رشد سریع تقاضا برای قدرت محاسباتی موجب شده است تا تغییر جهتی به سوی مدل رایانش ابری که بر اساس مراکز داده مجازی شده عظیم بنا شده است، صورت پذیرد. چنین مراکز داده¬ای طبیعتاً انرژی مصرفی بالایی را طلب می¬کنند. برای پاسخ به تقاضای مشتریان رایانش ابری و به منظور پشتیبانی از محاسبات سبز، ارائه دهنده¬های سرویس ابری باید انرژی مصرفی در این مراکز داده را کاهش دهند. در این رساله، برای محیط های رایانش ابری، یک روش نوین بر پایه رگرسیون گام به گام برای مدیریت انرژی ارائه شده است. این روش ها با cloudsim مورد ارزیابی قرار گرفته است. نتایج بدست آمده نشان می دهد الگوریتم پیشنهادی در مقایسه با دو الگوریتم lr/mmt و vdt/umc بطور متوسط %43 کاهش مصرف انرژی و % 26 تخطی از قرارداد داشته است.

امروزه شبکه های اجتماعی، سایت های خبری و سرویس دهنده های ابری، روزانه حجم زیادی داده تولید می کنند که به آن بزرگ داده می گویند. mapreduce و hadoop نرم افزارهایی هستند که بمنظور دسترسی سریعتر به بزرگ داده ها، هر فایل بزرگ داده را به چند تکه تقسیم می نماید و از هر تکه چند نسخه ایجاد و آن را در سرورهای مختلف ذخیره می کند که تحلیل و کار با بزرگ داده ها را تسهیل می کنند. در این پایان نامه برای سیستم فایل توزیع شده hadoop، با برچسب گذاری فایل ها در سه دسته فعال، عادی و غیر فعال، روشی انرژی آگاه برای دو حالت انفعالی و پیشگویانه ارائه شده است که مصرف انرژی در سرورهای ذخیره سازی را کاهش می دهد. نتایج پیاده سازی روش پیشنهادی در محیط شبیه ساز cloudsim برای دو حالت انفعالی و پیشگویانه، نشان می دهد که حالت انفعالی 42 درصد و حالت پیشگویانه 45 درصد نسبت به روش های قبلی مصرف انرژی را کاهش می دهد.

در سال های اخیر، دستگاه های تلفن همراه تنها برای تماس تلفنی و متنی استفاده نمی شدند بلکه برای کارهای محاسباتی و برنامه های عکاسی نیز استفاده می شدند. برای برآورده کردن این نیاز ها، پردازنده های تلفن همراه پیشرفت کردند و برای دستیابی به قدرت پردازش مورد نیاز خود به پردازنده های چند هسته ای روی آوردند. با پیدایش تلفن های همراه با پردازنده ها ی چند هسته ای، تلفن های همراه فرصتی برای اجرای برنامه های با محاسبات زیاد پیدا کردند و برای این کار نیاز به برنامه نویسی موازی پیدا کردند. در سال های اخیر، شرکت گوگل یک تکنیک موازی سازی برای ساخت برنامه های موازی بر روی این دستگاه ها به نام renderscript معرفی کرده است. در این پایان نامه قدرت محاسباتی تلفن های همراه چند هسته ای با چندین الگوریتم پردازش تصویر مورد آزمون قرار گرفته است. به همین منظور این الگوریتم ها را با چندین روش پیاده سازی کرده و بر روی عکس هایی با سایز های مختلف بر روی یک دستگاه اندروید چهار هسته ای مورد آزمون قرار گرفت. نتایج آزمون نشان داد که تکنیک renderscript از دیگر تکنیک ها بهتر عمل میکند و همچنین میتوان توسط تکنیک renderscript تا 26 برابر افزایش سرعت در زمان استفاده از واحد پردازش مرکزی به تنهایی و همچنین تا 44 برابر افزایش سرعت در زمان استفاده از واحد پردازش گرافیکی بدست آورد. همچنین نتایج تکنیک opencl تقریبا مشابه renderscript بود ولی این تکنیک علاوه بر مشکلات دیگری که داشت بر روی عکس های با سایز بزرگ نیز قابل اجرا نبود.

پردازنده های گرافیکی از تعداد زیادی هسته پردازشی بهره می برند که مجموعاً از قدرت پردازشی بیشتری نسبت به پردازنده مرکزی برخوردارند. معماری خاص این پردازنده ها و قدرتشان ا?نها را برای پردازش بزرگ داده ها مناسب کرده است. اما نوشتن برنامه ای که به شکل مناسبی از این قدرت استفاده کند کار چندان ساده ای نیست. محدودیت حافظه پردازنده های گرافیکی و جدا بودن ا?ن این کار را برای پردازش بزرگ داده ها دشوارتر نیز می کند. در این پایان نامه ما سامانه ای را ارائه داده ایم تا با استفاده از ا?ن، این مشکل را برطرف کرد. این سامانه چیزی شبیه به حافظه مجازی را برای پردازنده گرافیکی ایجاد می کند و مدیریت حافظه، انتقال داده از حافظه پردازنده مرکزی به پردازنده گرافیکی و همچنین نحوه دسترسی به حافظه پردازنده گرافیکی را به عهده می گیرد و سعی در بهینه کردن ا?ن ها دارد. این کار به وسیله خط لوله ای که توسط تبدیل های مدت زمان کامپایل ایجاد می شود، انجام می گیرد.