ویرگول
ورودثبت نام
ای ترجمه
ای ترجمهخدمات ارائه مقالات علمی و سفارش ترجمه تخصصی
ای ترجمه
ای ترجمه
خواندن ۷ دقیقه·۴ سال پیش

چارچوب تعیین منابع برای محاسبات مبتنی بر ابر (مقاله ترجمه شده)

چکیده

در سال های اخیر محاسبات علمی با استفاده گسترده از محاسبات ابری به دلیل انعطاف پذیری آن در مدیریت منابع محاسباتی تکامل یافته است. در این مقاله، ما روی پردازش داده های ژنومی که به سرعت در حال پیشرفت در تحقیق و فعالیت های پزشکی است، تمرکز می کنیم. از ویژگی های اصلی این مجموعه داده، نه تنها تعداد فایل های ژنوم موجود در حال تبدیل شدن بسیار بزرگ است، بلکه هر یک از مجموعه داده ها به تنهایی به طور قابل توجهی بزرگ بوده، و بیش از ده گیگابایت می باشد. از این رو، پردازش بخش بزرگی از داده های ژنومی مبتنی بر ابر، تاثیر قابل توجهی در منابع شبکه دارند، زیرا هر پردازش نیاز به انتقال دهها گیگابایت به گره های محاسبه دارد. برای بررسی این موضوع، در این مقاله ما یک چارچوب تعیین منابع پیشنهاد می کنیم که عوامل تصمیم گیری با اطلاعات مورد نیاز برای انتخاب مناسب ترین گره های محاسبه را فراهم می کند. ما تابع تعیین منابع را به صورت توزیع شده اجرا کرده، و به طور گسترده آن را در یک بستر آزمایشی آزمایشگاه متشکل از حدود 70 گره تست کردیم. ما دریافتیم اورهد راه حل پیشنهادی در مقایسه با مقدار داده منتقل شده، ناچیز است.

مقدمه

در سال های اخیر، اجرای سیستم عامل محاسبات علمی با استفاده از محاسبات مبتنی بر خوشه محلی و کاربرد محاسبات شبکه ای توزیع یافته، تکامل یافته، و آخرین دستاورد، استفاده از زیرساخت های محاسبات ابری می باشد [13]. این تکامل است به دلیل انعطاف پذیری بهبود یافته در مدیریت منابع محاسباتی می باشد که این آخرین پارادایم را نسبت به سایر راهها ارائه می دهد. با این حال، محاسبات علمی با برنامه های کاربردی معمولی مبتنی بر ابر، اعم از میزبانی سرور چند رسانه ای و استقرار تجهیزات ذخیره سازی، بسیار متفاوت است. تفاوت اصلی شامل حجم اطلاعات مدیریت شده توسط برنامه های علمی و یا CPU مورد نیاز، است که نسبت به سایر کاربردها، بسیار بیشتر می باشد. علاوه بر این، برنامه های کاربردی محاسبات علمی بسیار ناهمگن هستند. برای مثال، آنها ممکن است از سیستم عامل های مورد استفاده برای ذخیره و پردازش خروجیهای آزمایشهای فیزیکی دارای انرژی بالا، که نیاز به امکانات تجربی به منظور جمع آوری مقدار زیادی از داده ها به موقع ، یا شبیه سازی تغییرات آب و هوا دارد، استفاده کنند. این کار نیاز به عملکرد محاسباتی بالا، و یا پردازش مجموعه داده های ژنومی دارد، که ممکن است مقادیر بیشتری نسبت به منابع محاسباتی لازم برای اجرای تک، با تعداد بسیار بیشتر اجراها، نیاز داشته باشد که این مسئله سبب می شود که اندازه ورودی فایل ها به راحتی به دهها گیگابایت برسد.

در این مقاله، ما روی پردازش داده های ژنومی کار می کنیم. این موضوع با توجه به کاهش در هزینه های تعیین توالی DNA ، به سرعت در فعالیت های پژوهشی و پزشکی در حال پیشرفت و گسترش است.[1] از ویژگی های اصلی این مجموعه داده، نه تنها تعداد فایل های ژنوم موجود در حال تبدیل شدن بسیار بزرگ است، بلکه هر یک از مجموعه داده ها به تنهایی به طور قابل توجهی بزرگ بوده، و بیش از ده گیگابایت می باشد. به این مساله تحت عنوان Big2 اشاره شده است، و اهمیت آن در طول زمان افزایش می یابد. در واقع، انتظار می رود که در چند سال آینده تمام نوزادان تعیین توالی خواهند شد و علوم پزشکی، بر نتایج پردازش ژنوم پردازش استوار خواهد شد. واضح است که این مساله واقع بینانه نیست که فرض کنیم که هر بیمارستان قادر به دست آوردن یک مرکز محاسبات بزرگ (ابر خصوصی) برای رفع نیاز به  تقاضای پردازش داخلی خواهد بود. بنابراین، استفاده از خدمات پردازش عمومی مبتنی بر ابر راه حل واضح خواهد بود[11]. از این رو، بدیهی است که مدیریت مناسب داده های ژنومی نه تنها برای خدمات ذخیره سازی، بلکه همچنین برای پردازش آنها و انتقال آنها ضروری خواهد بود. در واقع، پردازش داده های ژنومی مبتنی بر ابر تاثیر قابل توجهی در منابع شبکه دارند، زیرا هر درخواست پردازش سبب انتقال گیگابایت ها از داده ها به گره های محاسبه در مراکز داده ی ارائه دهندگان ابر خواهد شد.

