دانلود مقاله 2015 الگوریتم موازی ترجمه شده با بهترین کیفیت— چارچوب پردازش موازی داده های حجیم در سوپر کامپیوتر ها – Parallel Pr

اختصاصی از فی گوو دانلود مقاله 2015 الگوریتم موازی ترجمه شده با بهترین کیفیت— چارچوب پردازش موازی داده های حجیم در سوپر کامپیوتر ها – Parallel Processing دانلود با لینک مستقیم و پر سرعت .

نوع مطلب: مقاله ترجمه شده با بهترین کیفیت و کاملا تخصصی

عنوان مقاله: چارچوبی برای پردازش موازی جریان داده های آزمایشی متمرکز در ابر رایانه های از راه دور

سال انتشار: 2015

زبان مقاله: فارسی

قالب مقاله: ورد (Word)

تعداد صفحات: 14 صفحه

محل انتشار: ژورنال الزویر مجموعه مقالات دانش کامپیوتر (Procedia Computer Science). این مقاله در چهارمین کنفرانس بین المللی دانشمندان جوان در زمینه دانش محاسباتی نیز ارائه شده است.

اطلاعات مقاله انگلیسی:

عنوان مقاله: Platform for parallel processing of intense experimental data flow on remote supercomputers

نوع مطلب: مقاله الزویر (Elsevier) و کنفرانس بین المللی

سال انتشار: 2015

زبان مقاله: انگلیسی

قالب مقاله: پی دی اف (PDF)

تعداد صفحات: 10 صفحه تک ستونی

محل انتشار: ژورنال الزویر مجموعه مقالات دانش کامپیوتر (Procedia Computer Science). این مقاله در چهارمین کنفرانس بین المللی دانشمندان جوان در زمینه دانش محاسباتی نیز ارائه شده است.

دانلود رایگان مقاله انگلیس از آدرس زیر:

دانلود رایگان مقاله

چکیده فارسی:

امکانات آزمایشی مدرن، تولید حجم زیادی از داده هایی را که باید پردازش شوند، در هارد دیسک ها ذخیره گردندو با بالاترین سرعت ممکن به کاربر ارائه شوند را فراهم می سازند. هرچند، تجزیه و تحلیل داده ها در محل، نیازمند منابع فنی است که اغلب در دسترس نیستند. وجود شبکه های سرعت بالای در دسترس، امکان سپردن پردازش و ذخیره داده ها را به مراکز ابر رایانه های از راه دور(remote supercomputer centers) و مراکز داده ی از راه دور( remote data center) را فراهم می سازد. این قابلیت ها میتوانند از طریق توسعه راه حل های معماری برای انتقال موثر داده ها از طریق شبکه های سرعت بالای با فاصله دور، داده های ورودی/ خروجی و توزیع داده ها بروی کامپیوترها و سیستم های ذخیره سازی داده تحقق یابند. در این مقاله، نتایج بررسی توسعه یک بستر نرم افزاری را برای پردازش موازی جریان داده های آزمایشی متمرکز بر ابر رایانه های ICMM UB RAS (Perm) و IMM UB RAS (Yekaterinburg) که توسط یک شبکه سرعت بالا به یکدیگر متصل شده اند را شرح میدهیم. مطالعات گزارش شده تا اندازه ای توسط RFBR، پروژه تحقیقاتی شماره 07-96001-r_ural_a-14 و با برنامه UD RAS پروژه شماره 15-7-125 پشتیبانی شده اند.

کلمات کلیدی: شبکه Long fat، ابر رایانه، پردازش موازی داده، میان افزار، سیستم توزیع شده.

چکیده انگلیسی:

Abstract

Modern experimental facilities generate large amounts of data that should be processed, saved to hard disk and presented to the user as fast as possible. However, in-situ data analysis requires technical resources which are often not available. The existence of accessible high-speed networks allows to forward data processing and storage to a remote supercomputer centers and datacenters. These capabilities can be realized through the development of architectural solutions for effective data transmission trough a long-distance high-speed networks, data input/output and data distribution over computers and data storage systems. In this paper, we describe the results of investigations into the development of a software platform for parallel processing of intense experimental data-streams on ICMM UB RAS (Perm) and IMM UB RAS (Yekaterinburg) supercomputers, interconnected by a high-speed network. The reported studies was partially supported by RFBR, research project No. 14- 07-96001-r_ural_a and by Program of UD RAS, project No 15-7-1-25.

