Исследование энергосберегающей инфраструктуры путем управления облачной инфраструктурой для снижения энергопотребления сочинение пример

ООО "Сочинения-Про"

Ежедневно 8:00–20:00

Санкт-Петербург

Ленинский проспект, 140Ж

magbo system

Сочинение на тему Исследование энергосберегающей инфраструктуры путем управления облачной инфраструктурой для снижения энергопотребления

Ключевые слова: консолидация серверов, миграция виртуальных машин, качество обслуживания, виртуализированный центр обработки данных, соглашения об уровне обслуживания, максимальная настройка термостата, энергосбережение, размещение виртуальных машин, миграция, динамическое распределение ресурсов, облачные вычисления, центры обработки данных

Введение

Облачные вычисления – это архитектура для предоставления вычислительных услуг через Интернет по запросу и платного доступа к пулу общих ресурсов, а именно сетей, хранилищ, серверов, служб и приложений, без их физического приобретения [1]. Этот тип вычислений предоставляет множество преимуществ для предприятий, более короткое время запуска новых услуг, более низкие затраты на обслуживание и эксплуатацию, более высокое использование благодаря виртуализации и более простое аварийное восстановление, что делает облачные вычисления привлекательным вариантом [2]. Эта технологическая тенденция позволила реализовать новую вычислительную модель, в которой ресурсы (например, центральный процессор и хранилище) предоставляются в качестве общих утилит, которые могут быть арендованы и выпущены пользователями через Интернет по требованию [3] [4]. Более того, файлы данных пользователя могут быть доступны и управляться с любого другого компьютера с использованием интернет-сервисов [5]. Облачные вычисления связаны с предоставлением услуг, когда поставщики услуг предлагают компьютерные услуги для потребителей по сети [6]

Облачные вычисления – это один из интернет-провайдеров, который позволяет пользователям получать доступ к услугам по требованию. Он предоставляет пул общих ресурсов информации, программного обеспечения, баз данных и других устройств в соответствии с запросом клиента [7]. Облачные вычисления предоставляют различные услуги в соответствии с запросом клиента, связанным с программным обеспечением, платформой, инфраструктурой, данными, идентификацией и управлением политиками [8]. Модель доставки в облачной среде состоит из трех основных типов; Инфраструктура как услуга (IaaS), Платформа как услуга (PaaS) и Программное обеспечение как услуга (SaaS) [9]. В IaaS услуги базового уровня инфраструктуры, такие как хранение, управление базами данных и вычислительные возможности, предоставляются по запросу [10]. В PaaS эта платформа используется для проектирования, разработки, сборки и тестирования приложений. В то время как SaaS – это масштабируемые интернет-приложения, предлагаемые конечным пользователям в качестве услуг [11]. Где конечные пользователи могут пользоваться программным обеспечением или услугами, предоставляемыми SaaS, без покупки и обслуживания накладных расходов [12].

Четырьмя фундаментальными моделями организации облачных вычислений являются публичное облако, частное облако, модель сообщества и гибридное облако [13]. Для предоставления услуг облачных вычислений многочисленные поставщики вычислительных услуг, включая Yahoo, Microsoft, IBM и Google, быстро отправляют центры обработки данных в различные места [14]. Обладая конкретной конечной целью – повысить высокую эффективность и экономить электроэнергию за счет расширения ИТ, облачные вычисления пришли к ИТ-бизнесу. Мировое распространение облачных вычислений впоследствии привело к значительному увеличению энергопотребления центров обработки данных. По центрам обработки данных тысячи взаимосвязанных серверов составлены и работают для предоставления различных облачных сервисов [15].

С быстрым ростом технологии облачных вычислений и созданием большого количества центров обработки данных проблема высокого энергопотребления становится все более серьезной. Производительность и эффективность центра обработки данных можно выразить через количество подаваемой электрической энергии [16].

В облачной среде запрашиваемые клиентом сервисы исправляются за счет использования виртуальных машин, присутствующих на сервере. Каждая виртуальная машина обладает различными возможностями, поэтому становится сложнее планировать работу и распределять рабочую нагрузку между узлами [17]. Балансировка нагрузки является одной из центральных проблем облачных вычислений, это механизм, который равномерно распределяет динамическую локальную рабочую нагрузку по всему серверу во всем облаке, чтобы избежать ситуации, когда некоторые серверы сильно загружены, в то время как другие не работают или выполняют небольшую работу [ 18]. Тенденция к серверным вычислениям и растущая популярность интернет-сервисов сделали центры обработки данных быстро стать неотъемлемой частью интернет-структуры. Центры обработки данных становятся все более популярными на крупных предприятиях, в банках, телекоммуникациях, на сайтах порталов и т. Д. [19]. Поскольку центры обработки данных неизбежно становятся все более сложными и крупными, это создает много проблем для развертывания, управления ресурсами и надежности услуг и т. Д. [20]. Центр обработки данных, построенный с использованием технологии виртуализации серверов с виртуальными машинами (ВМ) в качестве основных элементов обработки, называется виртуализированным (или виртуальным) центром обработки данных (VDC) [21] [22]

