MeReg绿色移动云计算:管理Energy-SLA权衡

文摘

移动云计算(MCC)为移动用户提供各种云计算服务。世纪挑战集团用户的快速增长需要大规模的世纪挑战集团数据中心提供数据处理和存储服务。这些数据中心的发展直接影响电能消耗,影响企业和环境通过二氧化碳(有限公司₂)排放。此外,大量的能量被浪费保持服务器运行在低负载。减少移动云计算数据中心的能源消耗,能源利用主机超载检测算法和虚拟机(VM)选择算法需要虚拟机整合在检测到主机欠载和过载。所有虚拟机分配资源后,轻负载的主机需要承担节能模式为了减少功耗。为了解决这个问题,我们提出了一个自适应能源利用启发式算法,它创建了一个使用CPU利用率近代史上CPU利用率阈值来检测过载主机和动态虚拟机选择算法来巩固过载或欠载的主机的虚拟机。目标是最小化总能量消耗和最大化的服务质量,包括降低服务水平协议(SLA)违规。CloudSim模拟器是用于验证算法和模拟实际工作负载进行痕迹在10个不同的日子里,我想提供的。

1。介绍

移动设备,如智能手机和平板电脑,成为人类生活必不可少的最有效的计算和方便的通信工具是不受时间和地点约束。这些设备正在取代桌面或笔记本电脑使用云计算环境或移动云计算(MCC)。世纪挑战帐户集团是一个组合的基础设施云计算和移动计算的数据处理和存储在云上,执行和移动设备主要用于客户端与应用程序通信从云计算和检索结果处理1]。快速增长的移动计算使用明显Juniper Research的研究,即消费者和企业的基于云计算的移动应用市场到95亿年增加到2014美元(2),直接影响云基础设施。云计算是利用现有的技术和思想,数据中心、虚拟化技术等。这个新的角度彻底改变了传统的信息技术(IT)业务模式,以帮助开发人员和企业克服缺乏硬件能力(如CPU、内存和存储)通过允许用户通过互联网访问随需应变的资源(3,4]。

云计算主要分为三种类型的服务模型,即基础设施即服务(IaaS)、平台即服务(PaaS)和软件即服务(SaaS)。此外,云计算有四个类型的部署模型,如私人,公共,混合和社区云(5,6]。向用户提供MCC服务需要大规模的云计算平台,消耗大量的电力和MCC运营成本增加,有限公司₂排放。数据中心消耗约1.3%的全球总电力供应,这将增加到2020年的8% (7]。因此,有限公司₂也大幅增加,这直接影响环境。不幸的是,大量电能浪费服务器在负载低。服务器资源利用收集的数据来自5000多个生产服务器已经表明,在六个月里大部分时间服务器运行在10%到50%的全部能力,导致浪费能源资源的低利用率(8]。

服务质量(QoS)约束移动云服务提供者之间扮演着重要的角色和用户。满足QoS需求决定通过服务水平协议(sla)描述所需的性能水平,如吞吐量最小和最大响应时间或系统的延迟。因此,减少功耗的主要挑战是移动云计算数据中心,同时满足QoS需求(9]。

硬件虚拟化技术将传统硬件新范式。这种技术巩固工作负载,称为虚拟机(VM)整合,利用低功耗硬件状态。最新研究最小化整体能源消耗通过两个广泛使用的技术,如虚拟机整合和动态服务器配置(10,11]。Dynamic server配置方法减少电力消耗,减少计算资源在低负载(12]。这减少意味着把不必要的服务器睡眠模式当工作负载需求减少。同样的,当数据处理和数据存储的需求增加,这些服务器根据需求重新激活(13,14]。服务器共享资源在多个performance-isolated平台叫vm使用虚拟机监控程序的技术。每个VM运行多个任务同时进行。动态虚拟机整合也扮演着重要的角色在移动云计算数据中心的整体能源消耗最小化。VM整合发生在服务器(主机)检测到过载或欠载,在VM迁移一个接一个从重载主机到另一个适当的主机,直到过载返回到正常状态。同样,当主机检测到负载不足,所有虚拟机迁移到合适的主机,该主机睡眠模式(15,16]。基本上,这些方法有两个主要目标:最小化整体能源消耗和最大化的QoS。QoS需求通过SLA形式化度量等特性描述为最小的吞吐量和最大响应时间或延迟交付的部署系统[17]。

