Mobile cloud computing is a dynamic, virtually scalable and network based computing environment where mobile device acts as a thin client and applications run on remote cloud servers. Mobile cloud computing resources required by different users depend on their respective personalized applications. Therefore, efficient resource provisioning in mobile clouds is an important aspect that needs special attention in order to make the mobile cloud computing a highly optimized entity. This paper proposes an adaptive model for efficient resource provisioning in mobile clouds by predicting and storing resource usages in a two dimensional matrix termed as resource provisioning matrix. These resource provisioning matrices are further used by an independent authority to predict future required resources using artificial neural network. Independent authority also checks and verifies resource usage bill computed by cloud service provider using resource provisioning matrices. It provides cost computation reliability for mobile customers in mobile cloud environment. Proposed model is implemented on Hadoop using three different applications. Results indicate that proposed model provides better mobile cloud resources utilization as well as maintains quality of service for mobile customer. Proposed model increases battery life of mobile device and decreases data usage cost for mobile customer

چکیده

رایانش ابری سیار را می توان یک محیط رایانشی مبتنی بر شبکه، مقیاس پذیر و پویا در نظر گرفت که در آن، دستگاه های سیال نقش یک تین کلاینت را بازی کرده و اپلیکیشن ها بر روی سرور ابری راه دور اجرا می شوند. کاربران مختلف بسته به اپلیکیشن های خود، نیاز به منابع رایانش ابری سیار دارند. بنابراین تدارک منابع به شکلی کارآمد و آن هم در فضای ابری سیار، یکی از جنبه های مهمی بوده که باید مورد توجه بالایی قرار گرفته تا بتوان پارادایم رایانش ابری سیار را به شکلی کاملاً بهینه شده مورد استفاده قرار داد. در این مقاله، یک مدل انطباقی را برای تدارک منابع در کلودهای سیار ارائه می دهیم که در آن، میزان استفاده از منابع، در قالب یک ماتریس دو بعدی که ماتریس تدارک منبع نام دارد پیش بینی می شود. این ماتریس های تدارک منبع، به وسیله‌ متصدیان مختلف استفاده شده تا بتوان میزان منابع مورد نیاز در آینده را با استفاده از شبکه‌ عصبی مصنوعی پیش بینی ساخت. این متصدیان با استفاده از این ماتریس ها، اقدام به بررسی و تصدیق صورت‌حساب های استفاده از منابع که توسط سرویس دهنده‌ ابری محاسبه شده است می کنند. این ماتریس ها می توانند محاسبه‌ هزینه به شکلی قابل اطمینان را برای مشتریان سیار در محیط های ابری سیار تضمین نمایند. نتایج حاصله نشان می دهد که مدل پیشنهادی می تواند نرخ بکار گیری بهتری از منابع را به همراه داشته و همچنین کیفیت سرویس را برای مشتریان ابری حفظ نماید. مدل پیشنهادی، باعث افزایش طول عمر باتری دستگاه های سیار شده و هزینه‌ استفاده از داده ها را برای مشتریان ابری کاهش می دهد.

1-مقدمه

یک کاربر ابری را می توان به عنوان یک سازمان یا نهاد حقیقی در نظر گرفت که سرویس هایی را از سرویس دهنده‌ ابری (CSP) دریافت می کند. CSP می تواند فرآیند ذخیره سازی را مدیریت نموده و به داده های سراسری دسترسی داشته باشد و از هزینه های نگهداری و سرمایه بر روی سخت افزار و همچنین نرم افزار اجتناب نماید. این را می توان یک مدل کسب ‌و کار نوظهور دانست که سرویس های فناوری اطلاعات را از طریق بستر اینترنت و به شکلی فوری، پویا و مقرون به صرفه و آن هم با تضمین کیفیت سرویس (QoS) تحویل کاربران می دهد...