کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6872783 1440624 2018 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Toward a smart data transfer node
ترجمه فارسی عنوان
به گره انتقال داده هوشمند
کلمات کلیدی
گره انتقال داده محاسبات هوشمند، انتقال فایل، تقویت یادگیری،
ترجمه چکیده
سیستم های محاسباتی علمی به مراتب پیچیده تر می شوند، تیم های توزیع شده و گردش کارهای پیچیده شامل منابع از تلسکوپ و منابع نور به شبکه های سریع و سیستم های حسگر اینترنت است. در چنین تنظیماتی، هیچ یک تیم مدیریت متمرکز و متمرکز، قادر به هماهنگ کردن و مدیریت تمام منابع استفاده شده توسط یک برنامه واحد نیستند. در واقع ما با استفاده از تکنیک های موجود در انسان در حلقه به حد قابل توجهی در مدیریت رسیدگی می کنیم. بنابراین ما استدلال می کنیم که منابع باید به طور خودکار پاسخ دهند، سازگاری و تنظیم رفتار آنها در پاسخ به خواص مشاهده شده جریان های علمی. با گذشت زمان، روش های یادگیری ماشین را می توان برای شناسایی راهبردهای موثر برای رفتارهای مدیریتی اتوکمی که به هدف هدایت شده است، می توان در نهایت به چشم انداز محاسبات علمی اعمال کرد. با استفاده از گره های انتقال داده که به طور گسترده ای در شبکه های تحقیقاتی مدرن به عنوان مثال مورد استفاده قرار می گیرند، ما معماری، روش ها و الگوریتم های مورد نیاز برای گره انتقال داده هوشمند را برای پشتیبانی از سیستم های محاسباتی آینده که خود تنظیم و خود مدیریت هستند مورد بررسی قرار می دهیم.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
پیش نمایش مقاله
به گره انتقال داده هوشمند
چکیده انگلیسی
Scientific computing systems are becoming significantly more complex, with distributed teams and complex workflows spanning resources from telescopes and light sources to fast networks and Internet of Things sensor systems. In such settings, no single, centralized administrative team and software stack can coordinate and manage all resources used by a single application. Indeed, we have reached a critical limit in manageability using current human-in-the-loop techniques. We therefore argue that resources must begin to respond automatically, adapting and tuning their behavior in response to observed properties of scientific workflows. Over time, machine learning methods can be used to identify effective strategies for autonomic, goal-driven management behaviors that can be applied end-to-end across the scientific computing landscape. Using the data transfer nodes that are widely deployed in modern research networks as an example, we explore the architecture, methods, and algorithms needed for a smart data transfer node to support future scientific computing systems that self-tune and self-manage.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Future Generation Computer Systems - Volume 89, December 2018, Pages 10-18
نویسندگان
, , , ,