Data grids primarily deal with prov

Data grids primarily deal with providing services and infrastructure for distributed data-intensive applications that need to access, transfer and manage massive data sets stored in distributed storage resources. Data-intensive applications are becoming increasingly prevalent in domains of scientific and engineering research such as High energy physics, Earth science, bioinformatics, data mining, and Astronomy. In this kind of dynamic and large scale environment, a lot of challenges revolve around data management and transfer (Allcock et al., 2002 and Vazhkudai et al., 2001). In this context, data replication is an important technique which enables effectively addressing these challenges and improving performance in data grids. The general idea of replication is to store several copies of the same data in different sites across the grid. This clearly scales up the performance by reducing remote access delay and mitigating single point of failure (Boru et al., 2015). In addition, data replication helps overcoming long wide-area data transfer latencies by keeping data close to locations where queries are originated (Allcock et al., 2002). Indeed, through replication, data grid can achieve high data availability, improved bandwidth consumption, and better fault tolerance. Most of the works in the literature deal with read-only data. In this case, replication can greatly improve the performance (Goel and Buyya, 2006). However, if data updates are allowed, the benefits of replication can be neutralized by the overhead of maintaining consistency among multiple replicas (Serrano et al., 2007). In this paper, we mainly focus on the scenario dealing with the read-only data, i.e., without consistency management. Ranganathan and Foster (2001b) have defined three main decisions need to be made by any data replication strategy: (i) Which files to replicate? (ii) When to replicate? (iii) Where to replicate? Depending on the answers, intensive research has been conducted on developing data replication strategies.

ผลลัพธ์ (ไทย) 1:

กริดข้อมูลหลักจัดการกับการให้บริการและโครงสร้างพื้นฐานสำหรับการกระจายข้อมูลมากการใช้งานที่ต้องการ โอน และจัดการชุดข้อมูลขนาดใหญ่ที่จัดเก็บในเก็บกระจายทรัพยากร การใช้งานข้อมูลมากกลายเป็นที่แพร่หลายมากขึ้นในโดเมนของการวิจัยทางวิทยาศาสตร์ และวิศวกรรมเช่นฟิสิกส์พลังงานสูง ดินวิทยาศาสตร์ bioinformatics การทำเหมืองข้อมูล และดาราศาสตร์ ในชนิดของสภาพแวดล้อมใหญ่ และแบบไดนามิกนี้ มากของความท้าทายที่เกี่ยวข้องกับการจัดการข้อมูล และโอนย้าย (Allcock et al. 2002 และ Vazhkudai et al. 2001) ในบริบทนี้ การจำลองแบบข้อมูลเป็นเทคนิคสำคัญซึ่งช่วยให้จัดการกับความท้าทายเหล่านี้อย่างมีประสิทธิภาพ และการปรับปรุงประสิทธิภาพในกริดข้อมูล ความคิดทั่วไปของการจำลองแบบจะเก็บสำเนาต่าง ๆ ของข้อมูลเดียวกันในไซต์ที่แตกต่างผ่านตาราง นี้ชัดเจนปรับค่าประสิทธิภาพการทำงาน โดยลดความล่าช้าในการเข้าถึงระยะไกล และบรรเทาจุดเดียวของความล้มเหลว (Boru et al. 2015) นอกจากนี้ จำลองแบบข้อมูลช่วยแก้ปัญหาเวลาแฝงการถ่ายโอนข้อมูลพื้นที่กว้างยาว โดยรักษาข้อมูลใกล้กับสถานที่ตั้งที่ถามมา (Allcock et al. 2002) จริง ผ่านการจำลองแบบ ตารางข้อมูลสามารถทำรับข้อมูลสูงพร้อมใช้งาน ปริมาณการใช้แบนด์วิธเพิ่ม และค่าเผื่อความบกพร่องดีขึ้น ส่วนใหญ่ทำงานในวรรณคดีจัดการกับข้อมูลแบบอ่านอย่างเดียว ในกรณีนี้ จำลองสามารถปรับปรุงประสิทธิภาพการทำงาน (Goel และ Buyya, 2006) อย่างไรก็ตาม ถ้าสามารถปรับปรุงข้อมูล ประโยชน์ของการจำลองแบบสามารถ neutralized ได้ โดยการรักษาความสอดคล้องระหว่างแบบจำลองหลาย (ปลอด et al. 2007) ในกระดาษนี้ เราส่วนใหญ่เน้นจัดการสถานการณ์กับข้อมูลแบบอ่านอย่างเดียว เช่น ไม่ใช้การจัดการความสอดคล้องกัน Ranganathan ฟอสเตอร์ (2001b) มีกำหนดสามหลักการตัดสินใจต้องทำได้ โดยกลยุทธ์การจำลองแบบข้อมูล: (i) แฟ้มที่จะซ้ำหรือไม่ (ii) เมื่อการจำลอง (iii) ที่จะทำซ้ำหรือไม่ ขึ้นอยู่กับคำตอบที่ วิจัยมีการดำเนินการพัฒนากลยุทธ์การจำลองแบบของข้อมูล

