基于云计算的高速铁路数据放置策略

摘要

高速铁路数据共享是数据密集型计算的典型应用，是我国交通运输数据共享系统的重要组成部分。目前，大多数高速铁路数据都是在云计算环境下共享的。因此，迫切需要一种有效的基于云计算的高速铁路数据放置策略。提出了一种新的数据放置策略——层次结构数据放置策略。该方法结合了半定规划算法和动态区间映射算法。半定规划算法适用于具有多种副本的文件的放置，保证一个文件的不同副本被放置在不同的存储设备上，而动态间隔映射算法则保证了数据存储系统更好的自适应性。针对大规模网络，提出了一种分层数据放置策略。本文提出了一种新的理论分析方法，并将其与以往的几种数据放置方法进行了比较，在若干实验中证明了该方法的有效性。

1.介绍

随着信息技术的发展和普及，互联网逐渐发展成为各种计算平台。云计算是一种典型的网络计算模式，它强调在虚拟计算环境中运行大规模应用的可扩展性和可用性[1.]．基于云计算的大规模网络应用展现出分布式、异构性和数据强度的趋势[2.]．在云计算环境下，数据的存储和运营是一种服务[3.]．有各种类型的数据，包括普通文件、大型二进制文件(如虚拟机映像文件)、格式化数据(如XML)和数据库中的关系数据。因此，云计算的分布式存储服务必须考虑各种数据类型的大规模存储机制，以及数据操作的性能、可靠性、安全性和简便性。高速铁路数据作为我国交通科学数据共享系统的重要组成部分，是优化运营组织的关键。高速铁路数据共享系统具有典型的数据密集型应用特点[4.–6.]，对大量分布式数据的管理至关重要。这主要反映在It处理的数据量通常达到TB甚至PB级，这包括现有的输入数据源和过程中产生的中间/最终结果数据。

在云计算环境下数据密集型应用的实施和执行过程中，以及建立大规模存储系统以满足快速增长的数据存储容量需求的过程中，主要的挑战是如何有效地将pb级的数据分发到数十万个存储设备上。因此，需要一种有效的数据放置算法。

2.设计高速铁路数据配置策略的目标

云计算环境下的网络存储由成千上万的存储设备组成。不同的系统有不同的底层设备，例如存储设备集可以是SAN和GFPS的块设备磁盘，对象存储系统Lustre和ActiveScale的OSD(对象存储设备)，PVFS和P2P的PC [7.]．数据放置策略主要解决数据存储时选择存储设备的问题。采用有效的机制建立数据集与存储设备集的映射关系。然后，将存储系统中的应用生成的数据集放置到不同的存储设备集中。同时，需要满足特定的目标，针对不同的目的设计不同的数据放置策略。例如RAID中的剥离技术主要是为了获取聚合的I/O带宽。将多个数据复制到不同设备的策略主要是为了实现容错和提高数据可靠性。平均分布数据可以实现更均衡的I/O负载。

云计算环境下的高速铁路数据放置策略旨在满足以下目标。

２.１.公平

存储在每个设备中的数据大小与该设备的存储容量成正比[8.]．

２.２.自适应性

随着时间的推移，存储设备的容量是动态变化的。以添加新设备和删除已有设备为例进行说明。当存储系统规模发生变化时，采用数据放置策略对数据进行重组，使分布到设备集的数据重新满足公平性标准。同时，需要保证迁移后的数据量接近最优迁移数据量。这将减少数据迁移的开销。迁移的最佳数据量等于新增设备获取的数据量，或等于删除设备上的数据量。数据放置策略的自适应性通过其实际迁移数据量与最优迁移数据量的比值来衡量。因此，ratio值为1.0表示最优条件。

2．3.冗余

为数据复制多个副本，或当其中一个副本丢失时，通过使用erasure code使数据保持可访问性。为了使公平性能够平衡IO负载，自适应可以根据存储规模的变化重新保证公平性，同时也可以减少迁移的数据大小和占用的IO带宽。最后，可以提高数据的可靠性。

２.４.可用性

在所有情况下都能正常访问系统是至关重要的。一旦系统不可用，所有功能将无法正常运行。为了提高系统的可用性，需要定期根据存储设备的可用性调整数据位置，使系统的可用性最大化[9]．

