一种基于QoS参数归约的云计算环境能效评估方法

高性能、低功耗且具有QoS保障的高能效问题是云计算领域的一个研究难点。目前的研究主要是通过限定一个约束条件寻求另外指标的最优来实现三者之间的折衷或均衡,缺乏一种有效的能效计算方法和评估模型将三者整合,以更好地描述云环境能效的“程度”。提出一种云环境下QoS参数的归约方法和加权的能效模型,把系统性能作为一个关键因素引入QoS,并将离散的多个QoS参数度量值归约到同一个量纲区域内,获得评价权重矩阵,求得用户最终的QoS评价值,以单位能耗所提供的整体QoS水平值作为能效值,并且建立云数据中心的能效分级标识,最终将云环境下能效值刻画为一个定性的概念,实现了对云环境下能效的定性评估。此外,分别对单机环境和同构、异构的云计算环境中云数据中心的能效进行了评估分析,并进行了实验验证。实验结果表明,所提出的能效模型和评估方法在评价云系统的QoS水平和能源消耗方面是有效的。     

云计算环境下的模糊解耦能效优化算法研究

在保证云计算环境的高计算性能和较优服务质量的前提下,系统能效优化成为推广云计算所要重点解决的问题。为了适应多负载和多任务的云计算任务环境,设计了一种模糊解耦能效优化方案。首先进行输入输出及中间变量参数的设定;然后建立模糊神经网络(Fuzzy Neural Network,FNN)模型及解耦规则,对影响能效指标的关键参数进行提取和优化,该方法能快速找到影响能效的关键因素并对其进行评估,从而实现稳定可控的能效优化;最后加入模糊解耦的参数扰动自调整设计,对解耦运算遇到的参数扰动进行自适应调整,提高系统的鲁棒性。     

仿真环境下的云计算数据中心能耗评估方法

数据中心能耗优化问题是云计算领域的重要研究方向,但在真实环境中进行相关研究需要承担巨额的研究成本,并且实验周期长,因此仿真技术在该领域广泛应用.为提高数据中心能耗感知仿真实验的准确性和可信度,本文分析了仿真平台的内置能耗模型和其他学者提出的能耗评估方法,并在此基础上提出了基于CPU和内存利用率的能耗评估方法,该方法考虑了CPU利用率对内存能耗的影响,采用多元非线性模型进行回归分析.实验证明,本文提出的能耗评估方法在适用于仿真平台的同时具有较高的预测精度,有效地提高了云计算仿真平台能耗评估的准确性.     

移动云计算中能效感知的计算卸载机制研究

移动云计算可以将任务从移动设备计算卸载至云端以增强设备计算能力,而如何实现能效计算卸载机制是当前的主要挑战。为了解决该问题,以降低移动设备能耗和应用完成时间为目标,将计算卸载问题形式化为满足任务顺序与截止时间约束的能效代价最小化问题,并提出一种动态能效感知计算卸载算法。算法由三个子算法组成：计算卸载选择、时钟频率控制及传输功率分配。实验结果表明,通过局部计算时优化调整移动设备CPU时钟频率,以及云端计算时自适应分配传输功率,新算法可以有效降低应用执行能效代价,同时确保满足约束条件,提高执行效率。     

面向IPv4/IPv6云计算虚拟机迁移实时功耗建模研究

随着当前云计算技术的飞速发展,云计算平台资源池规模亦不断膨胀,带来了高功耗问题.云计算平台的功耗优化已成为业界关注的焦点.针对IPv4/IPv6异构网络进行云计算平台资源池功耗度量研究,分析CPU功耗变化与CPU计算密度关系结合线性回归方法建立数学模型,针对数据关系确定数学模型参数值,并依据实验结果分析了实验数据,进一步验证了模型的正确性,该模型的建立为云计算平台功耗优化提供理论依据.     

一种能效优化的MapReduce资源比模型

随着云计算的快速发展,IT资源规模的不断扩大导致能耗问题日益凸显.为降低MapReduce编程模型带来的高能耗,文中研究Map/Reduce任务的资源消费特征及该特征与能效的关系,旨在寻找一种能够指导资源分配和任务调度的资源模型,进而实现能效优化.文中提出任务的能效与任务被分配的资源量无关,而与其被分配的各种资源的资源量比例相关,且存在一个“最佳资源比”使得能效达到最高.基于此,文中首先提出了普适的资源和能效模型,从模型层面证明最佳资源比和能效之间的关系,量化空闲资源量和空闲能耗;随后分析MapReduce编程模型,将普适资源比模型变换到MapReduce下.通过抽象的数据的“生产者-消费者”模式,求解Map/Reduce任务的最佳资源比;最后,通过实验从任务能效和空闲能耗两个角度证明了最佳资源比的存在,并根据实验结果,对MapReduce执行过程进行划分,给出了部分Map/Reduce任务的最佳资源比.最佳资源比的提出和求解将有利于基于该最佳资源比的任务调度和资源分配算法的研究,进而实现Map/Reduce任务能效的提高.     

