文摘
增加服务用户的服务质量(QoS)需求高,更多和更有效的服务提出了计算模型。云计算的发展,雾计算和边缘计算带来了许多挑战,例如,QoS优化和节能。我们做一个全面调查QoS在云计算、优化和节能计算的雾,边缘计算和物联网环境。我们总结的主要挑战,分析现有工作提出相应的解决方案。这个调查的目的是帮助读者更深入地理解不同计算模型的概念和研究QoS优化和节能的技术在这些模型。
1。介绍
随着互联网的发展,越来越多的计算机技术开发。在这种情况下,越来越多的数据需要处理。用户的需求的增加会导致不同类型的计算模型的发展,比如云计算,计算的雾,和边缘计算。
云计算是一个早期的计算模型,数据处理做出了巨大的贡献。它提供了方便快捷网络访问共享的可配置资源,如网络和服务器。此外,配置和发布这些资源不需要服务提供商交互和管理(1]。云计算的结构如图1。
由于物联网的发展和人民日益增长的需求,基于云计算的物联网系统面临一些限制。在这种情况下,云计算不能起到好作用在大型或异构条件(3]。因此,一个新的计算模型雾计算是云计算的基础上发展起来的。与云计算相比,雾计算的主要优势是它云资源延伸到网络边缘。因此,雾计算可以促进资源的管理和服务4]。雾的结构计算如图2。
边缘计算允许执行操作在网络的边缘(2]。边缘计算指的是所有的资源计算和网络从数据源到云数据中心。边计算,计算是双向流动和在边缘计算既可以消费数据和生产数据。也就是说,他们不仅可以问云服务也进行计算工作的云(2]。边缘的结构计算如图3。
最受欢迎的边缘计算是MEC的体现,是指执行计算密集型和技术为移动设备对延迟敏感的任务。和它的理论是收集大量的免费的计算能力和存储资源位于网络的边缘。欧洲电信标准协会是第一个定义计算模型。MEC提供信息技术和云计算的功能在网络边缘。
扩散的物联网是由传感器、执行器、通信驱动的网络和其他设备。无线技术的发展,无线传感器网络技术和执行机构等节点,促进物联网技术的发展。随着物联网的发展,其应用已逐渐扩大,以覆盖越来越广泛的领域。然而,它总是旨在使计算机感知信息(6]。
探讨这些计算模型相关的重要文件。对于每个纸,我们指出它旨在解决的问题,介绍了解决方案提出。本文的主要贡献如下:(1)做一个全面调查QoS优化和节能的技术在不同的计算模型,(2)分类根据解决问题的论文评审工作,和(3)比较和总结每种类型的论文的主要特点。本文的结构部分2研究五节能技术在不同的计算模型,以及部分3本文总结道。
2。QoS优化和节能技术在不同的计算模型
在本节中,我们介绍了QoS的主要工作在不同的计算模型优化和节能技术。我们对这些作品进行分类意味着他们使用实现QoS优化和节能的目的,这是(1)服务质量(QoS)保证或服务水平协议(SLA)保证,(2)资源管理和分配,(3)科学工作流执行,服务器优化(4),(5)负载平衡。
2.1。QoS保证或SLA保证
提高QoS或减少违反SLA可以有效地保证传输带宽,减少传输延迟,并降低数据的丢包率。QoS和有限的资源之间的平衡可以实现节能。
2.1.1。云计算
Mazzucco et al。7)让云服务提供商通过减少电力消耗获得最大的收益。此外,他们的介绍和评估政策动态分配给服务器的开关。它可以优化用户体验,消耗最少的能源。他等。8)提出了一个基于服务的系统支持关键词搜索,在不同的搜索关键字代表不同的任务。这种方法可以帮助不专业服务用户构建面向服务的系统。太阳et al。9)提出了一个云服务选择方法测量和骨料之间的非线性关系的标准。和一个框架基于优先级的目的是确定标准关系和权重时历史信息是不够的。Mazzucco和Dyachuk10]也致力于制造云服务提供商获得最大的利润。他们提议驱动的动态分配策略服务器切换。该策略不仅使用户能够得到良好的服务,而且降低了功耗。现场服务器的数量决定了系统的状态,但是运行或关闭服务器不可能在一瞬间完成。所以重要的是要考虑的时间。考虑到服务器切换所需的时间短,公式(1)[10)代表的成本改变单位时间内运行的服务器数量。为了让用户有很好的经验,本文进一步使用预测方法来准确预测用户的需求:图示 在哪里t代表了观察时间,代表的服务器数量的状态变化随着时间的推移,代表一个硬件组件的状态改变的成本,代表了能源消耗在一个单位时间来改变状态,k代表的平均时间改变服务器的状态,和l代表组件的数量。
