It has been argued for some time th

It has been argued for some time that in a cloud where changes are frequent and unpredictable, centralized control is unlikely to provide continuous service and performance guarantees. Indeed, centralized control cannot provide adequate solutions to the host of cloud management policies that have to be enforced. Autonomic policies are of great interest due to the scale of the system, the large number of service requests, the large user population, and the unpredictability of the load; the ratio of the mean to the peak resource needs can be very large.
We start our discussion with an overview of policies and mechanisms for cloud resource management in Section 6.1. A control theoretic approach to resource allocation is discussed in Sections 6.2, 6.3, and 6.4. A machine learning algorithm for coordination of specialized autonomic performance managers is presented in Section 6.5. In Section 6.6 we discuss a utility model for resource allocation for a web service. Next we present resource bundling and ombinatorial auctions in Section 6.7. The fair queuing, the start-time fair queuing,and the borrowed virtual time scheduling algorithms are analyzed in Sections 6.9, 6.10, 6.11, respectively. Scheduling with deadlines and the impact of application scaling

Kết quả (Việt) 1:

Nó đã được lập luận trong một số thời gian mà trong một đám mây mà thay đổi thường xuyên, và không thể đoán trước, tập trung kiểm soát là dường như không cung cấp dịch vụ liên tục và hiệu suất đảm bảo. Thật vậy, tập trung kiểm soát không thể cung cấp đầy đủ các giải pháp để lưu trữ của chính sách quản lý đám mây mà cần phải được thi hành. Tự trị chính sách quan tâm lớn do quy mô của hệ thống, số lớn các yêu cầu dịch vụ, dân số người dùng lớn và các unpredictability tải; tỷ lệ trung bình đến cao điểm tài nguyên cần có thể rất lớn.Chúng tôi bắt đầu thảo luận của chúng tôi với một tổng quan về các chính sách và cơ chế quản lý tài nguyên đám mây trong phần 6.1. Một cách tiếp cận kiểm soát lý thuyết để phân bổ nguồn lực được thảo luận trong phần 6.2, 6.3 và 6.4. Một máy tính học thuật toán để phối hợp các nhà quản lý hiệu suất tự trị đặc biệt được trình bày trong phần 6.5. Trong phần 6.6 chúng tôi thảo luận về một mô hình hữu ích cho phân bổ nguồn lực cho một dịch vụ web. Tiếp theo chúng tôi trình bày tài nguyên bundling và ombinatorial đấu giá trong phần 6.7. Xếp hàng công bằng, xếp hàng công bằng thời gian bắt đầu và thời gian vay, ảo, lập lịch trình các thuật toán được phân tích trong phần 6.9, 6,10, 6,11, tương ứng. Lập kế hoạch với thời hạn và tác động của ứng dụng rộng

Kết quả (Việt) 2:

Có lập luận cho một số thời gian trong một đám mây mà sự thay đổi thường xuyên và không thể đoán trước, kiểm soát tập trung là không cung cấp dịch vụ và hiệu suất đảm bảo liên tục. Thật vậy, điều khiển tập trung không thể cung cấp các giải pháp thích hợp cho các máy chủ của chính sách quản lý đám mây mà phải được thực thi. Chính sách tự trị là mối quan tâm lớn do quy mô của hệ thống, số lượng lớn các yêu cầu dịch vụ, dân số người dùng lớn, và không thể tiên đoán của tải; tỷ lệ trung bình cho các nhu cầu tài nguyên cao điểm có thể là rất lớn.
Chúng tôi bắt đầu cuộc thảo luận của chúng tôi với một cái nhìn tổng quan về các chính sách và cơ chế quản lý tài nguyên điện toán đám mây tại mục 6.1. Một cách tiếp cận lý thuyết điều khiển để phân phối tài nguyên được thảo luận tại mục 6.2, 6.3, và 6.4. Một máy thuật toán để phối hợp của các nhà quản lý hiệu suất tự trị chuyên ngành học được trình bày trong Phần 6.5. Trong Phần 6.6, chúng tôi thảo luận về một mô hình hữu ích cho phân bổ nguồn lực cho một dịch vụ web. Tiếp theo chúng tôi trình bày bó tài nguyên và đấu giá ombinatorial tại mục 6.7. Xếp hàng hội chợ, các hàng đợi công bằng thời gian bắt đầu, và các thuật toán lập lịch trình thời gian ảo vay được phân tích tại mục 6.9, 6.10, 6.11, tương ứng. Lập kế hoạch với thời hạn và tác động của ứng dụng rộng