Виртуализация рассматривается как эффективный способ решения этих проблем. Виртуализация серверов открывает возможность достижения более высокой консолидации серверов и более динамичной динамической инициализации ресурсов, чем это возможно на традиционных платформах [23] [24]. Виртуализация серверов открывает возможность достижения более высокой консолидации серверов и более динамичной динамической инициализации ресурсов, чем это возможно на традиционных платформах [25]. Консолидация нескольких серверов и их рабочих нагрузок имеет целью минимизацию количества ресурсов, например компьютерных серверов, необходимых для поддержки рабочих нагрузок. Помимо снижения затрат, это также может привести к снижению пиковой и средней потребляемой мощности. Снижение пиковой потребляемой мощности может быть важным в некоторых центрах обработки данных, если пиковая мощность не может быть легко увеличена [26] [27]. Консолидация серверов особенно важна, когда пользовательские рабочие нагрузки непредсказуемы и требуют периодического пересмотра. Всякий раз, когда пользователь изменяет требования, виртуальные машины могут быть изменены и перенесены на другие физические серверы при необходимости [28].

Антонио Корради и др. [29] проиллюстрировал проблему консолидации виртуальных машин в облачных сценариях, разъяснив основные цели оптимизации, рекомендации по проектированию и проблемы. Для лучшей поддержки предположений, изложенных в этом документе, он представил и использовал Open Stack, платформу с открытым исходным кодом для облачных вычислений, которая в настоящее время получила широкое распространение как в научных кругах, так и в промышленности. Наши экспериментальные результаты убедили нас в том, что консолидация виртуальных машин является чрезвычайно возможным решением для снижения энергопотребления, но в то же время ее необходимо тщательно контролировать для предотвращения чрезмерного снижения производительности. Используя три значимых тематических исследования, очень репрезентативно для различных видов использования. Эта статья показала, что снижение производительности нелегко предсказать из-за многих запутанных и взаимосвязанных аспектов. На данный момент эта работа заинтересована в продолжении исследования других важных направлений исследований. Во-первых, он хочет лучше понять, как консолидация серверов влияет на производительность отдельных сервисов и роль SLA в процессе принятия решений. Нашей основной целью исследований в этом направлении была автоматическая идентификация значимых профилей услуг, полезных для детализации введенной рабочей нагрузки, например, связанных с ЦП или сетью, для лучшего прогнозирования помех консолидации ВМ. Во-вторых, он хочет развернуть более крупный стенд OpenStack Cloud, чтобы включить и протестировать более сложные алгоритмы размещения виртуальных машин. В-третьих, он хочет расширить инфраструктуру управления для выполнения автоматической динамической миграции виртуальных машин с целью динамического снижения энергопотребления в облаке: наше основное руководство в области исследований заключается в рассмотрении исторических данных и профилей услуг для лучшей характеристики побочных эффектов консолидации виртуальных машин.

Ayan Banerjee et.al [30] предложил скоординированный, учитывающий охлаждение алгоритм размещения рабочих мест и управления охлаждением, Highest Thermostat Setting (HTS). HTS был осведомлен о динамическом поведении устройств кондиционирования воздуха в компьютерных залах (CRAC) и размещал задания, чтобы снизить требования к охлаждению от CRAC. HTS также динамически обновляет уставку термостата CRAC, чтобы снизить потребление энергии охлаждения. Кроме того, был проанализирован алгоритм коэффициента энергетической неэффективности пространственного планирования заданий (так называемое трудоустройство), также называемый SP-EIR, путем сравнения общего (потребляемого + охлаждающего) энергопотребления алгоритмов с минимально возможным энергопотреблением, предполагая, что что время начала работы уже было решено для удовлетворения соглашений об уровне обслуживания (SLA). Этот анализ был выполнен для двух моделей охлаждения, постоянной и динамической, чтобы показать, как допущение модели постоянного охлаждения в предыдущих исследованиях не учитывает возможности экономии энергии. Результаты моделирования, основанные на измерениях мощности и трассировках заданий из центра обработки данных HPC ASU, показывают, что: (i) HTS имеет на 15% более низкую SP-EIR по сравнению с LRH, тепловым алгоритмом пространственного планирования; и (ii) в сочетании с FCFS-Backfill HTS увеличивает пропускную способность на единицу энергии на 6,89% и 5,56% соответственно по сравнению с LRH и MTDP (энергоэффективный алгоритм пространственного планирования с консолидацией серверов).

Gaurav Chadha et.al [31] проиллюстрировал LIMO, систему времени выполнения, которая динамически управляет количеством запущенных потоков приложения для максимизации производительности и энергоэффективности. LIMO отслеживает прогресс потоков наряду с использованием общих аппаратных ресурсов, чтобы определить оптимальное количество потоков для выполнения, а также уровень напряжения и частоты. Благодаря динамической адаптации LIMO обеспечивает повышение производительности в среднем на 21% и повышение энергоэффективности в 32 раза по сравнению с конфигурацией по умолчанию, состоящей из 32 потоков, для набора параллельных приложений из пакета PARSEC, веб-сервера Apache, и система распознавания речи Сфинкса.