Mazzucco et al。7]和Mazzucco Dyachuk [10)两个探索策略降低电力成本的运行数据中心和改变开关状态的服务器。两种策略可以最大限度地提高用户的体验,同时节约能源。他们的区别在于Mazzucco Dyachuk [10)认为,不可能准确地预测用户的需求的变化。所以,相比之下,文献[7在文献[],提出的策略10容错。他等。11)提出了三种服务选择方法支持QoS和可以结合多租户服务的系统。这三种方法可以达到三度的多租户到期,这是更有效的比传统的单用户的方法。太阳et al。12)提出了一个统一的语义模型来描述云服务。这个模型扩展统一服务描述语言的基本结构。它定义了一个事务模块模型评级系统从不同角度为云服务。所以,它可以提高模型的能力服务排名。此外,一个注释系统提出了丰富语言表达。王等人。13)提出了一个基于多租户服务临界容错策略,可以提供关键部件冗余服务,评估每个组件的临界服务来确定最优容错策略。因此,基于多租户服务体系的质量可以得到保证。穆斯塔法等。14]杠杆工作负载整合提高能源效率的概念,将传入的工作在尽可能少的服务器。SLA的概念也进口最小化总违反SLA。考虑到工作量的变化随着时间的推移变化所需的CPU利用率。所以,一个积分函数(公式(2)[14)用于表示的总能量(E)被一个服务器(年代)操作: 在哪里P是能量消耗的服务器的CPU利用率(u)时间t。
Bi et al。15)建立了一个体系结构,可以在云数据中心首先管理本身。体系结构适用于web应用程序的服务水平和虚拟化机制。然后,提出了一种混合排队模型来决定虚拟机(vm)的数量每一层的应用程序服务环境。公式(3)[15是用来表示可以由当地的利润我虚拟化应用程序服务环境。最后,错位的问题约束优化和提出了一个启发式混合优化算法。他们可以赚更多的收入,满足不同客户的需求: 在哪里 , , ,和 ,分别代表了总收益,vm的罚款,损失,成本。
辛格et al。16)提出了一个技术叫星可管理资源的云计算环境,减少违反SLA。所以,云服务的付款效率可以提高。Beloglazov和Buyya17)提出了一个系统来管理能量云数据中心。vm和动态重新分配虚拟机,通过持续集成系统可以实现节能的目标,同时提供QoS级别高。Guazzone et al。18)提出了一个自动管理系统(见图4)对资源来提供特定的QoS级别和减少能源消耗。资源管理器的框架如图4将虚拟化技术和control-theoretic技术相结合。虚拟化技术将每个应用程序部署到独立的虚拟机。和control-theoretic技术实现自动管理计算机性能和能量消耗。此外,资源管理器包括几个独立的组件应用程序管理器,物理机器的经理,和迁移管理器。不同于传统的静态方法,该方法既能动态地适应不断变化的工作负载,实现成果显著减少QoS违规。太阳et al。19)建立了一个模型来简化云资源分配的决策,实现独立的资源分配。最优资源配置,所以QoS需求可以满足。Siddesh和Srinivasa20.]探索动态资源分配和SLA保证的问题。他们提出了一个框架来处理异构负载类型通过动态规划计算能力和评估风险。框架使用调度方法来降低SLA违反风险和收入最大化资源分配。
加戈et al。21)提出了一种虚拟机动态分配的资源分配策略。该策略可以提高资源利用率,增加供应商的利润,并减少违反SLA。京et al。22)提出了一种新的动态分配技术使用混合队列模型,满足客户的不同需求的性能通过提供虚拟化资源虚拟化应用程序服务层。所有这些方法都能合理配置资源的云数据中心,改善系统性能,减少使用资源的额外成本,满足所需的QoS。
