مروري بر روش هاي زمان بندي مبتني بر الگوريتم هاي فراابتكاري در مدل MapReduce

An overview of scheduling methods based on meta-heuristic algorithms in MapReduce model

مطالعات اخير در بحث كلان داده نشان مي دهد كه ميزان داده ها با سرعت بسيار زيادي در حال رشد است. اين رشد سريع، در سال هاي اخير بسياري از محققان را به تحقيق بر روي مباحث مختلف كلان داده ترغيب كرده است. مدلMapReduce از چارچوب Hadoop تجزيه و تحليل حجم عظيمي از داده هاي بزرگ را از طريق پردازش موازي امكان پذير مي كند. يكي از مهمترين مباحث در اين مدل بحث زمان بندي مي باشد، زيرا زمانبندي بر كيفيت سرويس و رضايت كاربر تاثير مستقيم دارد. زمان بندي يكي از مسائل چند بعدي و پيچيده در بحث كلان داده است و لذا با روش هاي سنتي مثل روش FIFO به نتايج مطلوبي نمي رسد. از آن جايي كه روش هاي فراابتكاري در مسائل مشابه به نتايج مناسبي رسيده اند، محققين در سال هاي اخير بيشتر به روش هاي زمانبندي مبتني بر الگوريتم هاي فراابتكاري پرداخته اند. ما در اين مقاله مروري بر اين روش ها خواهيم داشت.

Recent studies in the big data debate show that the amount of data is growing at a very fast pace. This rapid growth has encouraged many researchers to research various big data topics in recent years. The MapReduce model of the Hadoop framework enables the analysis of large volumes of big data through parallel processing. One of the most important topics in this model is timing, because timing has a direct impact on service quality and user satisfaction. Scheduling is one of the multi-dimensional and complex issues in the big data discussion, and therefore traditional methods such as the FIFO method do not achieve the desired results. Since meta-heuristic methods have reached good results in similar problems, researchers have focused on scheduling methods based on meta-heuristic algorithms in recent years. We will review these methods in this paper.