LR-WPAN Mesh网络双重能效优化设计

针对IEEE 802.15.5低速无线个域网(LR-WPAN)标准缺乏能效均衡设计的问题,提出LR-WPAN Mesh网络双重能效优化方法.在自适应树建立和拓扑引导分布式链路状态路由环节中引入合理的能效评估要素,优化拓扑结构和路由选择.实验结果表明,双重能效优化方法可使网络寿命延长97％,并使网络的能耗更加均衡.     

电网设备能效综合评估算法及其应用

为了降低电网能耗,为其设备优化升级提供指导,以电网主要设备为研究对象,建立了能效综合评估算法。首先分析电网设备能效影响因素,建立设备能效模型,从单类设备综合损耗率与单台设备损耗率严重超标台数率两个方面挖掘能效指标并给出指标计算方法。考虑到各指标对能效影响的重要程度是多方面的,建立递阶层次结构模型,采用层次分析法计算指标的权重值,同时采用模糊综合评价法计算指标的能效量化分值,以克服其模糊性。采用所建立的算法对某电网的主要设备进行能效分析评估,结果表明了该方法的实用性和有效性。     

基于优化神经网络的云计算环境下供应链伙伴选择

针对云计算环境下供应链伙伴的动态性,提出一种基于优化神经网络的云计算环境下供应链伙伴选择模型.首先构建计算环境下供应链伙伴评价指标体系,并采用层次分析法计算每一个指标的权值,然后采用神经网络对采集的企业评估训练样本进行学习,并采用遗传算法对神经网络参数进行优化价,建立企业综合评估模型,最后进行了仿真模拟实验.结果表明,本文模型可以准确描述供应链伙伴的动态性,能够对云计算环境下的供应链伙伴进行全面、公正的评价.     

基于粒子群优化BP神经网络的可靠性评估模型

CPU的可靠性对计算机系统至关重要。针对神经网络等方法在可靠性分析与评估中参数优化困难、模型评估精度不够准确等问题,提出一种基于粒子群优化BP神经网络的可靠性评估模型。该模型利用由正弦映射优化的PSO算法对BP神经网络的权值和阈值进行优化,提高BP神经网络的收敛速度以及评估精度。基于CPU中各功能模块的可靠度,根据改进的BP神经网络模型建立CPU的可靠性评估模型,通过模型训练与测试完成对CPU的可靠性评估。通过对比实验,验证该模型对辐射环境下CPU可靠性评估的有效性和准确性。     

云计算环境中能效评估方法

云时代的到来使得数据中心的高能耗问题愈发严重,如何实现高性能、低功耗且具有QoS保障的高能效云环境已经成为研究热点.论文对能效的基本概念进行了阐述,并对能效的处理模式包括计算模型和测量方法以及基准测试进行了归纳总结,在此基础上对能效的关键技术进行深入的分析,最后归纳总结了高能效云环境面临的问题和挑战.     

A survey of mathematical models,simulation approaches and testbeds used for research in cloud computing

The first hurdle for carrying out research on cloud computing is the development of a suitable research platform. While cloud computing is primarily commercially-driven and commercial clouds are naturally realistic as research platforms, they do not provide to the scientist enough control for dependable experiments. On the other hand, research carried out using simulation, mathematical modelling or small prototypes may not necessarily be applicable in real clouds of larger scale. Previous surveys on cloud performance and energy-efficiency have focused on the technical mechanisms proposed to address these issues. Researchers of various disciplines and expertise can use them to identify areas where they can contribute with innovative technical solutions. This paper is meant to be complementary to these surveys. By providing the landscape of research platforms for cloud systems, our aim is to help researchers identify a suitable approach for modelling, simulation or prototype implementation on which they can develop and evaluate their technical solutions.     

