云环境下利用用户到数据中心建模的高效节能路由算法

针对云计算用户、服务、供应商和数据中心的密度不断增长导致传输数据、网络流量和基础设施的大量能耗问题,提出针对云数据的高效节能路由算法。其目的是在用户和数据中心之间定位出最低能量消耗路线,同时确保用户需求。首先,对用户到数据中心的连通性进行建模,分析了网络拓扑结构;然后为了用户意图最简化和能量最小化,通过遍历节点最小数的基线最短路径算法进行评估,将用户任务通过最节能路径发送到数据中心,从而最小化能量损耗和服务响应时间(SRT)。实验的网络拓扑结构使用互联网服务提供商(ISP)的分支设计。实验结果表明提出的算法具有更短的路由路径长度和更低的路由能耗。此外,最短路径方法只有在成功发送或接收之后才能确定最节能的路由。     

面向云计算数据中心的能耗建模方法

云计算对计算能力的需求,促进了大规模数据中心的飞速发展.与此同时,云计算数据中心产生了巨大的能耗.由于云计算的弹性服务和可扩展性等特性,云计算数据中心的硬件规模近年来极度膨胀,这使得过去分散的能耗问题变成了集中的能耗问题.因此,深入研究云计算数据中心的节能问题具有重要意义.为此,针对云计算数据中心的能耗问题,提出了一种精确度高的能耗模型来预测云计算数据中心单台服务器的能耗状况.精确的能量模型是很多能耗感知资源调度方法的研究基础,在大多数现有的云计算能耗研究中,多采用线性模型来描述能耗和资源利用率之间的关系.然而随着云计算数据中心服务器体系结构的变化,能耗和资源使用率的关系已经难以用简单的线性函数来描述.因此,从处理器性能计数器和系统使用情况入手,结合多元线性回归和非线性回归的数学方法,分析总结了不同参数和方法对服务器能耗建模的影响,提出了适合云计算数据中心基础架构的服务器能耗模型.实验结果表明,该能耗模型在只监控系统使用率的情况下,在系统稳定后,能耗预测精度可达到95%以上.     

数据中心能耗模型及能效算法综述

近年来,云计算技术发展迅猛.作为云计算的物理平台和重要基础设施,数据中心的数量和规模都得到了前所未有的发展.与此同时,数据中心极低的资源利用率和巨大的能耗问题日益突出,数据中心能效的研究已经成为了近年来学术界与工业界关注的热点.针对数据中心能效的基本问题,研究了基于资源和任务调度的数据中心节能关键技术,从能效模型与能效算法的角度总结了数据中心服务器系统与网络系统的节能研究进展和最新成果,涵盖能效分析、能耗模型、分类标准和策略算法4个方面,并且展望了数据中心能效优化研究的发展趋势.     

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.     

大数据云中心虚拟机资源高效分配应用研究

为降低大数据云中心的能量消耗和实现资源的优化配置,提出一种虚拟机资源高效分配策略;提出的策略对选定的特征上具备相似性任务分组的聚类进行定义,将各组任务映射到定制化的高效虚拟机类型;其高效指的是以最低限度的资源损耗成功执行任务;虚拟机的相关参数为核数量、内存量和存储量;虚拟机分配基于日志中提取的历史数据,并以任务的使用模式为基础;提出的资源分配策略以任务的实际资源使用量为基础,实现了能源消耗的降低;实验结果表明:不同聚类任务下,提出的虚拟机资源分配策略可以大幅节约能源消耗,具有较低的平均任务拒绝次数。     

Thermo-Fluids Provisioning of a High Performance High Density Data Center

Consolidation and dense aggregation of slim compute, storage and networking hardware has resulted in high power density data centers. The high power density resulting from current and future generations of servers necessitates detailed thermo-fluids analysis to provision the cooling resources in a given data center for reliable operation. The analysis must also predict the impact on the thermo-fluid distribution due to changes in hardware configuration and building infrastructure such as a sudden failure in data center cooling resources. The objective of the analysis is to assure availability of adequate cooling resources to match the heat load, which is typically non-uniformly distributed and characterized by high-localized power density. This study presents an analysis of an example modern data center with a view of the magnitude of temperature variation and impact of a failure. Initially, static provisioning for a given distribution of heat loads and cooling resources is achieved to produce a reference state. A perturbation in reference state is introduced to simulate a very plausible scenario—failure of a computer room air conditioning (CRAC) unit. The transient model shows the “redlining” of inlet temperature of systems in the area that is most influenced by the failed CRAC. In this example high-density data center, the time to reach unacceptable inlet temperature is less than 80 seconds based on an example temperature set point limit of 40°C (most of today's servers would require an inlet temperature below 35°C to operate). An effective approach to resolve this issue, if there is adequate capacity, is to migrate the compute workload to other available systems within the data center to reduce the inlet temperature to the servers to an acceptable level. Recommended by: Ahmed Elmagarmid     

云计算数据中心虚拟机节能管理机制研究

云计算数据中心的耗电量巨大,但绝大多数的云计算数据中心并没有取得较高的资源利用率,通常只有15%-20%,有相当数量的服务器处于闲置工作状态,导致大量的能耗白白浪费。为了能够有效降低云计算数据中心的能耗,提出了一种适用于异构集群系统的云计算数据中心虚拟机节能调度算法(PVMAP算法),仿真实验结果表明：与经典算法PABFD相比,PVMAP算法的能耗明显更低,可扩展性与稳定性都更好。与此同时,随着〈Hosts,VMs〉数目的不断增加,PVMAP 算法虚拟机迁移总数和关闭主机总数的增长幅度都要低于PABFD算法。     