2.5。可靠性

表示某段时间内系统是否可以正常访问。大型存储系统包含数千个存储设备，硬盘故障的概率相当高。在应用数据布局策略时，需要利用数据大小等可靠性指标来设计布局策略的参数。从而获得更高可靠性的存储系统。

2.6. 时空有效性

这意味着在计算数据位置和数据放置策略时使用的时间和空间较少。

在设计大规模网络存储系统的数据放置策略时，需要根据不同的应用需求满足特定的目标，但不可能同时满足所有目标。

3.相关工作

目前已经出现了一些云计算环境下的数据管理系统，如谷歌文件系统[10和Hadoop [11,12，两者都隐藏了用于向用户存储应用程序数据的基础设施。谷歌文件系统主要用于Web搜索应用，不用于云计算环境下的进程应用。Hadoop是一种更普遍的分布式文件系统，很多公司都在使用它，包括Amazon [13]还有Facebook。当Hadoop文件系统接收到一个文件时，系统会自动将该文件分为几个块，每个块随机放置在一个集群中。积云计划[14]提出了一种单数据中心环境的云架构。但上述云数据管理系统并未研究云环境下数据密集型流程应用的数据放置问题。最后，让我们看看几个现有的流行的大规模数据存储系统的例子。商业并行文件系统(CPFS) [15,16]将文件划分为大小相同的数据块，这些数据块以旋转的形式存储在文件系统的不同磁盘上。并行虚拟文件系统（PVFS）[17]，将文件分为条状和块状，采用将切片后的数据轮流放置在多个IO节点上的方法。PVFS的数据片大小为常量。PVFS数据不具有容错功能。Panasas [18]是一个面向对象的文件系统，数据以对象[]为单位分配给底层智能对象存储设备(OSD)。19]．一个文件被划分成条带，每个条带单元以对象的形式存储在多个OSD上。在初始放置时，对象会使用随机方法在OSD设备间公平分布。

PanFS是Panasas公司开发的基于对象存储的Linux集群文件系统[20]．它是ActiveScale存储系统的核心部分。这些文件系统首先将文件划分成条带，然后以对象单元将每个条带分配给底层智能OSD。通过轮循算法实现文件在多个osd上的分布。数据对象的大小是随机的，可以随着文件大小的增加而增加，而不需要修改元数据服务器上的元数据映射图。

面向对象的文件系统Lustre是一个透明的全局文件系统。Lustre文件系统将文件作为元数据服务器定位的对象，然后元数据服务器将实际的文件I/O请求定向到相应的对象存储目标(ost)。由于采用了元数据与存储数据分离的技术，计算资源与存储资源完全分离[21]因此，客户端可以专注于用户和应用程序的I/O请求。同时，OST和元数据服务器可以专注于数据的读取、传输和写入。

COSMOS并行文件系统中的所有存储节点[22被分成几条。每个COSMOS文件存储在某个条带中。条带的长度和逻辑块长度与应用程序的磁盘速度和文件访问方式有关。这种类型的数据放置策略具有高性能、大文件适用性和高度并行性等特性。通过剥离的子文件，COSMOS以通用JFS文件的形式直接保存在本地磁盘上。这样既避免了对磁盘的表达式直接管理，又增加了第二次进入VFS/Vnode核心的开销。

4.现有数据放置策略的研究与分析

下面是一些当前流行的数据放置算法。标准散列是最简单的同质（表示所有存储设备具有相同的卷）放置算法，它可以确保公平性。但当存储规模变化时，所有数据的位置也必须改变。

一致散列[23)使用函数将设备映射到连续体，然后是哈希函数用来均匀地将数据映射到那个连续统一体。然后，数据被分配到由最接近数据本身的节点所代表的设备。由于设备不是均匀分布在连续体上，每个设备都被虚拟化到设备(为常数)，以确保数据分配的公平性。该设备的数据大小等于分配给虚拟节点的总数据大小。当接入存储设备时，只需要迁移左右相邻节点上的部分数据。一致性哈希具有高度的自适应性，这种机制占用空间．

事实上，云计算环境下的数据存储是异构的，存储设备之间存在很大的容量差异。因此，对一致性哈希算法的改进如下:连续体上的虚拟节点根据设备的权重进行分配。重量较大的设备覆盖了连续体上更多的虚拟节点。但是这种方法会在权重差异非常大的异构存储系统中引入大量的虚拟节点，增加了算法的空间复杂度。