高效的能源消耗的基本任务在移动云计算数据中心分为五部分如下:(1)决定当一个主机是超载,这样一些vm迁移一个接一个SLA约束下的其他有效的主机到主机恢复正常状态。检测过载主机,我们使用MeReg算法,介绍了。(2)决定当一个主机被认为是轻负载,这样所有的虚拟机将从它迁移到适当的主机,它将进入睡眠模式。检测轻负载的主机,我们使用常数降低CPU利用率阈值提出了Beloglazov和Buyya18]。(3)选择虚拟机从一个重载的主机应该迁移。选择,我们使用我们之前工作Yadav et al。19]。(4)选择所有虚拟机从一个轻负载的主机应该迁移。选择,我们使用我们之前工作Yadav et al。19]。(5)找到一个新的虚拟机配置,选择虚拟机从过载和欠载的主机将被激活或取消激活宿主。我们使用修改后的最适合减少(MBFD)算法提出了Beloglazov et al。16为虚拟机放置。

在这项研究中,我们提出了一个回归估计上层阈值自适应启发式算法来检测移动云计算数据中心的重载的主机。从这些主机,有几个虚拟机迁移到另一个主机最小化性能下降。我们使用了一个新颖的妈妈动态虚拟机选择算法来平衡电力消耗量之间的权衡,迁移,性能的主机和主机的总数被关闭。这些算法估计上阈值和选择基于CPU利用率的统计分析的虚拟机主机的历史。以下是本文的主要贡献:(我)一种自适应启发式MeReg算法来估计使用CPU利用率近代史上CPU利用率阈值检测过载主机。这个算法主要的目标是最小化总功耗的SLA要求下移动云计算数据中心。(2)的性能和效率MeReg算法评估使用CloudSim模拟器在真正的和随机负载跟踪和相比其他提出的方法在文献中。

本文的其余部分组织如下:在部分2之前,我们讨论了一些相关文献移动云数据中心资源和能源效率管理。节3,我们提出了移动云计算平台体系结构。部分4是本文的关键部分,我们讨论了主机超载检测。节5,我们提出能源效率指标测量的有效性提出算法在云环境中。节6,实验设置对提出的算法进行了探讨。节7提出算法的结果进行了分析和比较,并在部分8这项研究得出结论,通过总结与未来的研究方向。

2。相关工作

研究人员检查了移动云计算模型及其相关的设计软件架构(20.]。范式转换是显而易见的从传统的移动云计算需要大规模云数据中心,在计算资源的成本不再是总成本的主要部分。然而,基础设施的能耗和冷却成本仍然被认为是主要的成本动因。功耗和CPU利用率在服务器或移动是成正比21,22]。因此,最近的技术能耗最小化和最大化QoS进行了这项研究。在第一个作品引入Zhang et al。23),动态高效能源技术为移动计算调度多个计算任务动态重新配置和选择性地关闭移动计算的整体能源消耗降到最低。

Esfandiarpoor等人提出了一个虚拟机整合算法,有效地降低了能源在云数据中心通过考虑结构特点,如机架和网络拓扑结构。此外,他们集中在云数据中心托管的冷却和网络结构巩固vm时的物理机器。几架和路由器被录用,在不影响SLA这样闲置路由和冷却设备可能被关闭以减少能源消耗24]。朱et al。25]研究了动态虚拟机整合问题和应用静态主机CPU利用率阈值为85%,这是决定如果主机超载当CPU利用率阈值超过85%。然而,静态CPU阈值不适合系统动态工作负载,这个静态模型不适应系统负载的变化。在这项研究中,我们引入了动态调整阈值根据工作负载历史的统计分析。

Nathuji和施万26)提出了动态虚拟机整合减少主机的能耗数据中心。他们调查了能源管理技术在大规模的数据中心虚拟化的资源。他们提出了一个新的数据中心的虚拟化资源能源管理方法称为软资源扩展。此外,作者建议将资源管理问题划分为两个层次:本地和全球。在地方层面,算法处理客人vm的能源管理。相比之下,全球政策协调多个物理机器。他们还探索高效的能源消耗使用动态迁移的好处,发现可以显著降低能源消费总量。