Qi et al。23)提出了一个QoS-aware VM调度策略命名QVMS满足QoS。首先,调度问题转化为一个问题与几个目标。然后最优VM迁移方法是根据遗传算法找到。调度策略可以有效地管理资源的网络物理系统,从而减少能源消耗和提高QoS的水平。Qi et al。25)提出了一个服务推荐策略,考虑到时间因素来改善传统location-sensitive散列技术。政策强调动态的影响因素对QoS和保护用户的隐私。
表1显示了上述工作的总结。在表的解决问题1在云计算环境中可以提高QoS。服务器管理指的是动态地分配给服务器的开关。工作负载整合是指结合节能工作。VM管理是指合理调度或集成的虚拟机来实现更好的性能。自我管理指的是实现自我管理的资源,从而获得更高的效率。资源管理是指正确的分配的资源来减少浪费。服务管理是关于如何选择合理的服务26]。
2.1.2。雾计算
顾et al。27)使用雾计算过程所产生的大量数据的医疗设备和建立雾计算支持医疗Cyber-Physical制度(FC-MCPS)。为了降低FC-MCPS的成本,研究进行了联合的基站,任务分配,和VM的布局。问题是建模为一个混合整数线性规划(MILP)。一个两阶段启发式算法提出了基于线性规划(LP)来解决这个问题。倪et al。28)提出了一个基于雾计算资源分配的方法,可以让用户选择独立资源。此外,这种方法考虑了价格和所需的时间完成这项工作。公式(4)[28用于定义可信度的资源收到 ,当用户与资源 : 的价值 , ,可由用户或实际情况, , , ,和是对应的索引服务的响应速度,执行的效率,重新启动的速度,分别和可靠性。
2.1.3。边缘计算
魏et al。29日)提出了一个统一的框架中计算节约能源可持续发展的优势,包括分布式和可再生的能源。的体系结构可以结合系统供应能源和边缘服务,它可以充分利用可再生能源和提供更好的QoS。赖et al。30.为边缘用户)提出了一个优化分配方法。方法不仅能最大化的资源分配给用户,还考虑动态用户的QoS级别。因此,边缘用户分配问题可以更普遍和改善质量的经验。
2.1.4。MEC
徐et al。31日]车链用于改善传统的众包技术。首先,他们提出了一个移动众包框架使用块链技术来保护用户隐私。然后,他们使用动态规划的战略聚类算法对请求者进行分类。最后,他们生成的服务策略来平衡利润和能源消耗。
2.1.5节讨论。物联网
Rolik et al。32)提出了一个方法来构建一个基于microcloud物联网基础设施框架。方法可以帮助用户合理利用资源,降低管理成本的基础设施,提高消费者的生活质量。他等。33)提出了一个动态网络策略。网片可以根据时变动态调整资源的要求。这种方法可以提高底层资源的利用率和更好的满足不同的QoS要求。姚和安萨里34)提出了一个算法来确定数量的vm租和控制电源。因此,系统的成本最小化和QoS可以改善。公式(5)[34)是用来限制延迟QoS要求。延期不得超过总计算每个任务的最后期限,和总延迟是由无线传输延迟和雾处理延迟: 在哪里c和 ,分别代表了雾处理和无线传输,我代表一个位置,代表的延迟处理,代表了无线传输的延迟,表示最后期限N表示不同的位置。
2.2。资源管理和分配
合理分配资源节约能源是一种有效的手段。
2.2.1。云计算
王等人。35]介绍了一种基于分布式分配方法可替换主体将vm分配给物理机器。该方法可以实现虚拟机整合和同时考虑迁移成本。此外,虚拟机迁移机制提出了基于当地谈判避免不必要的虚拟机迁移成本。哈桑et al。37)建立了一个配方的普遍问题,并提出了一个启发式算法优化参数。在此配方下,动态资源配置能满足QoS需求的应用程序。和动态资源分配所需的成本与该算法可以最小化。吴et al。38)提出了一个调度算法的基础上,技术可以在云计算规模动态电压频率。该算法可以分配资源来执行任务,实现低功耗网络基础设施。与其他方案相比,该方案不仅牺牲执行操作的性能,也可以节省更多的能量。
