دانلود مقاله روش قرار گیری محتوا براساس یادگیری-Q برای شبکه های تحویل محتوای ابری دینامیک
تعداد کلمات فایل انگلیسی : 6800 کلمه 10 صفحه pdf
تعداد صفحات فایل ترجمه : 29 صفحه word فونت 14 B Nazanin
چکیده
چگونگی کاهش هزینه قرارگیری محتوای شبکه های تحویل محتوای ابری در سال های اخیر یکی از موضوعات مهم بوده است. روش های قرار گیری محتوای سنتی عمدتا هزینه قرار گیری محتوا را با ایجاد درخت های تحویل کاهش می دهند اما انها نمی توانند با استقرار دینامیک سرورهای پروکسی ابری در ها مطابقت نمایند. روش سنتی قرار گیری محتوا تنها مسیرهای تحویل مطابق با تصمیم گیری محلی را بدون در نظر گرفتن دینامیک های جهانی تراکم در ها ارائه می کنند که همچنین یکی از فاکتورهای اصلی ایجاد کننده هزینه بالای قرارگیری محتوا می باشد. برای حل این مشکلات، مدل قرارگیری محتوای مبتنی بر یادگیریQ را برای های دینامیک پیشنهاد می کنیم که مدل قرارگیری محتوای Q نامیده شد. این روش یادگیریQ می تواند به مسیریابی بهتر تصمیم ها منجر شود که به دلیل مقادیر بروز و بسیار قابل اطمینان تراکم می باشد. سپس، براساس مدل ، یک الگوریتم برای ایجاد درخت تحویل انطباقی Q پیشنهاد شده است. از طریق این الگوریتم، مسیرهای با هزینه تراکم کم انتخاب شده و می توانند با محیط تحویل ابری دینامیک منطبق شوند. نتایج تجربی نشان می دهد که روش می تواند با تغییرات دینامیک ها به صورت انعطاف پذیر مطابقت یافته و هزینه تراکم کلی قرارگیری محتوا را به طور موثری کاهش دهد.
عبارت های شاخص: قرارگیری محتوا، های دینامیک، اطلاعات تراکم، یادگیریQ
Q-Learning Based Content Placement Method for Dynamic Cloud Content Delivery Networks
YUJIE LIU, DIANJIE LU, GUIJUAN ZHANG , JIE TIAN, AND WEIZHI XU
ABSTRACT
How to reduce the content placement cost of cloud content delivery networks (CCDNs) is a hot topic in recent years. Traditional content placement methods mainly reduce the cost of content placement by constructing delivery trees, but they cannot adapt to the dynamic deployment of cloud proxy servers in the CCDNs. In addition, the traditional content placement method only provides delivery paths according to local decision-making without considering global dynamics of the congestion in the CCDNs, which is also one of the main factors causing high cost of content placement. To solve these problems, we propose a content placement model based on Q-learning for the dynamic CCDNs, called Q-content placement model (Q-CPM). This Q-learning approach can lead to better routing decisions due to up-to-date and more reliable congestion values. Then, based on the Q-CPM model, an algorithm is proposed to construct the Q-adaptive delivery tree (Q-ADT). In this algorithm, local and nonlocal congestion information is propagated over network learning packets. Through this algorithm, the paths with low congestion cost will be selected and can adapt to the dynamic cloud delivery environment. The experimental results show that the method can adapt to the dynamic changes of the CCDNs flexibly and reduce the overall congestion cost of content placement effectively.
; INDEX TERMS Content placement, dynamic CCDNs, congestion information, Q-learning.
کد: 13574
دانلود رایگان مقاله انگلیسی روش قرار گیری محتوا براساس یادگیری-Q
دانلود مقاله دات کام 
توضیحات محصول
دانلود مقاله روش قرار گیری محتوا براساس یادگیری-Q برای شبکه های تحویل محتوای ابری دینامیک
تعداد کلمات فایل انگلیسی : 6800 کلمه 10 صفحه pdf
تعداد صفحات فایل ترجمه : 29 صفحه word فونت 14 B Nazanin
چکیده
چگونگی کاهش هزینه قرارگیری محتوای شبکه های تحویل محتوای ابری در سال های اخیر یکی از موضوعات مهم بوده است. روش های قرار گیری محتوای سنتی عمدتا هزینه قرار گیری محتوا را با ایجاد درخت های تحویل کاهش می دهند اما انها نمی توانند با استقرار دینامیک سرورهای پروکسی ابری در ها مطابقت نمایند. روش سنتی قرار گیری محتوا تنها مسیرهای تحویل مطابق با تصمیم گیری محلی را بدون در نظر گرفتن دینامیک های جهانی تراکم در ها ارائه می کنند که همچنین یکی از فاکتورهای اصلی ایجاد کننده هزینه بالای قرارگیری محتوا می باشد. برای حل این مشکلات، مدل قرارگیری محتوای مبتنی بر یادگیریQ را برای های دینامیک پیشنهاد می کنیم که مدل قرارگیری محتوای Q نامیده شد. این روش یادگیریQ می تواند به مسیریابی بهتر تصمیم ها منجر شود که به دلیل مقادیر بروز و بسیار قابل اطمینان تراکم می باشد. سپس، براساس مدل ، یک الگوریتم برای ایجاد درخت تحویل انطباقی Q پیشنهاد شده است. از طریق این الگوریتم، مسیرهای با هزینه تراکم کم انتخاب شده و می توانند با محیط تحویل ابری دینامیک منطبق شوند. نتایج تجربی نشان می دهد که روش می تواند با تغییرات دینامیک ها به صورت انعطاف پذیر مطابقت یافته و هزینه تراکم کلی قرارگیری محتوا را به طور موثری کاهش دهد.
عبارت های شاخص: قرارگیری محتوا، های دینامیک، اطلاعات تراکم، یادگیریQ
Q-Learning Based Content Placement Method for Dynamic Cloud Content Delivery Networks
YUJIE LIU, DIANJIE LU, GUIJUAN ZHANG , JIE TIAN, AND WEIZHI XU
ABSTRACT
How to reduce the content placement cost of cloud content delivery networks (CCDNs) is a hot topic in recent years. Traditional content placement methods mainly reduce the cost of content placement by constructing delivery trees, but they cannot adapt to the dynamic deployment of cloud proxy servers in the CCDNs. In addition, the traditional content placement method only provides delivery paths according to local decision-making without considering global dynamics of the congestion in the CCDNs, which is also one of the main factors causing high cost of content placement. To solve these problems, we propose a content placement model based on Q-learning for the dynamic CCDNs, called Q-content placement model (Q-CPM). This Q-learning approach can lead to better routing decisions due to up-to-date and more reliable congestion values. Then, based on the Q-CPM model, an algorithm is proposed to construct the Q-adaptive delivery tree (Q-ADT). In this algorithm, local and nonlocal congestion information is propagated over network learning packets. Through this algorithm, the paths with low congestion cost will be selected and can adapt to the dynamic cloud delivery environment. The experimental results show that the method can adapt to the dynamic changes of the CCDNs flexibly and reduce the overall congestion cost of content placement effectively.
; INDEX TERMS Content placement, dynamic CCDNs, congestion information, Q-learning.
کد: 13574
دانلود رایگان مقاله انگلیسی روش قرار گیری محتوا براساس یادگیری-Q