Keywords: Long fat network, Supercomputer, Parallel data processing, Middleware, Distributed system 

کلمات کلیدی:

مقاله 2015 با ترجمه، مقاله 2015 ترجمه شده، مقاله الزویر ترجمه شده، مقاله ژورنال ترجمه شده، مقاله کنفرانس ترجمه شده، مقاله اشپرینگر ترجمه شده، مقاله ترجمه شده الگوریتم موازی، الگوریتم موازی، الگوریتم های موازی، پردازش موازی، کاربرد الگوریتم موازی، سوپر کامپیوتر، ابر کامپیوتر، مقاله الگوریتم موازی، کاربردهای الگوریتم موازی، مقاله جدید الگوریتم موازی، مقاله جدید الگوریتم موازی، مقاله 2015 الگوریتم موازی، مقاله 2014 الگوریتم موازی، مقاله 2014 الگوریتم موازی، مقاله 2013  الگوریتم موازی، مقاله ISI الگوریتم موازی، پروژه الگوریتم موازی، مقاله کامپیوتر، مقاله ISI کامپیوتر، مقاله آی اس آی کامپیوتر، مقاله 2015 کامپیوتر، مقاله ISI 2015 کامپیوتر، موازی سازی جریان کار، داده های بزرگ، کلان داده ها، داده های حجیم، سیستم های توزیع شده، سیستم های موازی، موازی سازی،  دانلود مقاله 2015 کامپیوتر، مقاله 2015 رایگان، دانلود رایگان مقاله 2015 کامپیوتر، Grid Computing, Cloud Computing, Parallel execution, workflow management, parallel workflow execution system, parallel algorithms, مقاله parallel algorithms, distributed computing, scheduling مقاله با ترجمه، مقاله 2015 کامپیوتر با ترجمه، مقاله کامپیوتر، مقاله 2015 کامپیوتر، مقاله آی اس آی کامپیوتر، مقاله ISI کامپیوتر با ترجمه، مقاله اشپرینگر با ترجمه، داده های بزرگ، مقاله Big data ، مقاله Big Data با ترجمه، مقاله داده های حجیم با ترجمه، ابرداده ها، مقاله داده های عظیم با ترجمه، مقاله بیگ دیتا با ترجمه، مقاله داده عظیم با ترجمه، مقاله کلان داده با ترجمه، شاخص گذاری، ایندکسینگ، شاخص بندی در داده های بزرگ، کلان داده ها، شاخص بندی، شاخص گذاری، ایندکس کردن، سیستم هدوپ، نگاشت - کاهش، Big data,  mapreduce, , Indexing, ,

پس از خرید از درگاه امن بانکی لینک دانلود در اختیار شما قرار میگیرد و همچنین به آدرس ایمیل شما فرستاده میشود.

تماس با ما برای راهنمایی، درخواست مقالات و پایان نامه ها و یا ترجمه با آدرس ایمیل:

[e-mail]

شماره تماس ما در نرم افزار واتس آپ:

[phone]

شماره تماس ما در نرم افزار تلگرام:

[phone] 

 توجه: اگر کارت بانکی شما رمز دوم ندارد، در خرید الکترونیکی به مشکل برخورد کردید و یا به هر دلیلی تمایل به پرداخت الکترونیکی ندارید با ما تماس بگیرید تا راههای دیگری برای پرداخت به شما پیشنهاد کنیم.

انتخاب بهترین روغن ماشین

اختصاصی از فی گوو انتخاب بهترین روغن ماشین دانلود با لینک مستقیم و پر سرعت .