Sarbazi和Zomaya45)使用两个工作整合启发式方法来节约能源。一个是MaxUtil更好地利用资源,另一个是节能任务整合减少能源消耗。这两个方法可以促进多个任务的并发执行,提高能源效率。许et al。46)提出了一个工作整合技术来减少能源消耗。公式(6)[46定义了虚拟机的能耗从时间来集群中定义。和公式(7)[46)定义了能源消费总量在虚拟集群 ,的时期。此外,该技术限制了CPU使用率和合并任务在虚拟集群。一旦任务迁移发生,能源成本模型会考虑网络延迟。Sarbazi-Azad和Zomaya45和许等。46)两个云资源利用效益的最大化的任务合并技术。Sarbazi-Azad和Zomaya45)使用一个名为MaxUtil的贪婪算法。同时,许et al。46)考虑迁移与任务相关的网络延迟。所以,在[46),改进达到了17% MaxUtil: 在哪里在单位时间和能源消耗n是集群中虚拟机的数量。
许et al。47)提出了一种基于能量感知任务集成技术。根据大多数云系统的特点,使用70%的CPU的原则提出了管理工作集成在虚拟集群。这种技术是非常有效的减少能源消耗在云系统通过合并任务。熊猫和Jana48与若干标准]提出了一种算法,结合任务。算法不仅考虑处理作业所需的时间,还考虑虚拟机的利用率。和算法更节能,因为它不仅考虑了处理时间也vm的利用率。小王和苏39)提出了一个资源分配算法来处理各种各样的云环境中节点之间的通信。这个算法使用识别技术来动态地分配工作,根据计算节点的存储能力和因素。时,它可以减少交通分配资源,因为它使用动态层次结构。林等。40拍卖)提出了一种动态资源分配的方法。这种方法可以确保即使有许多用户和资源,供应商将有合理的利润和计算资源分配的正确。Yazir et al。41)提出了一种新的方法动态地管理资源和自主。首先,资源管理分为工作和执行每个作业由自治节点。第二,自主节点使用的方法称为PROMETHEE法来配置资源。Krishnajyothi [36)提出了一个框架,它可以实现并行任务处理解决提交大型任务时效率低的问题。与静态框架相比,此框架可以动态地分配虚拟机,从而降低成本和处理任务的时间。林等。42)提出了一种利用阈值方法动态地分配资源。因为这种方法使用阈值,它可以优化资源配置,提高资源的使用率,降低成本。徐et al。43)提出了一个数据生成的数据放置策略命名IDP神往的设备来实现合理的数据放置。通过这种方式,这些数据的隐私保护,合理恰当地分配了资源。乔et al。44)提出了一个计算卸载框架下5 g网络。框架转移到云计算负担,从而降低客户的计算负载和沟通成本。
表2显示了上述工作的总结。云计算资源分配和管理的问题可分为表的问题2。VM管理是关于一个VM的合理配置。资源分配是动态和灵活的资源分配。任务集成是指结合任务节约能源和提高效率。
2.2.2。雾计算
阴et al。49)建立了一个新的模型的调度工作,适用于容器。为了确保工作可以按时完成,作业调度算法。该算法还可以优化任务的数量可以在雾中的节点进行计算。并提出了一种再分配机制,缩短任务的延迟。这些方法非常有效地降低任务延迟。Aazam和哈50)建立了一个框架来有效管理资源雾模式的计算。考虑到有各种类型的对象和设备,它们之间的连接可能会不稳定。因此,提出了一种方法来预测和管理资源。该方法认为任何对象或设备可以使用资源随时退出。Cuong et al。5]研究了分配资源共同问题和碳足迹最小化的问题在雾中数据中心。公式(8)[5是用来表示服务器的能源消耗。此外,分布式算法来解决各种问题的优化: 在哪里代表了服务器在数据中心所需的电源;y表示视频;κ代表一个转换因子,将视频转换成工作负载;C代表了数据中心的负载能力;和和 ,分别表示空闲服务器的功率和峰值功率。