Beloglazov et al。16)提出了一个云计算体系结构框架和提供移动云数据中心资源有效的方式,同时满足SLA需求。他们建立了虚拟机整合问题的两个部分:提交新VM配置的要求和配置VM主机;当前虚拟机分配的重要使用。解决虚拟机放置在主机的问题,他们用MBFD算法。该算法首先排序所有虚拟机的当前的CPU利用率降低秩序和分配每个VM主机,它提供了高效的能源消费环境。在另一个工作,Beloglazov和Buyya [18]介绍了heuristic-based节能意识的方法,集中在CPU利用率的统计分析来确定历史上阈值检测过载主机

Ranganathan et al。27)描述服务器电源管理方法在集体系统级别而不是单个服务器级别。这种方法允许活动服务器借用权力从非活动服务器。同样,Venkatachalam et al。28]介绍了一种有效的技术来最小化整体能源消耗的服务器CPU在给定的时期。他们也关注GPU电能消耗。

数据中心的能源消耗分解(29日,30.]。大多数研究已经考虑能耗建模在CPU级别:然而,网络设备也消耗大量的能源数据中心的能源消耗。因此,负载均衡的数据中心网络设备是重要的能源消耗成本降到最低。商等。31日,32]介绍了一个分布式green-routing算法考虑计算、通信、和热温度在数据中心内。未来的决定提出了负载平衡算法需要一个完整的能源模型包括数据中心的网络和服务器。刘等人。33]介绍了一个分布式流调度(DFS)高效的能源消耗在数据中心网络设备。然而,这种方法没有考虑通信的本质来源,水槽,和相应的计算。

3所示。系统架构

MCC的一般体系结构包括移动设备、网络连接、云计算数据中心。在图1、移动设备直接连接到基站使用移动网络。基站建立和控制空气移动设备和网络之间的连接(34),通过互联网与云计算数据中心完成任务等移动用户的数据处理和存储。云计算数据中心包括众多的虚拟化资源来提高性能的服务。这些资源包括异构主机。在每台主机包含多核CPU、初级记忆辅助存储器和网络I / O。确定CPU性能的数以百万计的指令每秒(MIPS)。提交的多个请求同时VM配置分配给主机。vm配置主机是基于主机的CPU利用率。能源消耗的CPU是线性正比于它的利用率(18]。因此,高效整合的VM将减少电力能源消耗和SLA违反率。当正在运行的虚拟机无法获得云数据中心的资源如MIPS和内存,然后会发生违反SLA。在这种情况下,云服务提供商应云服务用户点球,当一个重载的主机确认。下一步是选择虚拟机迁移的重载主机到适当的主机和应用迭代到主机,直到它不再被认为是超载。

MCC模型,三大重要球员处理所有工作流在云数据中心。关键球员是全球性的控制器、本地控制器和虚拟机管理器(VMM)。本地控制器驻留在每台主机作为一个单独的虚拟机和任务是监控虚拟机的状态,VM和CPU利用率以及决定什么时候应该迁移从主机。全球控制器驻留在一个主服务器和收集所有信息从本地控制器保持资源的总体利用率。此外,它决定VM应该优化放置的地方。最后,VMM驻留在VM管理程序,有助于调整和改变主机的状态,这有助于有效地利用能源。

3.1。能量模型

相对于其他类型的设备,移动云计算数据中心的主要能源消费国组件是CPU、网络,和记忆。最近的工作表明,电力消耗主机的处理器利用率成正比。利用处理器取决于主人的工作负载和变化根据工作负载的变化35]。因此,利用处理器是时间的函数,根据负载变化和它的价值变化。整个电能消耗主机可以被定义为一个积分函数的功率消耗的主机在一个给定的时期和描述如下16]: 在哪里是总电能消耗的服务器。是工作负载利用率的连续函数在时间吗 。

此外,我们考虑四种不同类型的主机,也就是说,富士通M1,富士通M3,日立TS10,日立SS10。这些主机的特点如表所示2。这些服务器的能耗从SPECpower[获得36]。这些主机在不同工作负载的电能消耗如表所示1。

4所示。MeReg主机超载检测

移动云计算平台最近成为全球流行是因为它的动态特性。然而,移动云计算的动态特性造成很大关心云服务提供程序(CSP)。因此,不断的CPU利用率阈值不适合检测一个重载的主机在云环境中。我们提出了一个新的主机超载检测算法基于一个回归模型估计回归模型。该算法动态地估计上CPU利用率阈值基于CPU利用率的历史数据集,这是根据历史上的CPU负载自动调整。

