مروری بر روش های زمان بندی مبتنی بر الگوریتم های فراابتکاری در مدل mapreduce

مطالعات اخیر در بحث کلان داده نشان می دهد که میزان داده ها با سرعت بسیار زیادی در حال رشد است. این رشد سریع، در سال های اخیر بسیاری از محققان را به تحقیق بر روی مباحث مختلف کلان داده ترغیب کرده است. مدلmapreduce از چارچوب hadoop تجزیه و تحلیل حجم عظیمی از داده های بزرگ را از طریق پردازش موازی امکان پذیر می کند. یکی از مهمترین مباحث در این مدل بحث زمان بندی می باشد، زیرا زمانبندی بر کیفیت سرویس و رضایت کاربر تاثیر مستقیم دارد. زمان بندی یکی از مسائل چند بعدی و پیچیده در بحث کلان داده است و لذا با روش های سنتی مثل روش fifo به نتایج مطلوبی نمی رسد. از آن جایی که روش های فراابتکاری در مسائل مشابه به نتایج مناسبی رسیده اند، محققین در سال های اخیر بیشتر به روش های زمانبندی مبتنی بر الگوریتم های فراابتکاری پرداخته اند. ما در این مقاله مروری بر این روش ها خواهیم داشت.

an overview of scheduling methods based on meta-heuristic algorithms in mapreduce model

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.