Jordi Guitart et.al [32] предложил стратегию управления перегрузкой для защищенных веб-приложений, которая объединяет динамическое выделение ресурсов платформы и управление доступом на основе разграничения соединений на уровне защищенных сокетов (SSL). Динамическая инициализация позволяет выделять дополнительные ресурсы приложению по требованию для обработки увеличения рабочей нагрузки, в то время как механизм управления доступом предотвращает снижение производительности сервера, динамически ограничивая число принятых новых SSL-соединений и преимущественно обслуживая возобновленные SSL-соединения (чтобы максимизировать производительность во время сеанса). среды), в то время как дополнительные ресурсы предоставляются. Это демонстрирует преимущества темы этой работы для эффективного управления ресурсами и предотвращения перегрузки сервера на четырехпроцессорной многопроцессорной хостинговой платформе Linux, особенно когда хостинговая платформа была полностью перегружена.

Антон Белоглазов и др. [33] предложили архитектурную основу и принципы для энергоэффективных облачных вычислений. Основанные на этой архитектуре, открытые исследовательские задачи и алгоритмы выделения и выделения ресурсов для энергоэффективного управления средами облачных вычислений. Предлагаемое эвристическое распределение с учетом энергопотребления предоставляет ресурсы центра обработки данных клиентским приложениям таким образом, чтобы повысить энергоэффективность центра обработки данных, одновременно обеспечивая согласованное качество обслуживания (QoS). В частности, в этом документе проводится обзор исследований в области энергоэффективных вычислений и предлагаются: (а) архитектурные принципы для энергоэффективного управления облаками; (b) энергосберегающие политики распределения ресурсов и алгоритмы планирования, учитывающие ожидания QoS и характеристики энергопотребления устройств; и (c) ряд открытых исследовательских задач, решение которых может принести существенную пользу как поставщикам ресурсов, так и потребителям. В этой работе был подтвержден предлагаемый подход путем проведения исследования оценки производительности с использованием инструментария CloudSim. Результаты демонстрируют, что модель облачных вычислений обладает огромным потенциалом, поскольку она предлагает значительную экономию затрат и демонстрирует высокий потенциал для повышения энергоэффективности в сценариях с динамической рабочей нагрузкой.

Надя Кара и др. [34] предложили рассмотреть вопросы для конкретного применения IVR. Он определяет планирование задач и стратегии совместного использования вычислительных ресурсов на основе генетических алгоритмов, в которых оптимизируются различные задачи. Цель выбора генетических алгоритмов из-за его надежности и эффективности для разработки эффективных планировщиков была в значительной степени доказана в литературе. Более конкретно, этот метод идентифицирует назначения задач, которые гарантируют максимальное использование ресурсов при минимизации времени выполнения задач. В этой статье также предлагается стратегия распределения ресурсов, которая минимизирует использование ресурсов субстрата и время выделения ресурсов. А также этот метод моделировал алгоритмы, используемые предложенными стратегиями, и измерял и анализировал их эффективность.

Чтобы решить проблему с высоким энергопотреблением, Zhou et.al [35] представил алгоритм консолидации энергоэффективных виртуальных машин, названный алгоритмом развертывания виртуальной машины на основе прогнозирования для повышения энергоэффективности (PVDE). Для классификации хостов в центре обработки данных использовался метод линейного взвешивания и прогнозирования нагрузки на хост. Они выполнили анализ высокой производительности. В своей работе алгоритм снижает потребление энергии и поддерживает нарушение соглашения об уровне обслуживания (SLA) по сравнению с другими алгоритмами энергосбережения в экспериментальном результате.

Li et.al [36] представил сложную тепловую модель для решения проблемы энергетического и теплового моделирования реалистичной работы облачного центра обработки данных, которая анализирует распределение температуры воздушного потока и ЦП сервера. Для минимизации общего энергопотребления центра обработки данных автор представил GRANITE – целостный алгоритм планирования виртуальных машин. Алгоритм был оценен по сравнению с другими существующими алгоритмами планирования рабочей нагрузки IQR, TASA и MaxUtil и Random с использованием характеристик реальной облачной рабочей нагрузки, извлеченных из журнала трассировки центра данных Google. GRANITE потребляет меньше общей энергии и снижает вероятность критической температуры по сравнению с существующей, продемонстрированной в результате.

Hancong Duan et.al представил новый подход к планированию, названный Pre Ant Policy [37]. Основанный на фрактальной математике, их метод состоит из модели прогнозирования и на основе улучшенного алгоритма муравьиных колоний (ABC) планировщика. Для запуска выполнения планировщика с помощью прогнозирования тренда нагрузки была определена модель прогнозирования и при условии обеспечения …

Зарегистрируйся, чтобы продолжить изучение работы

    Поделиться сочинением
    Ещё сочинения
    Нет времени делать работу? Закажите!

    Отправляя форму, вы соглашаетесь с политикой конфиденциальности и обработкой ваших персональных данных.