为了解决一致性哈希算法的空间浪费问题，提出了一种基于单位区间的分割方法。在这种方法中，间隔被划分为相同长度的单元子间隔，每个设备占用一个间隔。添加设备时，其他设备上的部分数据会迁移到新设备上。删除设备时，先将最后一台设备上的数据均匀迁移到剩余的设备上，再将待删除设备上的数据迁移到最后一台设备上，最后删除该设备。这样才能保证公平。添加设备时，数据迁移量为最优数据迁移量的1倍。删除设备时，数据迁移量为最优数据迁移量的2倍。定位特定数据需要步骤，这比使用一致散列定位数据需要更长的时间，但只有一个空间Digit被占用了。与一致哈希算法相比，该算法以时间换取空间。不适用于对数据快速查询要求较高的存储系统。此外，该算法的自适应性不像一致哈希那样高。

为了解决一致性哈希中引入虚拟节点造成的空间浪费问题，提出了线性方法和对数方法。在线性法中，对一个装置的重量也作了类似的介绍。假设设备的重量,表示设备哈希值之间的距离和数据. 线性方法将选择具有最小值的设备，存储数据．

随着存储规模的变化，线性方法可以保证数据只在添加/删除的设备和其他设备之间进行迁移。其他设备之间不存在数据迁移。对数试图找到一种能为函数带来最小值的装置. 在没有虚拟节点的情况下，logar ithm比线性ithm具有更好的公平性，但需要更长的时间来定位数据。

为此，提出了一种基于动态区间映射的数据对象放置算法[22].单位空间根据设备重量划分为多个子区间。然后建立设备与子区间的映射关系。基于数据所处的间隔，将数据分配给与该间隔相对应的设备。该方法具有较好的公平性和自适应性，随着存储设备数量的增加，定位数据的时间消耗也会增加。但是，如果存储设备的数量非常大，在添加或删除设备时，系统需要与所有其他存储设备通信以进行数据迁移，这将带来巨大的开销。此外，定位数据的时间消耗也将随着存储设备数量的增加而增加。

5.一种基于云计算的层次结构

随着网络规模的不断扩大，数据存储设备的数量也在不断增加。现有的数据放置算法不足以解决系统的自适应问题。增加或删除现有设备可能会导致再次进行新的数据放置，这将导致数据迁移开销的增加，因此IO带宽的占用是不可避免的[24,25]．因此，数据可靠性无法得到保证，使用副本保证数据可靠性的开销太大[26]．为此，本文提出了一种基于层次结构的数据放置策略，以弥补现有数据放置算法的不足，解决系统的自适应性问题，保证数据的可靠性，提高数据访问效率。

在提出的方法中，每个存储设备都通过一个公共数据放置策略直接管理，如图1所示1.．

分层结构可以减少数据查询和定位的时间消耗。因此，分层结构的数据放置策略更适合云计算环境下的数据管理，如图所示2.．

本文假设云计算环境下的存储系统中有大量的存储设备是异构的，也就是说，每个设备的存储量是不同的，这些存储设备被分组成几个数量相对较少的设备集ata，它首先位于设备集上，然后文件数据存储在设备集内。这样可以确保文件数据在该设备集中的位置，这有助于提高数据读取和写入的速度。

在有多个复制的文件的数据放置情况下，同一文件的不同复制应该尽可能多地放置在不同的设备集上。这样，当一个存储设备集中的某个存储设备不能正常工作时，客户端可以照常获取位于其他设备集上的目标文件数据。因此，它可以提高文件的可用性和可靠性。

在分层结构的数据放置策略中，当需要添加存储设备时，设计将新添加的存储设备分配到设备集中;从设备集中删除存储设备时，迁移的数据会被约束到该设备集中的其他存储设备上。这将减少与其他存储设备集中的大量存储设备通信的开销。在进行数据迁移时，可以减少I/O带宽的占用。当存储设备老化，需要更换新设备时，首先要将原设备上的数据传输到新设备上。由于被替换的新存储设备在存储卷和读写性能上都优于原存储设备，因此在数据存储方面，设备集合内各存储设备之间的公平性被打乱。因此，数据在新存储设备和该设备集中的其他存储设备之间进行迁移，以满足该设备集中的每个存储设备之间的公平性标准。

