自学习预测与Enhanced-conservative算法：多层次服务器集群节能策略

本文研究的是"多层次的网络服务器集群功耗管理"，针对服务器集群的能耗问题，提出了一种创新的方法，旨在在不影响系统性能的前提下，有效降低集群的功耗。研究方法分为两个层次：集群层次的功耗管理和本地节点层次的功耗管理。 在集群层次的功耗管理中，采用了自学习负载预测的按需启动策略。这种策略通过实时学习和预测作业的负载需求，动态地决定将计算任务分配到哪些节点，减少整体的空闲资源，从而提升系统资源利用率。然而，这种策略在处理负载变化对节点功耗的影响方面可能存在局限性。 为了弥补这一点，研究引入了本地节点层次的功耗管理，特别是Enhanced-conservative调控器算法。这个算法针对负载下降导致的节点空闲问题，增强了频率调整的敏感性，能够更好地适应负载变化，对节点内的各个部件状态进行动态控制，从而减少能耗。 实验部分构建了一个异构集群系统，包括一个管理节点和十个不同计算能力的计算节点，以此平台来测试多层次的功耗管理策略。结果显示，相比于其他策略，这种多层次管理策略能够在保证性能损失不超过20%的前提下，显著降低整个系统的功耗，显示出明显的节能效果和优化资源利用的优势。 这项研究不仅关注了服务器集群的性能优化，也充分考虑了能耗问题，对于能源效率提升和绿色计算有着重要的实践意义。它拓展了动态功率管理技术的应用范围，特别是在高性能计算领域，有助于实现节能减排和可持续发展。