稳健回归技术提供比传统方法更高效的最优解。这些技术不直接受到离群值的数据集,这使得它更健壮的和值得信赖的云的动态环境。“M估计的回归”(MeReg)生成一个回归线的平均平方残差最小化[37]。的MeReg比中值,一种更健壮的估计标准偏差、方差,和普通最小二乘估计。“普通最小二乘法(OLS)有以下缺点:一个腐败数据点可以给结果回归线任意大的斜率;它可以表现严重时残余分布是不正常的,特别是当残差重跟踪”(38,39]。初始化MeReg算法,我们首先需要生成OLS模型代表输入数据之间的关系和输出数据的价值连续使用线如下: 在哪里独立变量被称为残差。这个模型主要的目标是最小化残差的价值 。如果所有残差的值收敛到零,然后生成一个优化模型,在给定数据点躺在这个模型。 ,在哪里设置所有vm的CPU利用率数据集的数据中心。目标是最小化的总和之间的距离估计线性参数和实际的CPU利用率数据点。估计的目标函数可以定义如下: 在哪里代表一个残差标准差CPU利用率的数据点。使这个模型更加健壮,图基bisquare函数作为目标函数的M估计是使用是剩余除以残差标准差,常数被称为调优常数。的小价值生产为代价增加阻力异常值,但非常低效率当残差正态分布。因此,的价值通常是选择提供95%的效率当残差正态分布(39]。的bisquare给出目标函数如下:

定义权函数的残差,我们应该获得的偏微分方程 。让一阶导数的函数 ,定义权重函数

权重函数w根据观察这个模型也改变了。

确定最优的解决方案或值和由图基bisquare加权函数, 我们利用这种方法来适应这一趋势多项式模型的所有观测vm的CPU利用率。在每个迭代中,权函数的定义是按照新的残差,称为迭代reweighed最小二乘和重复,直到收敛于最优值和 ,确定的最小值指标。这个最小值MeReq,估计阈值的CPU利用率。

重载的检测主机是由上层决定的CPU利用率阈值指标用于(18]。我们延长这一指标MeReg检测过载主机显示如下: 在哪里这个算法的安全参数,定义系统巩固vm以多快的速度。此外,小值的安全参数意味着低能耗高违反SLA,反之亦然(18]。的伪代码MeReg主机超载检测算法,有助于理解算法的整个工作流程,讨论了算法1。

5。效率指标

各种矩阵被用来评估结果和比较了该算法的有效性。第一个指标称为总能量消耗的数据中心资源在不同的工作负载。第二种类型的效率指标是违反SLA的平均百分比,它只发生在提供vm不获取所请求的资源(或平均计算能力的共享主机不是分配给请求的虚拟机)。这个指标直接影响QoS,不是云提供商和用户之间的协商。如果出现违反SLA, CSP应该支付一些罚款给用户。

5.1。性能度量(Pertric)

最大化最小能量消耗的总体性能,平均违反SLA,复活的主机数量,我们引入了一个性能指标。如果主机重新激活从能源模式称为激活宿主。这些主机直接影响数据中心的能源消耗。要解决这个问题,一个性能指标描述如下: 在哪里代表了整体性能指标,代表总数的主机关闭后应用这些算法,和是总电能消耗的数据中心。违反SLA的平均百分比的数据中心是代表 。

6。实验设置

真正大规模的虚拟基础设施的部署是非常昂贵和执行可重复实验的结果进行对比分析,验证该算法是很困难的。因此,模拟评估VM选择策略是一个最佳选择重复的实验提出的算法。我们选择了CloudSim工具包(40)进行分析和比较该主机超载检测算法的性能。这是一个现代开源模拟器,它提供了一个IaaS云计算框架,使我们能够进行可重复的实验结果可以分析和比较大规模云数据中心虚拟化。

在云计算仿真的设置中,我们安装了800异构服务器与实际配置。这些主机是富士通M1,富士通M3,日立TS10,日立SS10。这些服务器的特点提出了在桌子上2。这些服务器在不同的工作负载的电能消耗如表所示1。