6.算法描述

我们将大量的异构存储设备分组到数量较少的设备集。已分组的设备集数量将保持不变。不同存储设备集的总存储量应保持不变。文件及其不同数量的副本将映射到不同的设备集，以便使用一种基于半定规划的算法。在设备集中对文件进行切片，然后使用动态区间映射方法将数据切片映射到设备集中具有不同卷的设备。

6．1.半定规划算法

将一个文件的不同副本放置在不同的存储设备集上，从而将数据副本的放置问题转化为寻找半定规划问题。同时，根据该算法，将文件放置在设备集上，逐条存储到该设备集内的各种设备中;保证了文件的局部性。一次定位即可立即访问文件数据，提高了文件访问速度。

函数只有当和是同一个文件的两个不同副本，还是什么时候代表副本．如果不是这样,．同时,当=．一个关联矩阵使用．可以表示所有文件之间的关系，即哪个文件拥有哪个文件复制。该算法1.将数据副本放置问题转化为半定规划问题的形式化描述。

半定规划问题的解可以产生半定矩阵．以及对半定矩阵的进一步处理可以获取设备集，其中每个文件副本存储在存储系统中。

6.2。动态区间映射算法

假设某个设备集包含设备,也就是说,．这n个设备分别有不同的体积，，则每个设备体积的重量与该设备集合内的总体积之比为,在那里和．众所周知．然后我们分割一个子区间的长度为对于每个设备在这一期间．当文件被分配到一个设备集时，它被划分为数据块集同样的尺寸，然后数据块映射到集合中具有不同权重值的设备(算法2.)．

散列函数用于将数据块映射到间隔．如果，然后是数据块分配给interval．

7.实验和分析

本文在Matlab平台上实现了分层数据布局中的两个关键算法：半定规划（SDP）算法和动态区间映射算法。矩阵是Matlab语言的基本单元，可以直接用于矩阵计算。因此，Matlab可以直接应用于求解优化或线性规划等复杂问题。本文所要解决的半定规划问题将用数学形式化矩阵来描述。此外，将一个动态区间映射问题形式化为一个形式化矩阵是很容易的，适合在Matlab环境下实现。同时，Matlab具有丰富的工具箱和模块集。为了寻求半定规划问题的解决方案，应安装一个工具箱，为Matlab解决SDP问题提供支持。

7.1。半定规划算法的公平性分析

假设每个文件有5个副本。然后，用半定规划法分别将100、200、300、400个文件分配到10个设备集和20个设备集。部署如图所示3.和4.．实验表明，使用半定编程，文件可以相当均匀地分布到多个设备集。实例表明，该方法能够保证文件数据布局的公平性。

7.2. 半定规划算法的可靠性分析

现在，让我们进一步讨论放置同一文件的5个副本的情况，即是否将同一文件的所有5个副本放置到不同的设备集中的问题。如表所示1.，当有400份文件（2000份）被分发到10和20个设备集，299和372文件的所有5个副本分别被完全分发到5个不同的设备集。不包括这些副本的其他文件未能做到这一点。一个文件的5个副本中有2个被分配到同一设备集。因此，半定编程算法s显示了将文件的不同副本分配到不同存储设备集中的更好性能。因此，由于设备故障而导致的数据丢失概率降低，数据可靠性提高。

根据随机函数原理，可以推断，使用动态区间映射算法分配给每个子区间的数据概率与每个区间的长度成正比。类似地，设备集中所有设备的数据量与其开销成正比。实践证明，当存储设备集中的存储节点发生变化时，动态区间映射方法可以在存储节点数量不太多的情况下，最大限度地减少数据迁移的开销。因此，在直接管理大量存储设备时，它消除了由于存储节点数量的变化而导致的通信和迁移数据的开销。当添加新设备时，设备集中每个设备占用的子间隔会相应改变，将现有设备占用的间隔和相应的数据块重新分配给新设备，以重新实现公平性。通信和传输数据的开销仅限于设备集中的少数设备。

7.3。动态区间映射算法的公平性分析

首先，测试了动态区间映射算法的公平性。让我们看看存储在设备集中的每个存储设备上的文件数据卷。当1000个文件存储在10个设备集中时，100个文件存储在编号中。5 .设备设置如图所示3.．然后，我们假设在no. 1中有10个存储设备。5设备设置。将100个文件分割成1500个数据条带，通过动态间隔映射算法存储到10个存储设备上。对于这10个存储设备，每个设备的存储容量占其总存储容量的百分比，以及间隔长度()与该百分比相对应的数据均显示在表中2.．

