【摘要】：在計算力需求的快速增長的趨勢下,云計算的規(guī)模不斷擴大,云數(shù)據(jù)中心產(chǎn)生的高額能耗問題日益凸顯。云數(shù)據(jù)中心規(guī)模龐大,具有異構(gòu)性和頻繁擴展等特點,因此基于物理設(shè)備傳統(tǒng)監(jiān)控的方式在云環(huán)境下可行性低,不能滿足低成本、易擴展的監(jiān)控需求。基于能耗模型的軟件監(jiān)控則能夠以低成本的方式實現(xiàn)多粒度、高可擴展性的監(jiān)控系統(tǒng),十分適用于云數(shù)據(jù)中心內(nèi)復(fù)雜的基礎(chǔ)設(shè)施環(huán)境。更進一步,在能耗監(jiān)控系統(tǒng)的支撐下,基于實時功耗信息優(yōu)化資源調(diào)配是目前實現(xiàn)云計算節(jié)能的主要趨勢。在這一背景下,本文以提升云數(shù)據(jù)中心的能效為基本目標(biāo),主要研究貢獻包括:(1)給出了基于能耗模型來估算計算設(shè)備總功耗的基本方法,歸納了主要能耗部件(CPU、內(nèi)存和磁盤)的主流能耗模型,分析了各模型的建模思想和主要缺陷。此外,在分析磁盤能耗特性的基礎(chǔ)上,提出了一種I/O模式感知的磁盤模型。結(jié)合公開數(shù)據(jù)集和實際實驗數(shù)據(jù)分析、評估和對比了各個能耗模型的準(zhǔn)確度。(2)針對傳統(tǒng)回歸建模方法存在的準(zhǔn)確性不足和無法進行增量訓(xùn)練的問題,本文提出需要考慮能耗序列在時間維度上的相關(guān)性,采用Elman神經(jīng)網(wǎng)絡(luò)(ENN)構(gòu)建了一種“黑盒”能耗模型,并通過融合計算密集型和I/O密集型的負(fù)載訓(xùn)練數(shù)據(jù)使得模型在混合負(fù)載下具有較強的泛化能力。(3)在彈性云計算調(diào)度框架下,借助實時的節(jié)點功耗信息,本文提出了一種保證系統(tǒng)性能并降低云數(shù)據(jù)中心能耗的虛擬機調(diào)度策略(PEAS)。在給出峰值能效的數(shù)學(xué)定義的基礎(chǔ)上,推導(dǎo)出了物理機的最佳利用率和最佳CRU供應(yīng)量,其中CRU(Compute Resource Unit)是計算資源的抽象。針對虛擬機(VM)的放置,設(shè)計了峰值能效感知的虛擬機放置算法(PEAP),該算法充分考慮物理機的異構(gòu)性,在放置VM時優(yōu)先選擇峰值能效高的主機,同時盡可能使主機運行在峰值能效狀態(tài)。在VM遷移方面,本文則提出了峰值能效感知的低開銷虛擬機遷移算法(PEACR),該算法采用動態(tài)閾值偵測低載主機,并以盡可能小的遷移代價實現(xiàn)虛擬機的重新放置,提升系統(tǒng)能效。在擴展的Cloudsim 3.0.3平臺上的對比調(diào)度實驗表明:PEAS以低開銷的方式有效降低了云數(shù)據(jù)中心的能耗,保證甚至提升了系統(tǒng)性能,同時通過大大降低服務(wù)等級協(xié)議(Service Level Agreement,SLA)違反率的方式提升了云計算服務(wù)質(zhì)量。
【圖文】：

華南理工大學(xué)碩士學(xué)位論文經(jīng)網(wǎng)絡(luò)模型網(wǎng)絡(luò)（BPNN）是在最基本的前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)上引入誤差反, BP）訓(xùn)練機制的一種常用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。與前饋神經(jīng)網(wǎng)絡(luò)相前向傳遞，在每一層的輸入經(jīng)過加權(quán)相乘后加上偏置并經(jīng)過（非輸出層則將本層輸出傳遞到下一層作為輸入）。PNN 來構(gòu)建能耗模型有兩種思路，分別對應(yīng)于兩種預(yù)測方式輸出值預(yù)測當(dāng)前輸出值，即輸入和輸出均為固定大小時間窗模型為滑動窗口 BPNN 能耗模型，其網(wǎng)絡(luò)結(jié)構(gòu)如下圖所示

系統(tǒng)利用率為輸入的 BPNN 能耗模型的網(wǎng)絡(luò)結(jié) 維特征輸入，一般為系統(tǒng)某利用率指標(biāo)。這種能缺陷——完全沒有考慮功耗序列在時間上的相關(guān)經(jīng)網(wǎng)絡(luò)模型歸網(wǎng)絡(luò)模型(Non-linear Auto-Regressive Model, N絡(luò)模型(Non-linear Auto-Regressive Model with網(wǎng)絡(luò)的兩種實現(xiàn)，普遍應(yīng)用于在時間序列數(shù)據(jù)集接受過去的連續(xù) n 個時刻的功耗值 p(t-n), p(t-n層則一般僅設(shè)置一個節(jié)點，對應(yīng)當(dāng)前時刻功耗 p構(gòu)如圖 4-3 所示。NAR 與滑動窗口 BPNN 模型態(tài)特征。所不同的是，NAR 的網(wǎng)絡(luò)最終輸出直
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP308

【參考文獻】

相關(guān)期刊論文 前2條

1 羅亮;吳文峻;張飛;;面向云計算數(shù)據(jù)中心的能耗建模方法[J];軟件學(xué)報;2014年07期

2 葉可江;吳朝暉;姜曉紅;何欽銘;;虛擬化云計算平臺的能耗管理[J];計算機學(xué)報;2012年06期

，

本文編號：2615385