انتخاب بهترین روغن ماشین

روغن موتور به عنوان یک ترکیب چند منظوره، نقش بسیار مهم و اساسی در کارکرد مطمئن موتور خودرو ایفا می کند . اهمیت وجود روغن موتور به حدی است که جزء ملزومات هر خودرویی محسوب می شود و بدون روغن، عملاً امکان حرکت از اتومبیل سلب می شود . با توجه به تغییرات در طراحی های موتور و متناسب با آن، تغییراتی نیز بر روی روغن و در جهت هماهنگی با موتور به منظور افزایش کارآیی و حداکثر اطمینان از کارکرد بهینه آن، اعمال شده است

به طور کلی، هر روغن موتوری حاصل ترکیب مواد اصلی شامل روغن پایه و مواد افزونی می باشد

روغن پایه که بر حسب نوع، بین 80 تا 95 درصد روغن موتور را تشکیل می دهد، غالباً از منابع معدنی یا نفت خام تهیه می شود . البته فرآیند تولید روغن پایه از نفت خام، پیچیده بوده و در ایران تنها سه شرکت عمده از جمله پالایشگاه نفت پارس قادر به تولید روغن پایه هستند. در سال های اخیر، روغن های پایه سنتزی نیز، حضور پررنگ تری یافته و برخی از تولید کنندگان روانساز، از ترکیبات سینتتیک به جای روغن پایه معدنی استفاده می کنند. در حال حاضر به علت نوع و ساختار ترکیبات سنتزی، امکان تولید آنها در داخل کشور وجود ندارد.

نقش روغن موتور

روانکاری و کاهش اصطکاک، اصلی ترین و مهم ترین وظیفه روغن است که باعث بهبود راندمان موتور    می شود . تشکیل فیلم روغن با ضخامت مناسب، موجب کاهش سائیدگی قطعات مختلف تا حد ممکن می گردد

روغن موتور هم چنین منتقل کننده حرارت است و به سیستم خنک کننده در خارج ساختن بخشی از حرارت ایجاد شده در اثر کار موتور کمک می کند

جلوگیری از زنگ زدگی و خوردگی، حفاظت از سطوح قطعات فلزی درمقابل زنگ زدن و خورده شدن به علت فعل و انفعالات شیمیایی، پاک کنندگی و معلق سازی ذرات حاصل از سایش قطعات و ترکیبات ناشی از احتراق سوخت و تجزیه روغن و پاک کردن سطوحِ در تماس، کمک به عمل آب بندی کردن با قرار گرفتن در فضای بین رینگ، پیستون و سیلندر که موجب افزایش کارآیی موتور خواهد شد و کاهش اثرات منفی ضربه های قطعات متحرک در حین کار، از وظایفی است که روغن موتور انجام می دهد

علاوه بر این، استفاده از روغن با ویسکوزیته کم و در حد مناسب، فاصله بین استارت و رسیدن موتور به درجه حرارت عادی را کاهش می دهد که این امر در پایین آوردن میزان مصرف سوخت تاثیر به سزایی دارد

استفاده از روغن مناسب و مواد افزودنی متناسب تشکیل دهنده یک روغن مرغوب است . مواد افزودنی که به روغن موتور اضافه می شوند عبارتند از : ماده بالا برنده شاخص گرانروی، پاک کننده ها و معلق کننده ها، ترکیبات ضد اکسیداسیون، بازدارنده های خوردگی و زنگ زدگی، مواد پایین آورنده اصطکاک و مواد ضد سایش، ترکیبات پایین آورنده نقطه ریزش و ضد کف.

ویسکوزیته یا گرانروی مقاومت سیال در مقابل جاری شدن است که اصطلاح غلط آن یعنی “ غلظت” رایج تر می باشد . این خاصیت، با اهمیت ترین و مهم ترین مشخصه هر روغن است که آزمایش ها، معمولاً در دماهای 40 و 100 درجه سانتی گراد اندازه گیری می شود

شاخص گرانروی (VI) ، معیار سنجش تغییرات گرانروی با تغییرات دما می باشد که هر چه رقم آن بزرگتر باشد تغییر گرانروی روغن نسبت به دما کمتر خواهد بود

نقطه ریزش، پایین ترین دمایی است که در آن، روغن کما کان توانایی جاری شدن دارد و خاصیت سیال بودن خود را حفظ می کند . هم چنین نقطه اشتعال، حداقل درجه حرارتی است که بخار های روغن با هوا، در اثر تماس شعله آتش، اشتعال لحظه ای بوجود می آورد .

