINECA, the Italian supercomputing center, and on the Microsoft Azure HDInsight data platform. Results have shown that the achieved accuracy is around 9.5% for Map Reduce and about 10% for Spark of the actual measurements on average.

Keywords:Spark, MapReduce, Hadoop, fluid Petri nets

کد:۱۳۰۸۱

دانلود رایگان فایل انگلیسی:

رمز فایل:www.downloadmaghaleh.com

دانلود مقاله شبکه های پتری سیال برای ارزیابی عملکرد برنامه های کاربردی MapReduce و Spark

نظری بدهید

4 × دو =