توضیحات
پروژه شبیه سازی روش قرار دادن محتوا مبتنی بر Q-Learning در شبکه دینامیک ابری CDN با متلب
چکیده
چگونگی کاهش هزینه یابی محتوا در شبکه های ارسال محتوای ابر (CCDN) موضوع داغی در سالهای اخیر است. روش های سنتی قرار دادن محتوا عمدتاً با احداث درختان تحویل هزینه قرار دادن محتوا را کاهش می دهد ، اما آنها نمی توانند با استقرار پویا سرورهای پروکسی ابری در CCDN ها سازگار شوند. علاوه بر این ، روش سنتی قرار دادن محتوای فقط مسیرهای تحویل را با توجه به تصمیم گیری محلی فراهم می کند بدون در نظر گرفتن پویایی جهانی احتقان در CCDN ها ، که این نیز یکی از اصلی ترین عوامل ایجاد هزینه های بالای قرار دادن محتوا است. برای حل این مشکلات ، ما یک مدل قرار دادن محتوا را بر اساس یادگیری Q برای CCDN های پویا ، به نام مدل قرار دادن محتوای Q (Q-CPM) پیشنهاد می کنیم. این رویکرد Q-Learning به دلیل مقادیر احتقان به روز و مطمئن تر می تواند منجر به تصمیم گیری بهتر مسیریابی شود. سپس ، بر اساس مدل Q-CPM ، یک الگوریتم برای ساخت درخت زایمان سازگار Q (Q-ADT) پیشنهاد شده است. در این الگوریتم ، اطلاعات تراکم محلی و غیرمستقیم بر روی بسته های یادگیری شبکه پخش می شود. از طریق این الگوریتم ، مسیرهایی با هزینه کم تراکم انتخاب می شوند و می توانند با محیط تحویل ابر پویا سازگار شوند. نتایج تجربی نشان می دهد که این روش می تواند با تغییرات پویا از CCDN ها fl سازگار باشد و هزینه کلی تراکم قرار دادن محتوا را بطور موثری کاهش دهد.
شرایط INDEX قرار دادن محتوا ، CCDN های پویا ، اطلاعات تراکم ، یادگیری Q.
مقدمه
با استقرار تعداد زیادی از مراکز داده و سرورهای لبه ، شبکه های سنتی ارسال محتوای (CDN) همانندسازی ها را به “” لبه “شبکه منتشر می کنند که در آن کاربران می توانند محتوا را تا حد ممکن نزدیک به دست آورند و از تبادل نظر جلوگیری کنند. سرور مرکزی [1] ، [2]. با این حال ، سیستم های سنتی CDN تجاری از آنجا که هزینه استقرار بالایی دارند ، گسترش می یابند. با توسعه محاسبات ابری ، لیزینگ منابع (مانند ذخیره و پهنای باند) مجاز به ساخت CDN در ابر است ، به نام شبکه های تحویل محتوای ابر (CCDN) [3]. ارائه دهندگان محتوا (CP) می توانند منابع ابری را اجاره دهند یا از خدمات ارائه شده توسط ارائه دهندگان زیرساخت های عمومی CCDN (به عنوان مثال Amazon CloudFront و Google Cloud CDN) برای ساخت CCDN خود استفاده کنند. CCDN ها از ibility قابلیت ابر بودن ابر برای توزیع سریع و آسان محتوا در اینترنت استفاده می کنند. آمازون Cloud-Front [4] را به عنوان یک سرویس توزیع محتوا ارائه می دهد ، و CloudFont همچنین یک مدل pay-as-go-go شما را ارائه می دهد که در آن مشتریان می توانند سرورهای خود را برای ساختن CDN خود ثبت کنند. MediaWise Cloud [5] یک چارچوب جدید هماهنگی ابر را ارائه می دهد که هر کاربر می تواند به یک ارائه دهنده CDN تبدیل شود و یک مدل pay-as-you-go را ارائه دهد. بر خلاف استفاده CloudFront آمازون از سرویس های ابری خود ، MediaWise Cloud چندین ارائه دهنده ابر عمومی را برای ارائه خدمات به کار می برد. CCDN ها می توانند ضمن کاهش هزینه های ذخیره و تحویل محتوا ، مقیاس پذیری ، قابلیت ارتجاعی و کشسانی را افزایش دهند. قرار دادن محتوا یکی از فناوری های مهم در CCDN است. برای صرفه جویی در هزینه های قرار دادن محتوا ، CP ها معمولاً با ساختن درختان زایمان مالتی تیکاست تعداد ماکت ها را کاهش می دهند [7]. با این حال ، اکثر روش های ساخت درخت تحویل هدف از شبکه های استاتیک است و نمی تواند با ویژگی های پویا تغییرات مکرر سرور پروکسی ابر در CCDN ها سازگار شود. علاوه بر این ، احتقان شبکه نیز یکی از اصلی ترین عواملی است که باعث بالا رفتن هزینه روش های سنتی قرار دادن محتوای CCDN ها می شود. روش قرارگیری محتوای سنتی فقط مسیرهای تحویل را مطابق تصمیم گیری محلی ارائه می دهد بدون در نظر گرفتن دینامیک جهانی تراکم در CCDNs. بنابراین ، با توجه به این ویژگی های پویا CCDN ها ، چگونگی کاهش هزینه های قرار دادن محتوا هنوز یک مشکل چالش برانگیز است.
این پروژه متلب مناسب درس يادگيري تقويتي است كه از دروس هوش مصنوعي مي باشد.
نکات قابل ذکر:
- پروژه پروژه شبیه سازی روش قرار دادن محتوا مبتنی بر Q-Learning در شبکه دینامیک ابری CDN با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.
- فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.