面向移动云计算的自适应虚拟机调度算法

随着移动云计算的快速发展和应用普及,如何对移动云中心资源进行有效管理同时又降低能耗、确保资源高可用是目前移动云计算数据中心的热点问题之一.本文从CPU、内存、网络带宽和磁盘四个维度,建立了基于多目标优化的虚拟机调度模型VMSM-EUN(Virtual Machine Scheduling Model based on Energy consumption,Utility and minimum Number of servers),将最小化数据中心能耗、最大化数据中心效用以及最小化服务器数量作为调度目标.设计了基于改进粒子群的自适应参数调整的虚拟机调度算法VMSA-IPSO(Virtual Machine Scheduling Algorithm based on Improved Particle Swarm Optimization)来求解该模型.最后通过仿真实验验证了本文提出的调度算法的可行性与有效性.对比实验结果表明,本文设计的基于改进粒子群的自适应虚拟机调度算法在进行虚拟机调度时,能在降低能耗的同时提高数据中心效用.     

基于滚动优化的密码云实时任务阈值调度方法

针对当前云任务调度算法在密码云环境中无法实现任务实时处理的问题,提出一种基于滚动优化窗口的实时阈值调度方法。首先,将密钥调用环节融入密码任务流程中,提出一种密码云服务架构;其次,为实现任务的实时调度,构建基于滚动窗口的密码任务调度器模型和吞吐量分析模型,用于获得实时的吞吐量数据;最后,为满足云租户对高速密码服务的客观需求,提出吞吐量阈值调度算法,从而根据实时吞吐量相对于吞吐量阈值的变化情况实时迁移虚拟密码机。仿真结果表明,该方法与未采用滚动优化窗口或虚拟机迁移技术的方法相比,具有任务完成时间短、CPU占用率低的特点,且实时吞吐量能够持续保持在网络带宽的70%~85%,从而验证了其在密码云环境中的有效性和实时性。     

基于Kalman滤波的云数据中心能耗和性能优化

云数据中心虚拟机的动态整合需要跟踪服务器的运行状态,而服务器的运行状态会受到数据中心负载变化的影响,现有的CPU使用率预测方法大都只关注当前服务器的CPU利用率变化。提出了一个基于Kalman滤波的CPU使用率预测模型,建立了基于所有服务器CPU使用率变化系数的数据中心负载变化模型,详细描述了基于Kalman滤波的CPU使用率预测方法,讨论了云数据中心的能耗和性能评价指标。最后,为了验证基于Kalman滤波的CPU使用率预测算法的有效性,在CloudSim仿真系统和PlanetLab的五个数据集上进行了实验。实验结果表明,Kalman滤波能够较好地反映服务器CPU使用率的变化趋势,有效地降低数据中心的能耗,并保持较好的计算性能。     

SQL能耗建模及优化研究

IT系统能耗的节节攀升,使得设计新一代DBMS时必须考虑其能耗效率问题。由于SQL语句的执行过程大约消耗70%~90%的数据库资源,因此对SQL进行能耗建模及优化对提高数据库的能源使用效率具有重要的意义。在对SQL查询处理机制进行研究的基础上,构建了SQL能耗模型,并对一系列查询优化原则进行了实验,以表明不同优化原则对性能提升及能耗减少的有效性。实验及能耗数据分析表明:CPU利用率是影响系统功耗的最关键因素,SQL能耗优化方法可忽略内存优化且应该均衡考虑性能优化及功耗优化两方面,提出的SQL能耗模型及节能优化方法具有较强的应用价值。     

Improved Chameleon Swarm Optimization-Based Load Scheduling for IoT-Enabled Cloud Environment

Internet of things (IoT) and cloud computing (CC) becomes widespread in different application domains such as business, e-commerce, healthcare, etc. The recent developments of IoT technology have led to an increase in large amounts of data from various sources. In IoT enabled cloud environment, load scheduling remains a challenging process which is applied for ensuring network stability with maximum resource utilization. The load scheduling problem was regarded as an optimization problem that is solved by metaheuristics. In this view, this study develops a new Circle Chaotic Chameleon Swarm Optimization based Load Scheduling (C3SOA-LS) technique for IoT enabled cloud environment. The proposed C3SOA-LS technique intends to effectually schedule the tasks and balance the load uniformly in such a way that maximum resource utilization can be accomplished. Besides, the presented C3SOA-LS model involves the design of circle chaotic mapping (CCM) with the traditional chameleon swarm optimization (CSO) algorithm for improving the exploration process, shows the novelty of the work. The proposed C3SOA-LS model computes an objective with the minimization of energy consumption and makespan. The experimental outcome implied that the C3SOA-LS model has showcased improved performance and uniformly balances the load over other approaches.