贾et al。51)研究问题的计算资源分配在雾中计算网络三个层次。首先,资源分配问题转化为一个双边匹配最优的问题。然后bi-matching方法提出了这个问题,它可以提高系统的性能和获得更高的成本效率。Zhang et al。52)提出了一种联合优化框架下雾雾计算分配节点的有限的计算资源。框架可以达到最好的分配和有效改善网络的性能。谭et al。53)提出了一个方法来分配计算和通信资源。方法转移云计算远程工作和节点和简化边缘节点的计算和计算能量。塞·伐斯冈萨雷斯等他。54)开发了一个平台来分配资源访问客户端设备在雾计算环境中,资源分配主机附近的设备来满足应用需求的快速响应的计算资源。Aazam et al。55)提出了一个方法来估计和管理资源在雾中计算。客户放弃的方法是基于波动概率,类型和服务的价格,等等。
表3显示了上述工作的总结。在表的问题3也来源于资源分配和管理问题。任务分配了任务的调度和分配。资源分配仍然是动态和灵活的资源分配。低延迟是指采取短时间配置和管理资源,从而提高效率。
2.2.3。边缘计算
东et al。56)提出了一种新的框架,基于市场需求的资源分配。资源来自边缘节点(ENs)异构能力有限,分配给多个服务网络上的竞争优势。生成一个市场均衡解决方案通过合理定价存在可以获得边际计算资源的最大利用率。徐et al。57)提出了一种优化卸载和隐私保护策略。这一战略转变的任务首先改善资源有限的边缘细胞的资源利用率。然后它平衡QoS性能和隐私保护实现联合优化。
徐et al。58)提出了一个卸载策略计算5 g网络边缘,它使用块链技术。通过使用获得的最优策略进一步平衡卸载方法。它解决了数据丢失的问题,传输延迟的情况下,这是由不均匀引起的用户设备资源的需求。徐et al。59)提出了一个计算卸载方法命名EACO减少能源消耗在智能计算模型。图5智能计算边缘的显示架构,用于卸载任务的最短路径。EACO使用遗传算法来减少操作边缘计算节点的能量消耗,提高执行复杂的计算任务的效率。徐et al。60)提出了一个计算卸载策略边缘计算互联汽车网络的保护隐私。他们首先分析隐私权冲突的任务。然后他们设计了交流途径获得路由车辆,可以实现多个目标的优化。然而et al。61年)提出了一个独特的资源配置机制。机制将每个任务作为资源分配的基础,而不是对整个服务。它减少了丢包率和节省能源的卸货服务。
2.2.4。MEC
陈等人。62年]研究了计算卸货的问题和几个用户MEC无线干扰的环境中有很多渠道。此外,分布式算法计算卸载。该算法能很好地执行卸载即使有大量的用户。高et al。63年)建立了一个二次二进制程序,它能够在移动云计算环境中分配的任务。提出了两种算法获得最优解。这两个启发式算法可以有效地解决任务分配问题。徐et al。64年)提出了一个卸载方法使用块链技术。它可以保证数据的损失在卸载任务计算边缘。它可以解决问题的资源请求的比例由于有限的边缘负荷计算设备在任务转移。Yifei et al。65年)提出了一个模范自由强化学习框架来解决计算问题的卸载。这个模型可以应用于计算卸载与图示计算请求。
2.2.5。物联网
Barcelo et al。66年)表示服务分配的问题(67年)作为一个混流LP最小成本问题可以解决,解决这个服务分配问题可以解决网络负载不平衡的问题和延迟的端到端服务。,它还可以找出的问题集中的架构带来的过度消费的电力云。Angelakis et al。68年)分配的需求服务资源异构网络接口设备。所以,更多的异构网络接口可以使用大量的服务。
李等人。69年)拟议中的5 g通信框架和研究分配功率和通道的问题。因此,可用频道的信号数据和总能量效率最大。公式(9)[69年)展示了如何计算系统的能源效率: 在哪里和 ,分别表示传感器和致动器的能源效率一个在频道。集传感器、执行器和通道,分别表示为 , ,和 。