服务器的CPU时钟速度映射到MIPS评级;也就是说,每个服务器的核心富士通M1,富士通M3,日立TS10,和日立SS10映射2700,3500,3500,和3600 MIPS,分别。每个服务器的网络带宽是建模拥有1 GB / s。对应的虚拟机类型是由Amazon EC2支持VM,如表所示3。

仿真的执行必须使用真实的数据中心服务器的工作负载的痕迹,适用于真正的云环境。为了实现这一目标,我们使用提供的数据我想通常的项目(41]。我们利用异构VM CPU利用率超过一千全球数据来自500多个异构服务器放置。数据每日的特点讨论了Beloglazov和Buyya18]。

7所示。模拟和分析

实时数据的异构服务器CPU利用率是用来评估的性能MeReg主机超载检测算法。我们模拟的算法妈妈VM的选择方案,并与重载主机检测算法和虚拟机选择策略中描述Beloglazov和Buyya18]。这些重载主机算法平均绝对偏差(疯狂),和四分位范围(差)和最大相关性(MC),最小的迁移时间(MMT)和最小利用率(μ)的虚拟机选择策略。我们使用安全参数的值1、2.5和1.5MeRegMuMs,疯了,位差,分别。

7.1。随机工作负载

在随机负载,每个VM运行应用程序变量的CPU利用率,这是生成均匀分布。在图2(一个)电力能源消费使用MeRegMuMs主机超载检测算法比其他方法必须较小。图2 (b)显示显著减少平均违反SLA。此外,在数据2 (c)和2 (d)关闭主机和虚拟机迁移的数量也减少了更有效地比其他主机超载检测算法。

7.2。真正的工作负载

真正的工作负载数据集通常由我想提供的项目。通常的项目,全世界成千上万的vm CPU利用率的数据收集每五分钟,存储在不同的扩展文件。我们选择这个真实的数据集评估拟议的政策。使用真实负载的分析提出政策是下面讨论。

7.2.1。评估能源消耗

的总电能消耗的资源数据中心主机取决于CPU利用率、主内存、网络设备、磁盘。然而,众多研究表明,主机CPU消耗更多的电能比其他资源的主机(29日]。因此,我们更专注于主机的CPU利用率。在本节中,我们分析的仿真MeRegMuMs主机超载检测疯狂和差。如图3算法、电力能源消耗的17.3%,较小的比其他的算法。

7.2.2。评价平均违反SLA

维护QoS是云计算环境的一个重要方面。所需的QoS由sla (9]。在本节中,我们分析和比较的比例平均违反SLA重载的主机。云用户不希望违反SLA和性能下降。如果这些情况发生那么CSP应该向用户支付的罚款。因此,减少违反SLA是用户和csp中所需的。图4显示的比例平均SLA使用MeRegMuMs主机超载检测比传统算法少了23.3%。

7.2.3。关闭主机和虚拟机迁移

动态虚拟机的动态迁移总是成本高,包括分配主机处理能力,和性能下降(9,14]。因此,减少虚拟机迁移的总数是本研究的目标之一。在本节中,我们分析和比较了模拟主机关闭和VM迁移的数量。如果重新激活主机数量的增加,能源消费最大化。主机重新激活分配新vm和关闭时,发现欠载。

在实验环境中,我们安装了800台主机但是主机关闭的数量大于800由于主机重新激活。图5也表明该算法,最小化25.9%的主机的主机相对传统MadMmt MadMc, MadMu IqrMmt IqrMc, IqrMu算法。

与此同时,移民的数量成正比的性能下降。如果虚拟机迁移的总数减少,那么性能下降也减少,由用户和csp所需。拟议中的VM迁移政策的比较与其他旧算法提出了Beloglazov和Buyya18图中描述6。

7.2.4。评价Pertric

在本节中,我们讨论了使用提出了云数据中心的整体性能MeReg主机超载检测算法。计算的整体性能Pertric度量提出了部分5.1也进行了讨论。主要目标是提出这个指标分析在云数据中心节能意识的各个方面,如电能消耗的最小化,平均比例违反SLA,激活宿主将新虚拟机的数量。

图7显示的有效性MeReg主机超载检测算法使用妈妈VM选择策略相对于其他旧主机超载检测算法使用VM选择政策,如MadMmt MadMc, MadMu, IqrMmt IqrMc, IqrMu。

