چکیده MapReduce
در حال حاضر به عنوان مدل مهم برنامه نویسی توزیع شده و موازی با تحسین
گسترده ای برای محاسبات در مقیاس بزرگ شکل گرفته است. تصمیمات برنامه ریزی
هوشمندانه می تواند در کاهش زمان اجرای کلی از کارها کمک کند. عملکرد فعلی
MapReduce توسط زمانبند پیش فرض آن محدود شده است، که در محیط های ناهمگون
به خوبی منطبق نمی شود. محیط های ناهمگن در زمان بند Longest Approximate
Time to End در نظر گرفته شده است. که دارای چندین کاستی ناشی از شیوه ی
استاتیکی است که در آن پیشرفت کارها را محاسبه می کند، می باشد. فقدان
رویکرد کافی برای محیط های ناهمگون در حال حاضر در تحقیقات اخیر انجام شده
است. در این مقاله، ما یک زمانبندی جدید MapReduce در محیط های ناهمگون بر
اساس یادگیری تقویتی به نام زمانبندی MapReduce یادگیری تقویتی پیشنهاد
داده ایم، که حالت سیستم اجرای وظیفه را مشاهده می کند و اجرای دوباره نظری
وظایف کند را به گره های دیگر موجود در خوشه برای اجرای سریع تر، پیشنهاد
می کند. روش پیشنهادی با محیط ناهمگن سازگار می باشد و هیچ دانش قبلی از
ویژگی های محیطی مورد نیاز نمی باشد. انتظار می رود که پس از چند اجرا ،
سیستم قادر به نگاشت بهتر نیازهای محاسباتی به منابع موجود در یک خوشه
ناهمگن خواهد بود و زمان کلی اتمام کار را به حداقل می رساند. کلمات کلیدی:MapReduce، آموزش تقویتی، اجرای نظری، زمانبندی کار، زمانبندی وظیفه. ———————————————- عنوان اصلی مقاله: Performance Improvement of MapReduce Framework in Heterogeneous Context using Reinforcement Learning ترجمه فارسی عنوان: بهبود عملکرد چارچوب MapReduce در محیط ناهمگن با استفاده از یادگیری تقویتی تعداد صفحات انگلیسی: ۷ صفحه تعداد صفحات ترجمه فارسی: ۱۶ صفحه