امروزه رشد سریع تقاضا برای استفاده از منابع محاسباتی ابری، موجب افزایش مصرف انرژی در مراکز داده شده است. محاسبات ابری سبز برای جلوگیری از افزایش مصرف انرژی مراکز داده بیان شده است. یکی از راهکارهای کاهش مصرف انرژی در سیستم‌های پردازش ابری، استفاده از روش‌های تجمیع سرویس‌ها است. روش‌های تجمیع موجود با مهاجرت‌های غیر ضروری، عدم تعادل بار کاری میزبان‌ها و نادیده‌گرفتن ارتباط بین سرویس‌ها ممکن است باعث کاهش کیفیت سرویس و افزایش مصرف انرژی شود. لذا در این تحقیق با مهاجرت‌دادن سرویس‌های ضروری بر اساس اولویت (شامل تعداد فرزندان، سطح و هزینه ارتباطی هر سرویس)، از میزبان‌هایی که بارکاری خیلی زیاد و یا خیلی کم دارند (که موجب مصرف انرژی زیادی می‌شوند) به میزبان‌هایی که حاوی سرویس‌های همکار هستند، بهره‌وری منابع موجود مرکز داده بهبود یافته و مصرف انرژی کاهش می‌یابد. مهاجرت زنده سرویس‌ها بر اساس اولویت و به حداقل رساندن تعداد مهاجرت‌ها با هدف کاهش مصرف انرژی، کاهش زمان پاسخ و افزایش کارایی سيستم می‌باشد. با بررسی و مقایسه روش پیشنهادی با روش‌های دیگر، بهبود 37/10 درصدی در کاهش مصرف انرژی در مراکز داده ابری، 18/11 درصدی در کاهش تعداد مهاجرت سرویس‌ها و 46/1 درصدی در افزایش تعداد میزبان‌هایی که خاموش شده‌اند، مشاهده می‌شود. تفاصيل المقالة

الگوریتم ماشین بردار پشتیبان یکی از الگوریتم‌های مشهور و با کارایی بالا در یادگیری ماشین و کاربردهای مختلف است. از این الگوریتم تا کنون نسخه‌های متعددی ارائه شده که آخرین نسخه آن ماشین‌های بردار پشتیبان دوقلوی مربعات حداقلی فازی می‌باشد. اغلب کاربردها در دنیای امروز دارای حجم انبوهی از اطلاعات هستند. از سویی دیگر یکی از جنبه‌های مهم داده‌های حجیم، جریانی‌بودن آنها می‌باشد که باعث شده است بسیاری از الگوریتم‌های سنتی، کارایی لازم را در مواجهه با آن نداشته باشند. در این مقاله برای نخستین بار نسخه افزایشی الگوریتم ماشین‌های بردار پشتیبان دوقلوی مربعات حداقلی فازی، در دو حالت برخط و شبه برخط ارائه شده است. برای بررسی صحت و دقت الگوریتم ارائه‌شده دو کاربرد آن مورد ارزیابی قرار گرفته است. در یک کاربرد، این الگوریتم بر روی 6 دیتاست مخزن UCI اجرا شده که در مقایسه با سایر الگوریتم‌ها از کارایی بالاتری برخوردار است. حتی این کارایی در مقایسه با نسخه‌های غیر افزایشی نیز کاملاً قابل تشخیص است که در آزمایش‌ها به آن پرداخته شده است. در کاربرد دوم، این الگوریتم در مبحث اینترنت اشیا و به طور خاص در داده‌های مربوط به فعالیت روزانه به کار گرفته شده است. طبق نتایج آزمایشگاهی، الگوریتم ارائه‌شده بهترین کارایی را در مقایسه با سایر الگوریتم‌های افزایشی دارد. تفاصيل المقالة