علاوه بر مشخصات ذکر شده،دانسیته یا چگالی، نقطه احتراق، نقطه ابری شدن و عدد TBN نیز از جمله خصوصیات روغن موتور محسوب می شود که بعضاً توسط برخی تولید کنندگان ذکر می شود

تعداد صفحات: 11

دانلود مقاله ISI ترجمه شده با بهترین کیفیت-- مرور و ارزیابی کارایی روشهای شاخص گذاری داده های بزرگ – Big Data indexing techniqu

اختصاصی از فی گوو دانلود مقاله ISI ترجمه شده با بهترین کیفیت-- مرور و ارزیابی کارایی روشهای شاخص گذاری داده های بزرگ – Big Data indexing techniques دانلود با لینک مستقیم و پر سرعت .

نوع مطلب: مقاله ترجمه شده با بهترین کیفیت و کاملا تخصصی

عنوان مقاله: بررسی روشهای ایندکس گذاری داده های بزرگ: طبقه بندی و ارزیابی عملکرد

سال انتشار: 2015

زبان مقاله: فارسی

قالب مقاله: ورد (Word)

تعداد صفحات: 73 صفحه

محل انتشار: ژورنال معتبر سیستم های اطلاعاتی دانش (Knowledge and Information Systems)

اطلاعات مقاله انگلیسی:

عنوان مقاله: A survey on indexing techniques for big data: taxonomy and performance evaluation

نوع مطلب: مقاله اشپرینگر (Springer) و آی اس آی (ISI)

سال انتشار: 2015

زبان مقاله: انگلیسی

قالب مقاله: پی دی اف (PDF)

تعداد صفحات: 44 صفحه تک ستونی

محل انتشار: ژورنال معتبر سیستم های اطلاعاتی دانش (Knowledge and Information Systems)

ضریب تاثیر مربوط به سالهای 2014 و 2015 (Impact Factor): 1.782

تعداد ارجاع (Citation) تاکنون(بهمن 94): 5

خرید مقاله انگلیسی با قیمت 2000 تومان از آدرس زیر:

 (در صورت خرید، مقاله انگلیسی نیز به همراه مقاله ترجمه شده برای شما فرستاده میشود.)

چکیده فارسی:

رشد انفجاری در حجم، سرعت، و تنوع داده های تولید شده توسط دستگاه های همراه و برنامه های کاربردی ابری در ازدیاد "داده های بزرگ" نقش داشته است. راه حل های موجود برای ذخیره سازی کارآمد داده ها و مدیریت آنها نمی توانند نیازهای چنین داده های ناهمگنی که مقدار داده ها به طور مداوم در حال افزایش هستند را برآورد سازند. با توجه به سرعت در حال رشد اندازه شاخص ها و زمان جستجو، راه حل های موجود برای مدیریت و بازیابی موثر داده ها ناکارآمد میشوند بنابراین یک طرح شاخص گذاری بهینه شده برای داده های بزرگ مورد نیاز است. با نگاهی به برنامه های کاربردی جهان واقعی در می یابیم که موضوع ایندکس گذاری با داده های بزرگ در محاسبات ابری در مسائل پزشکی، سازمانی، آزمایشات علمی و شبکه های اجتماعی بصورت گسترده مطرح می شود. تا به امروز، محاسبات نرم متعدد، یادگیری ماشینی و دیگر روشهای هوش مصنوعی برای برآورده کردن نیازمندیهای شاخص گذاری استفاده می شده اند، در عین حال از آنجایی که روشهای ایندکس گذاری وارد محاسبات ابری شده اند، در مقالات، مطالعه جدیدی در مورد بررسی عملکرد و نتایج روشهای حل مسائل ایندکس گذاری برای داده های بزرگ وجود ندارد. هدف این مقاله بررسی و آزمایش روشهای ایندکس گذاری موجود برای داده های بزرگ است. در این تحقیق طبقه بندی روشهای ایندکس گذاری توسعه یافته است تا به محققان برای درک و انتخاب یک روش پایه بمنظور طراحی یک روش ایندکس گذاری که کاهش زمان و فضای مصرفی کمتررا برای BD-MCC فراهم میکند، کمک کند. در این تحقیق، 48 روش ایندکس گذاری بر اساس 60 مقاله با موضوع مرتبط مورد مطالعه و مقایسه قرارگرفته اند. عملکرد روشهای ایندکس گذاری بر اساس ویژگی آن ها و نیازمندیهای ایندکس گذاری داده های بزرگ نیز مورد تجزیه و تحلیل قرار گرفت. نقش اصلی این تحقیق طبقه بندی روشهای ایندکس گذاری دسته بندی شده بر اساس متد آنهاست. دسته بندی ها متدهای شاخص گذاری غیر هوش مصنوعی ( non-artificial intelligence)، هوش مصنوعی (artificial intelligence) و هوش مصنوعی مشارکتی (collaborative artificial intelligence)هستند. بعلاوه در کنار محدودیت های هر روش، اهمیت پروسیجر ها(procedure) و عملکردهای مختلف نیز مورد تجزیه و تحلیل قرار گرفت. در بخش نتیجه گیری، چندین موضوع تحقیق کلیدی برای آینده با پتانسیل افزایش سرعت پردازش و استقرار روشهای ایندکس گذاری هوش مصنوعی مشارکتی در BD-MCC به دقت شرح داده شده است.