7.2.5。统计分析

统计分析验证了该算法,结果表明了该算法与其他方法相比效率。单向方差分析在Pertric矩阵进行分析总体能源消耗最小化和最大化之间的权衡的QoS数据中心证明表4。基于单向方差分析结果,MeRegMuMs显著降低能源消耗和最大化QoS,相比之下MadMc、MadMmt MadMu、IqrMc IqrMmt,和IqrMu。表4表明,F比例(10.61)大于F临界值(2.24),这表明零假设被拒绝和人口意味着从一个另一个在0.05水平明显不同。因此,MeRegMuMs算法是明显不同于其他算法,如MadMc、MadMmt MadMu、IqrMc IqrMmt,和IqrMu与的价值 。

一个样本以及VM迁移时间和主机的运行时间也进行了。样本均值的平均值乘以一个VM迁移之前在主机检测负载不足或超负荷是19.67秒,95%置信区间CI: 18.23, 20.12。样本均值的平均价值过渡到energy-saving-mode主机运行时间为21.3分钟,95%置信区间CI: 20.2, 22.8。

8。结论和未来的工作

移动云计算支持无缝的和功能丰富的手机用户的云计算服务。移动云计算数据中心全球增长的需求增加移动用户数据处理和存储。因此,保持移动云计算数据中心运行,需要大量的电能,从而导致高运营成本和有限公司₂发射。高排放的公司₂对社会环境造成负面影响。在这项研究中,我们介绍了一种新颖的自适应启发式主机超载检测算法MeReg,这可以减少电能消耗和最大化的QoS要求SLA的数据中心。主机超载问题直接影响虚拟机的性能,这是完全反对SLA。因此,回归叫做M估计是用来寻找最优的技术上的CPU利用率阈值检测过载主机。从重载虚拟机整合主机,先前的研究中使用的方法妈妈政策实施,选择从过载或欠载的主机和虚拟机迁移到适当的主机。CloudSim模拟器的实现中使用该算法获得的结果使用10个不同的实际工作负载的痕迹。

在未来,我们打算进一步扩展这项工作通过引入一种“基于机器学习的技术称为马尔可夫链对虚拟机整合政策,更好的工作在动态环境中,比如云计算。这些算法的实现在OpenStack等开源的云计算平台也会研究。