刘等人。70年]在物联网研究有效地分配资源的问题,无线电力供应。在这种方法中,用户首先分为访问通道。然后配电的用户分组在同一通道研究来提高网络的吞吐量。该方法可以一大群用户分配有限的资源。埃贾兹·和Ibnkahla正在71年)提出了资源分配和几个乐队在认知框架5 g物联网。物联网在高度动态的环境中,多波段方法可以更灵活地管理资源和降低能源消耗。此外,重建方法与几个水平提出了合理分配资源的应用程序不同的QoS需求。Colistra et al。72年)提出了一个协议,分布式和异构物联网的最优分配资源。因为这个协议具有良好的适应性变化的拓扑结构的网络,它可以在节点之间均匀地分配资源。剑et al。73年)提出了一种多级使用先进技术为物联网通信资源分配算法。该算法使用层次结构和快速数据处理速度和非常低的延迟在饱和或不饱和的环境。
郑,刘74年)提出了一种新的算法来动态分配带宽控制物联网远程计算机。这种方法可以减少误差信号重建相同的带宽,使物联网的带宽分配更加合理。蘑菇和邱75年)利用强化学习机制来分配资源来实现高质量的体验。这种方法可以有效地解决资源分配问题不匹配造成的服务质量和复杂的物联网服务提供条件。
表4显示了上述工作的总结。这个问题在表4代表了实现动态和灵活的资源分配。这里的资源可以代表频道,带宽,和权力。
2.3。科学工作流执行
实施科学的工作流程,尤其是在异构环境中,可以减少资源浪费,减少能源成本。科学工作流可以通过合理分配资源和动态部署vm。
2.3.1。云计算
徐et al。76年)提出了一个资源分配方法称为EnRealan解决能源消耗的问题。的动态部署虚拟机一般采用科学工作流执行。Bousselmi et al。77年)提出了一种基于能量感知的调度方法执行科学工作流在云计算。起初,分裂工作流能量最小化的算法,可以实现高并行性没有巨大的能源消耗。然后,提出了一种启发式算法用来优化猫群的创建分区。该算法可以减少能源的总消费和工作流的执行时间。索尼娅et al。78年)提出了一种工作流调度方法与几个对象和混合粒子群优化算法。此外,提出了动态缩放的电压和频率的方法。该方法可以在任何电压使处理器工作水平,以减少能源消耗的过程工作流调度。两个Bousselmi et al。77年)和索尼娅et al。78年)使用调度方法实现科学工作流和研究能源消耗的问题。所不同的是,Bousselmi et al。77年着重于密集型计算任务,而索尼娅et al。78年)关注工作流调度异构计算系统。
曹(79年)建立了一个科学工作流调度算法和节能的目的。该算法可以使服务提供商获得高额利润和减少用户的开销在同一时间。李等人。80年)提出了一个基于云计算的调度算法,它可以在指定的时间最小化工作流的执行成本。此外,租来的VM修改进一步节省成本。Khaleel和朱81年)提出了一个调度算法,把科学工作流模型充分利用云资源和节约能源。施等。82年)设计了一个灵活的资源分配和任务调度机制实现科学工作流。因为这种机制可以实现科学工作流在规定的预算和最后期限,所以它可以比其他工作机制。
表5显示了上述工作的总结。在表的问题5来自科学工作流的实现。VM部署是指合理配置VM。工作流调度是指减少调度能量和时间。此外,它是指在异构系统工作流的调度。降低成本是指减少工作流执行的成本。有效实施是关于科学工作流执行在一个指定的预算和时间。
2.4。服务器优化
服务器的优化也是一个节约能源的好方法。优化的目标服务器可以通过卸载不必要的服务器或整合服务器,以及通过合理调度任务。不同QoS优化,服务器优化旨在优化使用服务器的数量,提高了服务器的能源效率,并巩固服务器。然而,QoS优化研究如何让用户得到更好的体验和满足他们的需求。
2.4.1。云计算