کلمات کلیدی: ایندکس گذاری، داده های بزرگ، محاسبات ابری، هوش مصنوعی، هوش مصنوعی گروهی

چکیده انگلیسی:

Abstract The explosive growth in volume, velocity, and diversity of data produced by mobile devices and cloud applications has contributed to the abundance of data or ‘big data.’Available solutions for efficient data storage and management cannot fulfill the needs of such heterogeneous data where the amount of data is continuously increasing. For efficient retrieval and management, existing indexing solutions become inefficient with the rapidly growing index size and seek time and an optimized index scheme is required for big data. Regarding real-world applications, the indexing issue with big data in cloud computing is widespread in healthcare, enterprises, scientific experiments, and social networks. To date, diverse soft computing, machine learning, and other techniques in terms of artificial intelligence have been utilized to satisfy the indexing requirements, yet in the literature, there is no reported stateof- the-art survey investigating the performance and consequences of techniques for solving indexing in big data issues as they enter cloud computing. The objective of this paper is to investigate and examine the existing indexing techniques for big data. Taxonomy of indexing techniques is developed to provide insight to enable researchers understand and select a technique as a basis to design an indexing mechanism with reduced time and space consumption for BD-MCC. In this study, 48 indexing techniques have been studied and compared based on 60 articles related to the topic. The indexing techniques’ performance is analyzed based on their characteristics and big data indexing requirements. The main contribution of this study is taxonomy of categorized indexing techniques based on their method. The categories are non-artificial intelligence, artificial intelligence, and collaborative artificial intelligence indexing methods. In addition, the significance of different procedures and performance is analyzed, besides limitations of each technique. In conclusion, several key future research topics with potential to accelerate the progress and deployment of artificial intelligence-based cooperative indexing in BD-MCC are elaborated on.

Keywords Indexing ・ Big data ・ Cloud computing ・ Artificial intelligence ・ Collaborative artificial intelligence

تولید داده های حجیم با سرعت بالا، حجم زیاد و تنوع فراوان توسط شبکه های اجتماعی، موبایل ها و ایمیل های کاربران منحر به ایجاد یک جهت گیری جدید در رشته کامپیوتر به نام داده های بزرگ یا کلان داده ها (Big Data) شده است که در چند سال گذشته توجه زیادی را به خود جلب کرده است. میتوان با جستجو درون این داده های بزرگ و حجیم، الگوهایی را کشف کرد و از آنها استفاده کرد. همچنین قابلیت یادگیری از این داده ها و دیتاست ها نیز وجود دارد. روشهای مدیریت حافظه و ذخیره سازی داده های موجود نمیتوانند پاسخگوی حجم زیاد این داده ها باشند و این در حالی است که حجم این داده ها لحظه به لحظه بیشتر میشود. اگر بخواهیم برای بازیابی و جستجوی اطلاعات در این دیتاست های بزرگ از روشهای ایندکس گذاری کنونی استفاده کنیم به دلیل افزایش حجم فایل شاخص و زمان جستجو این کار بسیار غیر بهینه خواهد بود.

