• To our best knowledge, we are the

• To our best knowledge, we are the first to consider the cost minimization problem of big data processing with joint consideration of data placement, task assignment and data routing. To describe the rate-constrained computation and transmission in big data processing process, we propose a two-dimensional Markov chain and derive the expected task completion time in closed form.

• Based on the closed-form expression, we formulate the cost minimization problem in a form of mixed-integer nonlinear programming (MINLP) to answer the following questions: 1) how to place these data chunks in the servers, 2) how to distribute tasks onto servers without violating the resource constraints, and 3) how to resize
data centers to achieve the operation cost minimization goal.

• To deal with the high computational complexity of solving MINLP, we linearize it as a mixed-integer linear programming (MILP) problem, which can be solved using commercial solver. Through extensive numerical studies, we show the high efficiency of our proposed joint-optimization based algorithm. The rest of the paper is organized as follows. Section II summariestherelatedwork.SectionIIIintroducesoursystem model. The cost optimization is formulated as an MINLP problem in Section IV and then it is linearized in Section V. The theoretical findings are verified by experiments in Section VI. Finally, Section VII concludes our work.

ผลลัพธ์ (ไทย) 1:

•ความรู้ที่ดีที่สุดของเรา เราเป็นแรกพิจารณาปัญหาลดต้นทุนของการประมวลผลข้อมูลขนาดใหญ่ โดยคำนึงถึงการจัดวางข้อมูล การมอบหมายงาน และกำหนดเส้นทางข้อมูลร่วม อธิบายจำกัดอัตราการคำนวณและส่งข้อมูลในการประมวลผลข้อมูลขนาดใหญ่ เรานำเสนอลูกโซ่มาร์คอฟแบบสองมิติ และดึงเวลาเสร็จงานที่คาดไว้ในแบบฟอร์มการปิด •อิงนิพจน์แบบฟอร์มปิด เรากำหนดปัญหาลดต้นทุนในรูปแบบของโปรแกรมเชิงเส้นจำนวนเต็มผสม (MINLP) เพื่อตอบคำถามต่อไปนี้: 1) วิธีการเตรียมข้อมูลเหล่านี้ในเซิร์ฟเวอร์ 2) วิธีการกระจายงานไปยังเซิร์ฟเวอร์ โดยไม่มีการละเมิดข้อจำกัดทรัพยากร และ 3) วิธีการปรับขนาดข้อมูลศูนย์กลางเพื่อให้บรรลุเป้าหมายการลดต้นทุนการดำเนินงาน •การจัดการกับความซับซ้อนสูงคำนวณแก้ไข MINLP ของเรา linearize เป็นจำนวนเต็มที่ผสมเส้นเขียนโปรแกรม (MILP) ปัญหา ซึ่งสามารถแก้ไขได้ด้วยการใช้โปรแกรมแก้ปัญหาทางการค้า ผ่านการศึกษาตัวเลขอย่างละเอียด เราแสดงการ efficiency สูงของเรานำเสนอประสิทธิภาพสูงสุดร่วมตามอัลกอริทึม ส่วนเหลือของกระดาษจัดเป็นดังนี้ ส่วน II summariestherelatedwork รุ่น SectionIIIintroducesoursystem การปรับต้นทุนเป็นสูตรที่เป็นปัญหา MINLP ในส่วน IV และนั้น มันคือ linearized ในส่วน V findings ทฤษฎีจะตรวจสอบได้ โดยการทดลองในส่วน VI ในที่สุด VII ส่วนสรุปงานของเรา

ผลลัพธ์ (ไทย) 2:

•ในการรู้ที่ดีที่สุดของเราเราเป็นสายแรกที่จะต้องพิจารณาปัญหาที่เกิดขึ้นลดค่าใช้จ่ายของการประมวลผลข้อมูลขนาดใหญ่ที่มีการพิจารณาร่วมกันของการจัดวางข้อมูลที่ได้รับมอบหมายงานและการกำหนดเส้นทางข้อมูล เพื่ออธิบายการคำนวณอัตราการ จำกัด และการส่งผ่านในขั้นตอนการประมวลผลข้อมูลขนาดใหญ่เราเสนอสองมิติห่วงโซ่มาร์คอฟและได้รับมาเวลาเสร็จงานที่คาดว่าจะอยู่ในรูปแบบปิด. •ขึ้นอยู่กับการแสดงออกปิดรูปแบบที่เรากำหนดปัญหาที่เกิดขึ้นลดค่าใช้จ่ายใน รูปแบบของการเขียนโปรแกรมผสมจำนวนเต็มไม่เชิงเส้น (ที่ MINLP) ที่จะตอบคำถามดังต่อไปนี้ 1) วิธีการวางชิ้นข้อมูลเหล่านี้ในเซิร์ฟเวอร์ 2) วิธีการกระจายงานไปยังเซิร์ฟเวอร์โดยไม่ละเมิดข้อ จำกัด ของทรัพยากรและ 3) วิธีการปรับขนาดข้อมูลศูนย์เพื่อให้บรรลุเป้าหมายการลดค่าใช้จ่ายในการดำเนินงาน. •ในการจัดการกับความซับซ้อนของการคำนวณที่สูงของการแก้ MINLP เรา linearize เป็นการเขียนโปรแกรมผสมจำนวนเต็มเชิงเส้น (MILP) ปัญหาที่สามารถแก้ไขได้โดยใช้แก้ในเชิงพาณิชย์ ผ่านการศึกษาตัวเลขที่กว้างขวางเราแสดง ciency ไฟ EF สูงของการเสนอการเพิ่มประสิทธิภาพร่วมตามขั้นตอนวิธีการของเรา ส่วนที่เหลือของกระดาษที่ถูกจัดขึ้นดังต่อไปนี้ ส่วนครั้งที่สองรูปแบบ summariestherelatedwork.SectionIIIintroducesoursystem การเพิ่มประสิทธิภาพค่าใช้จ่ายที่เป็นสูตรที่เป็นปัญหา MINLP ในมาตรา IV แล้วมันเป็นเชิงเส้นในมาตราโวลต์ ndings สายทางทฤษฎีมีเอ็ดสาย Veri โดยการทดลองในส่วนที่หก สุดท้ายมาตราปกเกล้าเจ้าอยู่หัวสรุปการทำงานของเรา