的利益冲突

作者宣称没有利益冲突。

确认

国家重点研究和发展计划批准号中国2016 yfb0800801和美国国家科学基金会(国家自然科学基金委)赠款61672186和61672186号支持这项工作。

引用

1. h·t·Dinh c·李,d . Niyato p·王,“移动云计算的一项调查显示:架构、应用程序、方法,”无线通信和移动计算,13卷,不。18日,第1611 - 1587页,2013年。视图:出版商的网站|谷歌学术搜索
2. n .费尔南多·s·w·死胡同,w . Rahayu“移动云计算:一项调查,”未来一代计算机系统卷,29号1,第106 - 84页,2013。视图:出版商的网站|谷歌学术搜索
3. 美国Vakilinia、b . Heidarpour和m . Cheriet”节能资源分配在云计算环境中,“IEEE访问4卷,第8557 - 8544页,2016年。视图:出版商的网站|谷歌学术搜索
4. 中,h·李,y Rezgui y春风,b . Yuce b . Jayan,“基于HPC云模型实时能源优化”企业信息系统,10卷,不。1,第128 - 108页,2016。视图:出版商的网站|谷歌学术搜索
5. b . p .裂缝的大肠崔和Lumb,“云计算系统的分类和调查,”第五届国际联合会议上公司的诉讼,IMS和IDC(不合格品09年)页44-51,首尔,韩国,2009年8月。视图:出版商的网站|谷歌学术搜索
6. g·莫塔:Sfondrini, d .焦点在于,“云计算:架构和技术概述”国际联合会议服务科学学报》上,新兴经济体服务创新:跨学科和跨文化的角度(IJCSS 12)2012年5月,页汽车出行。视图:出版商的网站|谷歌学术搜索
7. 兰伯特,w•范Heddeghem w . Vereecken b . Lannoo d穿过公路,和m . Pickavet“全球用电量的通信网络,”光学表达,20卷,不。26日,B513-B524, 2012页。视图:出版商的网站|谷歌学术搜索
8. 洛杉矶巴罗佐和美国,“energy-proportional计算,”电脑杂志,40卷,不。12日,33-37,2007页。视图:出版商的网站|谷歌学术搜索
9. f . Farahnakian a·阿什拉夫·t·Pahikkala et al .,“利用蚁群系统巩固vm绿色云计算,“IEEE服务计算,8卷,不。2、187 - 198年,2015页。视图:出版商的网站|谷歌学术搜索
10. A .使得科拉迪m .把和l . Foschini”虚拟机整合:一个真正的基于OpenStack云,“未来一代计算机系统,32卷,不。1,第127 - 118页,2014。视图:出版商的网站|谷歌学术搜索
11. W.-Z。张,H.-C。谢和学术界。许,“自动合并多个虚拟机的内存控制服务器,“IEEE云计算,5卷,不。1,2 - 14,2017页。视图:出版商的网站|谷歌学术搜索
12. s e . Dashti和a . m .,压力“动态虚拟机放置能源效率的算法在云计算,“《实验与理论的人工智能,28卷,不。1 - 2、97 - 112年,2016页。视图:出版商的网站|谷歌学术搜索
13. Y.-J。香港,j .雪和m . Thottethodi“Dynamic server配置最小化成本在一个IaaS云”ACM SIGMETRICS国际会议的程序测量和建模的计算机系统,SIGMETRICS”11ACM,页147 - 148年,2011年6月。视图:出版商的网站|谷歌学术搜索
14. A . Beloglazov r . Buyya y . c . Lee和A . Zomaya”分类法和节能的数据中心和云计算系统的调查,“电脑的发展卷,82年,页47 - 111,2011。视图:出版商的网站|谷歌学术搜索
15. 曹z s盾,“动态虚拟机整合节能意识和SLA违反云计算,减少”学报》第13次国际会议上并行和分布式计算,应用程序和技术,PDCAT”12IEEE,页363 - 369年,2012年12月。视图:出版商的网站|谷歌学术搜索
16. a . Beloglazov j . Abawajy, r . Buyya”节能意识有效管理资源分配启发式的云计算数据中心,“未来一代计算机系统,28卷,不。5,755 - 768年,2012页。视图:出版商的网站|谷歌学术搜索
17. r . n .卡列罗斯r . Ranjany, r . Buyya”虚拟机配置基于分析性能和QoS在云计算环境中,”40学报》国际会议上并行处理,ICPP”112011年9月,页295 - 304。视图:出版商的网站|谷歌学术搜索
18. a . Beloglazov和r . Buyya”最优在线确定性算法和自适应启发式对能源和性能高效的动态整合云数据中心的虚拟机”并发性和计算:实践和经验,24卷,不。13日,1397 - 1420年,2012页。视图:出版商的网站|谷歌学术搜索
19. r·亚达夫•张(george w . bush)、h·陈和t .郭”妈妈:节能意识VM选择方案云数据中心,”学报》第28届国际研讨会数据库和专家系统应用程序(用),页132 - 136,法国里昂,2017年8月。视图:出版商的网站|谷歌学术搜索
20. s Kosta a . Aucinas p, r .这部和x张“Thinkair:动态资源分配和并行执行移动代码卸载,在云中”IEEE INFOCOM学报》上IEEE,页945 - 953年,2012年3月。视图:出版商的网站|谷歌学术搜索