در این مقاله که صورت کاملی به بررسی روشهای ایندکس کردن داده های Big Data پرداخته شده است، 48 روش مختلف شاخص بندی یا ایندکس کردن داده ها معرفی، بررسی و مقایسه شده اند. کارایی این الگوریتم ها با توجه به ویژگی ها و نیازمندیهای Big Data اندازه گیری شده است.

مطالعه این مقاله به کسانی توصیه میشود که تصمیم دارند پایان نامه خود را در زمینه شاخص بندی و یا جستجو در داده های بزرگ (Big Data) انجام دهند یا قصد نوشتن مقاله ای در این زمینه را دارند.

این مقاله در سال 2015  در ژورنال سیستم های اطلاعاتی و دانش (Knowledge and Information Systems) منتشر شده است که یکی از ژورنالهای معروف در زمینه سیستم های مبتنی بر دانش و مسائل مربوط به آنها می باشد. مقالات این ژورنال آس اس آی (ISI) هستند و در توسط انتشارات تامسون رویترز (Thomson-reuters) و اسکوپوس (Scopus)، اشپرینگر (Springer) و بسیاری سایت های دیگر ایندکس میشوند.

کلمات کلیدی:

مقاله با ترجمه، مقاله 2015 کامپیوتر با ترجمه، مقاله کامپیوتر، مقاله 2015 کامپیوتر، مقاله آی اس آی کامپیوتر، مقاله ISI کامپیوتر با ترجمه، مقاله اشپرینگر با ترجمه، داده های بزرگ، مقاله Big data ، مقاله Big Data با ترجمه، مقاله داده های حجیم با ترجمه، ابرداده ها، مقاله داده های عظیم با ترجمه، مقاله بیگ دیتا با ترجمه، مقاله داده عظیم با ترجمه، مقاله کلان داده با ترجمه، شاخص گذاری، ایندکسینگ، شاخص بندی در داده های بزرگ، کلان داده ها، شاخص بندی، شاخص گذاری، ایندکس کردن، سیستم هدوپ، نگاشت - کاهش، Big data,  mapreduce, hadoop, Indexing, cloud computing,

پس از خرید از درگاه امن بانکی لینک دانلود در اختیار شما قرار میگیرد و همچنین به آدرس ایمیل شما فرستاده میشود.

تماس با ما برای راهنمایی، درخواست مقالات و پایان نامه ها و یا ترجمه با آدرس ایمیل:

[e-mail]

شماره تماس ما در نرم افزار واتس آپ:

[phone]

شماره تماس ما در نرم افزار تلگرام:

[phone] 

 توجه: اگر کارت بانکی شما رمز دوم ندارد، در خرید الکترونیکی به مشکل برخورد کردید و یا به هر دلیلی تمایل به پرداخت الکترونیکی ندارید با ما تماس بگیرید تا راههای دیگری برای پرداخت به شما پیشنهاد کنیم.

بهترین کتاب ترفندهای اکسل

اختصاصی از فی گوو بهترین کتاب ترفندهای اکسل دانلود با لینک مستقیم و پر سرعت .

این کتاب حاصل تجربه چندین ساله مولف است که دارای منوی زیبا جهت دسترسی سریع به مطالب مورد نیاز و بشکل فایل اکسل برای شما عزیزان تهیه شده است.شک نکنید قیمت این کتاب در مقایسه با زحمات سالیانه ای که برای تالیف و تهیه فایل صورت گرفته ناچیز است .

فروش پکیج3 گلچینی از بهترین براشهای فتوشاپ

اختصاصی از فی گوو فروش پکیج3 گلچینی از بهترین براشهای فتوشاپ دانلود با لینک مستقیم و پر سرعت .

این مجموعه براش شامل 50 بسته براش بسیار با کیفیت مناسب برای پرینت، طراحی کارت پستال، پوستر، کارت ویزیت و غیره می باشد.  هر کدام از این براش های فتوشاپ در بزرگترین سایز ممکن ساخته شده اند تا کیفیتی بی نظیر را برای شما به ارمغان بیاورند.