ผลลัพธ์ (ไทย) 2:

สายส่งข้อมูลหลักจัดการกับการให้บริการและโครงสร้างพื้นฐานสำหรับการใช้งานข้อมูลจำนวนมากกระจายที่จำเป็นต้องเข้าถึงการถ่ายโอนและจัดการชุดข้อมูลขนาดใหญ่ที่เก็บไว้ในแหล่งเก็บกระจาย งานข้อมูลจำนวนมากจะกลายเป็นที่แพร่หลายมากขึ้นในโดเมนของการวิจัยทางวิทยาศาสตร์และวิศวกรรมเช่นฟิสิกส์พลังงานสูงวิทยาศาสตร์โลกชีวสารสนเทศการทำเหมืองข้อมูลและดาราศาสตร์ ในชนิดของสภาพแวดล้อมขนาดแบบไดนามิกและขนาดใหญ่จำนวนมากของความท้าทายหมุนรอบการจัดการข้อมูลและการถ่ายโอน (Allcock et al., 2002 และ Vazhkudai et al., 2001) ในบริบทนี้การจำลองแบบข้อมูลเป็นเทคนิคสำคัญที่ช่วยให้ได้อย่างมีประสิทธิภาพกับความท้าทายเหล่านี้และการปรับปรุงประสิทธิภาพในกริดข้อมูล แนวคิดทั่วไปของการจำลองแบบคือการเก็บสำเนาหลายข้อมูลเดียวกันในเว็บไซต์ต่างๆทั่วตาราง นี้อย่างชัดเจนมากขึ้นประสิทธิภาพของเครื่องชั่งน้ำหนักโดยการลดความล่าช้าในการเข้าถึงระยะไกลและบรรเทาจุดเดียวของความล้มเหลว (โบรู et al., 2015) นอกจากนี้ยังมีการจำลองแบบข้อมูลจะช่วยให้เอาชนะพื้นที่กว้างยาวเวลาแฝงในการถ่ายโอนข้อมูลโดยการเก็บรักษาข้อมูลที่ใกล้กับสถานที่ที่มีคำสั่งมา (Allcock et al., 2002) แท้จริงผ่านการจำลองแบบตารางข้อมูลสามารถบรรลุความพร้อมสูงข้อมูลปริมาณการใช้แบนด์วิดธ์ดีขึ้นและป้องกันความผิดพลาดที่ดีขึ้น ส่วนใหญ่ของการทำงานในการจัดการวรรณกรรมที่มีข้อมูลแบบอ่านอย่างเดียว ในกรณีนี้การจำลองแบบสามารถปรับปรุงประสิทธิภาพการทำงาน (โกลและ Buyya 2006) แต่ถ้าการปรับปรุงข้อมูลที่มีการอนุญาตให้สิทธิประโยชน์ของการจำลองแบบที่สามารถเป็นกลางโดยค่าใช้จ่ายในการรักษาความมั่นคงในหมู่จำลองหลาย (Serrano et al., 2007) ในบทความนี้เราส่วนใหญ่มุ่งเน้นไปที่สถานการณ์การจัดการกับข้อมูลที่อ่านได้อย่างเดียวคือไม่มีการจัดการความสอดคล้อง Ranganathan และฟอสเตอร์ (2001b) ได้กำหนดสามหลักในการตัดสินใจจะต้องทำโดยวิธีใด ๆ กลยุทธ์การจำลองแบบข้อมูล: (i) ไฟล์ที่จะทำซ้ำ? (ii) เมื่อจะทำซ้ำ? (iii) การที่จะทำซ้ำ? ทั้งนี้ขึ้นอยู่กับคำตอบการวิจัยอย่างเข้มข้นได้รับการดำเนินการเกี่ยวกับการพัฒนากลยุทธ์การจำลองแบบข้อมูล