面向大数据分析作业的启发式云资源供给方法

云计算已成为大数据分析作业的主流运行支撑环境,选择合适的云资源优化其性能面临巨大挑战.当前研究主要考虑大数据分析框架(如Hadoop,Spark等)的多样性,采用机器学习方法进行资源供给,但样本少容易陷入局部最优解.提出了大数据环境下基于负载分类的启发式云资源供给方法RP-CH,基于云资源共享特点,获取其他大数据分析作业的运行时监测和云资源配置信息,建立负载分类与优化云资源配置的启发式规则,并将该规则作用到贝叶斯优化算法的收益函数.基于HiBench,SparkBench测试基准的结果显示:RP-CH相对于已有方法 CherryPick、大数据分析作业的性能平均提升了58%,成本平均减少了44%.     

基于DVFS感知与虚拟机动态合并的云数据中心能效策略

为了解决云数据中心资源分配时能耗与性能间的均衡问题,提出了一种基于DVFS感知与虚拟机动态合并的能效优化策略。首先,策略通过新的DVFS管理算法（DVFS-perf）在不降低系统性能的同时降低了数据中心功耗,然后,通过频率感知的虚拟机VM部署合并算法（Frequency-aware Placement）在实现DVFS最优配置的同时最小化总体能耗,同时确保了虚拟机映射时的QoS保障。最后,通过真实云负载数据流构建仿真实验进行了性能分析。结果表明,在动态负载条件下,策略可以在不降低QoS和不增加SLA违例的情况下,降低虚拟机迁移次数和数据中心的总体能耗,更好地实现能耗与性能的均衡。     

基于软件定义数据中心网络的节能路由算法

由于数据中心网络是云计算和下一代网络技术的平台和基础设施,日益增长的网络数据在满足用户需求的同时,也大幅增加了数据中心的能耗.许多针对数据中心网络的节能策略被提出,多数采用硬件与软件相结合的策略来完成节能模型的设计.为了进一步降低能耗,从网络负载均衡和节能路由设计的角度提出了一种新的节能路由算法,其基本思想是首先对负载均衡进行量化分析,然后提出带宽限定的负载均衡与节能相结合的节能路由算法,充分考虑到网络整体的可达性和可靠性.该算法为数据中心节能提供了一种新的视角.通过与传统的节能路由作比较,验证了该算法能够在保证较高网络可靠性的同时能耗较低.通过对实验数据的分析和解释得到了若干有益的结论,为进一步的研究工作奠定了基础.     

云环境的校园网数据中心安全策略

在校园网安全策略中,传统的高校数据中心仅把流量安全当作考虑因素,而云计算环境下虚拟化数据中心的安全模型则由二维变为三维,本文提出了四种安全策略,并设计了云环境下的校园网数据中心安全与设备部署,从而提高云环境下的校园网数据中心安全．     

云计算之数据中心网络的发展

数据中心是云计算所依赖的核心基础设施,而数据中心网络则是数据中心的基础,关系到数据中心的性能、规模、可扩展性和管理性。本文分析了当前主要数据中心网络结构的不足,对当前数据中心网络的研究现状进行了分析和对比,并对未来数据中心网络的发展和应用作了展望。     

惠普发布高效模块化数据中心

<正>近日惠普发布了全球最高效的模块化数据中心,HP EcoPOD为客户显著节省时间、成本和能耗,其部署速度比竞品更快,仅需12周时间,并且成本只有传统数据中心的四分之一。HP POD 240a,也被称为"HP Eco-POD",其设备能耗减少了95%,进一步加强了惠普在模块化数据中心领域的领先     

基于能源互联网企业云计算数据中心的安全关键技术研究

随着云计算的发展,越来越多的领域涉及到这项技术,尤其在能源互联网中。能源互联网中能源流和信息流交错偶合在一起,其分布式的特征与海量数据十分需要集合云计算进行处理。本文主要分析了能源互联网的信息特征,考量了云计算的安全防护策略,重点在对数据文件的动态处理的安全关键技术进行设计与验证,基于分层的Merkle Hash Tree方案,保证了对于信息流的有效把控和安全防护,具有一定的积极意义。     

数据中心在云计算需求下的技术分析

对当前云计算环境下为互联网数据中心（IDC）带来的新特性及需求进行分析．针对现有非云计算数据中心的网络体系、协议和管理总结其在云计算场景下的不足。同时归纳目前阶段云计算数据中心领域在新需求下出现的主要新技术．并对未来的研究思路及待解决问题进行展望。     

基于医疗健康云平台的数据分析云服务研究

云计算的出现推进了不同应用领域的新发展,对医疗卫生行业更是提出了新的机遇和挑战.首先设计了提供医疗数据分析服务的医疗健康云平台框架以及部署.其次,在此平台上针对多租户请求应用,提出了基于队列模型的请求调度策略.实验结果验证此框架设计下提出方法的有效性.     

云计算环境下的数据挖掘服务模式

为了求解网络环境下分布式海量数据的分析处理、促进数据挖掘的开发集成和商业应用,提出了云计算环境下的数据挖掘解决方案,通过云环境计算能力和云计算服务模式,阐述了对数据挖掘服务问题的解决机理。云计算环境下的数据挖掘是一种网络环境下的信息资源服务模式。基于此,构建了数据挖掘服务的架构,设计了数据挖掘服务的创建流程,给出了数据挖掘服务模型的体系结构,并从生命周期的角度定义了数据挖掘的服务过程,从而形成了云计算环境下的数据挖掘服务模式。