根据动态间隔映射算法和每个存储设备的上述容量，将被剥离的1500个数据条带平均存储在这10个存储设备中。理论配置情况如表所示3.．

实现动态区间映射算法时，使用哈希函数用于映射数据块到一个中间的随机数．如果,，数据块放在存储设备中．因此，1500个数据条全部存储在10个存储设备中。实际配置情况与理论配置情况对比如图所示5.．

7.4. 动态区间映射算法的自适应性分析

让我们测试动态区间映射算法的自适应性。分别考虑了移除存储设备和添加新存储设备的情况。

7.4.1. 卸下存储设备

让我们检查当存储设备从设备集中删除时，在其他存储设备之间迁移的文件数据卷。例如,表4.显示从设备集中删除7号设备时的情况。表中显示了每个剩余设备存储卷的百分比以及与该百分比对应的间隔长度4.．

当移除no。迁移7台存储设备，迁移该存储设备上的数据到其余9台存储设备上。与实际数据迁移相关的更改情况如图所示6.．

从数字7.在上面，我们可以看到，删除no。7设备，设备集合中剩余的存储设备仍然可以按照每个设备的存储卷占总剩余存储卷的百分比存储数据。

7.4.2。添加新存储设备

现在让我们检查将存储设备添加到该设备集的情况。这种情况类似于上述拆卸存储设备的情况。我们将遵循以下步骤。(1)首先，当新存储设备添加到该设备集时，将重新计算每个设备相对于总存储卷的百分比。和间隔长度()对应的百分比也被重新定义。(2）然后计算原始间隔长度与添加存储设备后修改后的间隔长度之差。与这个长度差相对应的数据就是要迁移到新存储设备中的数据。（3)使用动态间隔映射算法将迁移后的数据放置到新添加的存储设备中。哈希函数用来映射数据条到(0,1)之间的一个随机数,，数据块放置到设备上．

8.结论

提出了一种云计算环境下的分层结构数据布局算法。该算法结合了半定规划算法和动态区间映射方法。半定编程方法将一个文件的复制数据分发到分组的设备集。实验表明，该方法能够保证数据的可靠性和文件的高速可访问性。动态区间映射方法可以将数据公平地分配到设备集内不同容量的设备上。从理论上证明了该方法的自适应性。

致谢

本研究由国家自然科学基金(一般项目)资助(批准号:no. 2014304709)。国家科技支撑计划项目(批准号:61272029);中国铁道科学(2008G017-A)，北京交通大学轨道交通控制与安全国家重点实验室(合同编号:2009BAG12A10)RCS2009ZT007)。