21. s, r·马利克k . Bilal s汗,b . Veeravalli k . Li和a . y . Zomaya”建模和分析的热性能表现出cyberphysical数据中心,“IEEE系统杂志,11卷,不。1,第172 - 163页,2017。视图:出版商的网站|谷歌学术搜索
22. w·张,汉族,h .他和h·陈,“网络感知的虚拟机迁移的过量使用云,“未来一代计算机系统卷,76年,第442 - 428页,2017年。视图:出版商的网站|谷歌学术搜索
23. w·张,y, k .关d . " (h·罗和d . o . Wu”能量最优移动云计算在随机无线频道,“IEEE无线通信,12卷,不。9日,第4581 - 4569页,2013年。视图:出版商的网站|谷歌学术搜索
24. 美国Esfandiarpoor、a . Pahlavan和m . Goudarzi”支持结构在线虚拟机整合在云计算数据中心能源改善,”电脑和电子工程,42卷,第89 - 74页,2015年。视图:出版商的网站|谷歌学术搜索
25. 朱x, d .年轻,b·j·沃森et al .,“1000个岛屿:综合能力和工作负载管理下一代数据中心,”第五届国际会议上自主计算程序,廉政公署的08年2008年6月,页172 - 181。视图:出版商的网站|谷歌学术搜索
26. r . Nathuji和k·施万VirtualPower:虚拟企业系统的电源管理,协调”ACM SIGOPS操作系统复习第41卷。。6,265 - 278年,2007页。视图:出版商的网站|谷歌学术搜索
27. p . Ranganathan p .水蛭、d·欧文和c·杰弗里”密集的刀片服务器,Ensemble-level电源管理”ACM SIGARCH计算机体系结构的消息,34卷,不。2、66 - 77年,2006页。视图:谷歌学术搜索
28. 诉Venkatachalam、m·弗朗茨和c . w . Probst”的新方法估算compute-boundedness及其应用动态电压缩放、”国际期刊的嵌入式系统,3卷,不。1 - 2日,相当于17 - 30,2007页。视图:出版商的网站|谷歌学术搜索
29. W.-D x风扇。韦伯,洛杉矶巴罗佐“warehouse-sized电脑电源供应,”ACM SIGARCH计算机体系结构的消息,35卷,不。2,13-23,2007页。视图:出版商的网站|谷歌学术搜索
30. c·兰格d . Kosiankowski r·魏德曼,a . Gladisch“电信网络的能源消耗和相关改进选项,“IEEE选定的主题在量子电子学杂志》上,17卷,不。2、285 - 295年,2011页。视图:出版商的网站|谷歌学术搜索
31. y商、d·李和m .徐“节能意识在数据中心网络,路由”学报第一ACM SIGCOMM研讨会绿色网络2010年8月,页1 - 8,ACM,。视图:出版商的网站|谷歌学术搜索
32. Takouna, r . Rojas-Cessa、k (goldman Sachs)和c . Meinel”Communication-aware和节能调度的并行应用程序虚拟化数据中心”《IEEE / ACM国际会议6日在公用事业和云计算,UCC的13,页251 - 255,IEEE计算机协会,2013年12月。视图:出版商的网站|谷歌学术搜索
33. 顾h . r . Liu, x, x,“分布式能源利用的流调度数据中心网络,”IEEE通信信,17卷,不。4、801 - 804年,2013页。视图:出版商的网站|谷歌学术搜索
34. s c·沙阿,”最近的移动网格和云计算的发展,“智能自动化和软计算,1-13,2017页。视图:出版商的网站|谷歌学术搜索
35. d . Kusic j . o . Kephart j·e·汉森n . Kandasamy和g .江“虚拟计算环境的能力和绩效管理通过超前控制,”集群计算,12卷,不。1、1 - 15,2009页。视图:出版商的网站|谷歌学术搜索
36. 学术界。许和s w·普尔”权力SPECpower_ssj2008基准特征分析,”《IEEE国际研讨会上的系统和软件性能分析(ISPASS ' 11)德克萨斯州奥斯汀市,页227 - 236,美国,2011年4月。视图:出版商的网站|谷歌学术搜索
37. y王莲香,h . Pratiwi h . Sulistijowati, t .藤本植物,”M估计,评估,和MM估计鲁棒回归,”国际纯粹和应用数学杂志》上,没有。3、349 - 360年,2014页。视图:出版商的网站|谷歌学术搜索
38. h . Edelsbrunner和d . l . Souvaine”回归计算广场的最小值线和引导拓扑扫描,”美国统计协会杂志》上,卷85,不。409年,第119 - 115页,1990年。视图:出版商的网站|谷歌学术搜索
39. j·福克斯,应用回归分析和广义线性模型,2015年圣人。视图:出版商的网站|MathSciNet
40. r . n .卡列罗斯r .野生动物,a . Beloglazov c·a·f·德玫瑰,和r . Buyya”CloudSim:工具包对于云计算的建模和仿真环境和资源配置的评价算法,”软件:实践和经验第41卷。。1,23-50,2011页。视图:出版商的网站|谷歌学术搜索
41. k .公园和v . s .派”,通常:我想可以扩展监测系统,”ACM SIGOPS操作系统复习,40卷,不。1,第74 - 65页,2006。视图:出版商的网站|谷歌学术搜索

版权

版权©2017拉胡尔Yadav和Weizhe张。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。