通用电气等。83年)提出了博弈论的方法和能量最小化的问题变成一个拥堵的游戏。这个方法的所有移动设备参与这个游戏。方法选择卸载计算任务的服务器优化QoS级别和节约能源,可优化系统,节约能源。王等人。84年)提出了一个MapReduce-based多任务调度算法来实现节能的目的。这个模型是一个两层的模型,认为服务器性能变化对能耗的影响,以及网络带宽的限制。此外,局部搜索算子设计,在此基础上提出了一个两层遗传算法。该算法可以在云调度成千上万的任务,实现大规模的优化。Yanggratoke et al。85年)提出了一个一般通用的八卦协议,针对云计算环境中资源配置。这个协议的实例化是使服务器整合分配资源开发更多服务器,以满足不断变化的负载模式。
2.5。负载平衡
负载平衡可以帮助节约能源管理的服务器数量和分配资源。
2.5.1。云计算
付和Marinescu86年]介绍了一个操作模式,云计算平衡负载和扩展应用程序来节约能源。这个模型的原则是定义一个操作系统。系统应该尽可能多的使服务器运行在系统中。没有正在执行任务时,系统应该调整服务器睡眠,从而可以减少能源消耗。Justafort et al。87年)主要研究工作负载分布在云计算环境的问题,提出了一个方法来解决这个问题的VM布局。因此,可以有效地减少碳的排放量。Panwar和Mallick88年)提出了一个算法来动态管理和有效分配的负载vm之间总传入的请求。通过有效和统一的资源利用率,该算法可以实现服务器间负载均匀分布。杨et al。89年)提出了一个电源管理机制来平衡负载。该系统可以监控虚拟机和动态地分配资源。杨et al。90年)提出了一个动态优化系统更好地分配资源,可以平衡加载多个物理机器上运行的vm。在这个系统下,可以自动迁移虚拟机调整高低负荷而不中断服务。杨et al。89年,90年)管理虚拟机来实现负载平衡。他们分配资源动态迁移虚拟机,它可以平衡工作负载在不同的物理机器上。所不同的是,杨et al。89年)集成与OpenNebula动态资源分配方法。同时,杨et al。90年专注VM迁移期间避免服务中断。
表6显示了上述工作的总结。在表的问题6来自负载平衡问题。服务器管理是关于控制系统中运行的服务器的数量。工作负载管理的合理分配工作负载或任务。VM配置VM资源和管理是指将虚拟机迁移到调整负载。
2.5.2。雾计算
徐et al。91年)提出了一个名为“DRAM”的方法来动态地分配资源在雾计算环境中,既可以避免过高和过低的负载。该方法首先分析了不同类型的计算节点的负载平衡。然后设计一个雾资源分配方法实现负载平衡,分配资源静态和动态迁移服务。Oueis et al。92年)研究了在雾计算负载平衡问题。一个定制的雾聚类算法来解决这个问题。的问题,一些用户需要卸载计算和他们所有的要求必须由当地计算集群。
2.5.3。物联网
王等人。93年)建立建筑节能目标系统的工业物联网。此外,为了预测睡眠间隔,他们开发了一种睡眠调度和协议之后,为节能提供了一个更好的方法。
3所示。结论
本文做了一个全面研究QoS优化和节能的云计算,计算边缘,雾计算和物联网模型。我们总结了五个主要问题,分析了现有的作品提出的解决方案。通过开展这次调查,我们的目标是帮助读者更深入地理解不同计算模型的概念和QoS技术在这些模型优化和节能。
研究论文关注问题保证QoS和减少违反SLA和资源管理。对于QoS保证和减少违反SLA, QoS保证的主要解决方案是有效的虚拟机管理。这个解决方案可以满足客户的需求通过vm的合理调度和集成。大部分的资源管理技术实现了资源的合理调度,可以减少浪费vm,服务器和交通。
信息披露
这手稿是一项调查的扩展云QoS优化和节能的优势,物联网在9日EAI云计算国际会议。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项工作得到了国家自然科学基金(批准号61702274),江苏省自然科学基金(批准号BK20170958)和PAPD。