参考文献

1. Q.Zhang、L.Cheng和R.Boutaba，“云计算：最先进的技术和研究挑战，”互联网服务与应用杂志， vol. 1, no. 11，页7-18,2010。视图:出版商的网站|谷歌学术搜索
2. C. Miceli, M. Miceli, S. Jha, H. Kaiser，和A. Merzky，“云和网格上的数据密集计算的编程抽象”第九届IEEE/ACM集群计算与网格国际研讨会论文集(CCGRID’09)，页478-483，中国上海，2009年5月。视图:出版商的网站|谷歌学术搜索
3. K.Liua和L.J.Dong，“云数据存储技术及其架构实现研究，”Procedia工程，第29卷，第133-137页，2012。视图:出版商的网站|谷歌学术搜索
4. J. Ma，“为数字项目管理元数据”，图书馆馆藏、采访和技术服务，第30卷，第1-2号，第3-17页，2006年。视图:出版商的网站|谷歌学术搜索
5. W. Wang, W. Zhang, H. Bubb, K. Ikeuchi，“基于安全的各种驾驶特征的接近行为模型”，运输研究中心，第19卷，第6期，第1202-1214页，2011年。视图:出版商的网站|谷歌学术搜索
6. w·王,汽车人机交互、安全和驾驶员辅助，中国交通出版社，北京，2012。
7. V. T. Tran, G. Antoniu, B. Nicolae, L. Bougé，和O. Tatebe，“面向基于大规模BLOB管理服务的网格文件系统”网格、P2P和服务计算，页7-19,2010。视图:谷歌学术搜索
8. L. Amsaleg, M. J. Franklin, A. Tomasic，和T. Urhan，“提高广域数据访问的响应能力”，工程数据，第20卷，第3-11页，1997。视图:谷歌学术搜索
9. A. Deshpande和Z. Ives，《适应性查询处理》，数据库的基础和趋势，第一卷，第一期，第1-140页，2007年。视图:谷歌学术搜索|Zentralblatt数学
10. S. Ghemawat, H. Gobioff和S. T. Leung，《谷歌文件系统》，出版于第19届ACM操作系统原理研讨会论文集，第29-43页，ACM，纽约，纽约，美国，2003年10月。视图:谷歌学术搜索
11. Apache Hadoop,http://hadoop.apache.org/．
12. Hadoop分布式文件系统http://hadoop.apache.org/docs/r0.18.0/hdfs_design.pdf．视图:谷歌学术搜索
13. Amazon弹性MapReduce，http://aws.amazon.com/elasticmapreduce/．
14. Tao J.， M. Kunze, A. C. Castellanos, L. Wang, D. Kramer, W. Karl，“科学云计算:早期定义和经验”，刊于第十届IEEE高性能计算与通信国际会议论文集(HPCC’08)， pp. 825-830，中国大连，2008年9月。视图:出版商的网站|谷歌学术搜索
15. 翟Y.M.Liu，翟J.翟和马X，“云与内部集群：评估运行MPI应用程序的Amazon集群计算实例”，年SC'11实践状况报告的会议记录,2011年。视图:谷歌学术搜索
16. C. H. C. Evangelinos，“并行科学高性能计算应用的云计算:在亚马逊的EC2上运行耦合大气-海洋气候模型的可行性”第一届云计算及其应用研讨会论文集, 2008年10月。视图:谷歌学术搜索
17. P.H.Carns、I.W.Ligon、R.Ross和R.Thakur，《PVFS：linux集群的并行文件系统》，年第四届Linux年度展示和会议论文集，美国佐治亚州亚特兰大，2000年。视图:谷歌学术搜索
18. “具有并行存储的云计算，”http://www.panasas.com/blog/cloud-computing-with-parallel-storage．视图:谷歌学术搜索
19. D.Yuan，Y.Yang，X.Liu和J.Chen，“科学云工作流中的数据放置策略，”新一代计算机系统第26卷第2期8，页1200-1214,2010。视图:出版商的网站|谷歌学术搜索
20. N. Maheshwari, R. Nanduri, V. Varma，“MapReduce框架的动态高效能量数据放置和集群重构算法”，新一代计算机系统第28卷第2期1，页119-127,2012。视图:出版商的网站|谷歌学术搜索
21. J. Dean和S. Ghemawat，《MapReduce:大型集群上的简化数据处理》，ACM的通信第51卷第1期1, pp. 107-113, 2008。视图:出版商的网站|谷歌学术搜索
22. R.Chaiken、B.Jenkins、P.A.Larson和B.Ramsey，“范围：大规模数据集的简单高效并行处理”，年VLDB捐赠网页档案， vol. 1-2, pp. 1265-1276, 2008。视图:谷歌学术搜索|Zentralblatt数学
23. D. Karger, E. Lehman, T. Leighton，和R. Panigrahy，“一致的哈希和随机树:用于缓解万维网热点的分布式缓存协议”第29届ACM计算理论年会论文集(STOC'97)，第654-663页，美国纽约州纽约市ACM，1999年。视图:谷歌学术搜索
24. J. Dhok, N. Maheshwari, V. Varma，“基于学习的MapReduce作为服务的机会准入控制算法”第三届印度软件工程会议(ISEC’10)论文集，第153-160页，ACM，印度迈索尔，2010年2月。视图:出版商的网站|谷歌学术搜索
25. R.Buyya、C.S.Yeo、S.Venugopal、J.Broberg和I.Brandic，“云计算和新兴IT平台：将计算作为第五种实用工具的愿景、宣传和现实。”新一代计算机系统，第25卷，第2期6，第599-616页，2009。视图:出版商的网站|谷歌学术搜索
26. K. H. Kim, R. Buyya，和J. Kim，“在支持dvs的集群上具有期限限制的任务袋应用程序的电力感知调度”第七届IEEE集群计算与网格国际研讨会论文集（CCGrid'07），第541-548页，里约热内卢巴西里约热内卢，2007年5月。视图:出版商的网站|谷歌学术搜索

版权

版权所有©2012 Hanning Wang等人。这是一篇根据知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。