پیش زمینه و سناریوی مرجع

پیش زمینه پروتکل های NSIS و اجرای off-path

مجموعه پروتکل NSIS ، توابع سیگنالینگ را به دو لایه تقسیم می کند [3]. لایه فوقانی، به نام پروتکل لایه ی سیگنالینگ  NSIS (NSLP)، وظیفه ی پیاده سازی منطق برنامه سیگنالینگ را بر عهده دارد. لایه پایین تر، به نام پروتکل لایه انتقال NSIS (NTLP)، وظیفه ی ارائه پیام NSLP به گره NSIS بعدی در مسیر به سوی هدف مشخص را دارد. سیگنالینگ انتقال اینترنت عمومی (GIST) نسخه IETF تعریف شده ی [5] NTLP است. خدمات انتقال GIST تنها با استفاده از پروتکل های موجود در  TCP / IP مقدور می باشد. GIST تنها پیام های NSLP نقطه به نقطه بین جفت همسایه های گره سیگنالینگ NTLP را می رساند، در حالی که توابع سیگنالینگ انتها به انتها، در صورت نیاز، توسط NSLP ارائه شده است.

تعیین چارچوب

تعیین چارچوب ارائه شده مبتنی بر فرمت های off-path از مدل NSIS و به ویژه GIST می باشد. در جزئیات بیشتر، ما یک NSLP با حداقل یک نوع پیام، به نام پرس و جو، و پاسخ مربوطه (پاسخ پرس و جو) طراحی کرده ایم. و از آن برای جمع آوری اطلاعات باینری (درست یا غلط) در مورد وضعیت دریافت کنندگان استفاده می شود. البته در این شرایط تمام گره های فعال NSIS در شلنگ اطراف IP در مسیر بین فرستنده و مقصد می باشند. واضح است، این رفتار می تواند برای فعال کردن انواع پیچیده تر از پرس و جو استفاده شود. ساختار این پیام ها در طرح شکل 1 به صورت خلاصه وار ارائه شده است .

تخمین عملکرد

در این بخش، ما اورهد یک پرس و جوی تک شلنگه، ، اندازه گیری شده و دارای توپولوژی 71 گره واقعی را ارائه می دهیم. ما از 71 ماشین مجازی در حال اجرای سیستم عامل اوبونتو 12.04 استفاده کردیم.

شکل. 4 توپولوژی بستر آزمایشی را نشان می دهد. شبکه نشان دهنده ی سطح PoP شبکه Géant [17]می باشد. شبکه شامل 41 PoP می باشد، که شامل یک روتر واحد، و 30 مرکز داده تشکیل شده است. هر گره خاکستری در شکل به یک مرکز داده واحد (در شکل برای بهبود خوانایی نشان داده نشده) متصل بوده، و یک 1 IP هاپ از آن خارج می شود. هر گره یک NSIS-KA [6] اجرا می کند، که همراه با offpath و NetServ است. ما از پیام NetServ NSLP پروب یا پروب پاسخ برای ارزیابی اورهد سیگنالینگ پرس و جو یا پاسخ پرس و جو ، استفاده می کنیم. در واقع، آنها از همین منطق (نگاه کنید به [7]) استفاده می کنند. در واقع، پیام NetServ پروب از گره NetServ برای استفاده در اطلاعات وابسته استفاده کرده و پاسخ پروب مربوطه را به محل مورد نظر انتقال می دهد.

نتیجه گیری

در این مقاله، ما یک چارچوب سیگنالینگ برای کشف منابع از منابع ابرها برای پردازش برنامه های کاربردی ژنومی ارائه دادیم. چارچوب پیشنهادی را می توان نه تنها برای جستجو مراکز داده قادر به میزبانی پردازش استفاده کرد، بلکه ذخیره نهان قادر به ارائه با اورهد کمتر است. ویژگی های خاص راه حل پیشنهادی، توانایی ارائه نتایج با درجه کنترل شده با توجه به مسیر داده مرتبط با بخشهای مربوطه است.

این جنبه بسیار مهم است که تصمیماتی گرفته شود که توانایی به حداقل رساندن تاثیر پردازش ژنومیک در شبکه های زیربنایی را داشته باشد. نتایج، از نظر اورهد شبکه، تایید می کنند که اورهد سیگنالینگ ناچیز و در نتیجه مقرون به صرفه برای هر سرعت شبکه ای است.

واضح است، که حتی اگر ما به صراحت به چارچوب ARES چارچوب اشاره کرده باشیم، این نوع از سیگنالینگ برای تمام سناریوهای شبکه که در آن مقادیر زیادی از داده ها به سمت سایت های ابری برای پردازش ثانویه منتقل می شوند، مناسب است. بنابراین، این راه حل حتی در خارج از سناریوهای ژنومی نیز قابل اجرا است.

کارهای آینده باید شرح کامل سیستم و استقرار، از جمله تعریف یک تابع بهینه سازی مناسب در عامل تصمیم گیری و اندازه گیری، نه تنها از نظر اورهد سیگنالینگ سربار، بلکه شبکه مصرف منابع در طول انتقال اطلاعات، را در نظر بگیرد.

این مقاله در سال 2014 در نشریه آی تریپل ای و در کنفرانس بین المللی شبکه های ابری، توسط گروه مهندسی منتشر شده و در سایت ای ترجمه جهت دانلود ارائه شده است. در صورت نیاز به دانلود رایگان اصل مقاله انگلیسی و ترجمه آن می توانید به پست دانلود ترجمه مقاله چارچوب تعیین منابع برای محاسبات مبتنی بر ابر در سایت ای ترجمه مراجعه نمایید.

۰
۰
ای ترجمه
ای ترجمه
خدمات ارائه مقالات علمی و سفارش ترجمه تخصصی
شاید از این پست‌ها خوشتان بیاید