未知服务需求下服务器能耗分析

可在www.sciencedirect.com在线获取理论计算机科学电子笔记353（2020）21-38www.elsevier.com/locate/entcs未知服务需求下服务器的能耗Ali Alssaiari1 奈杰尔·托马斯2英国纽卡斯尔大学计算机学院摘要我们使用三种策略来评估未知服务需求下的能耗：基于猜测大小的任务分配（TAGS），最短队列策略和同构环境中的随机分配。我们使用性能评估处理代数（PEPA）对这些策略进行建模，数值解我们的研究结果表明，在TAGS下运行的服务器消耗更多的能源比其他政策的总能耗。相比之下，当到达率高并且作业大小可变时，TAGS在每个作业的能量方面关键词：能耗，性能，建模，PEPA。1引言近年来，对计算能耗的兴趣有所增长，因为我们的目标是降低运行设备（例如服务器、路由器、不可中断电源、冷却系统和其他辅助设备）的能源成本然而，计算机系统中的能量使用持续增长。研究表明，数字电子设备（如手机和平板电脑）的使用增加，对数字媒体服务（如视频流媒体和在线电视服务）的需求不断增长[17]。此外，预计数据中心的作用将在今后几年进一步发展。物联网和数字设备依赖于数据中心作为骨干基础设施，在提供商和最终用户之间提供通信服务和数据传输服务。据报道，2010年仅数据中心就使用了全球1.5%的电力[11]。从2010年到2030年，数据中心的能源消耗预计将增加13%[3]。能耗1电子邮件：a. ncl.ac.uk2电子邮件：nigel. newcastle.ac.ukhttps://doi.org/10.1016/j.entcs.2020.09.0171571-0661/© 2020作者。出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。22A. Alssaiari，N.Thomas/Electronic Notes in Theoretical Computer Science 353（2020）21数据中心的用电量和处理技术在许多以前的研究中已有详细记录，包括[16，4，1，8，15，23]。服务器通常是数据中心中最大的能源消耗者[12，18]。然而，服务器的使用通常非常不合理，消耗能源，而在大多数时间内利用率很低[7]。因此，研究和调查工作调度和分配政策和技术，以克服低利用率是必要的。然而，应考虑这些政策对能源消费的影响。一些研究侧重于提高系统性能，而没有考虑性能提高对能耗的影响。Gardner等 [10]引入了一个作业冗余模型，以解耦服务器速度降低和作业大小。冗余的思想是复制相同的作业请求，并将其发送到多个服务器进行处理。然后，当作业在任何服务器上完成时，请求被认为已成功处理当服务器端的可变性很大时，主要关注的是减少响应时间服务器的可变性是指服务器由于高负载、网络错误或不同服务器的硬件规格而变慢的可能性。Benjamin等人. [6]专注于研究跨多个CPU内核的并行作业调度。该研究的主要目的是找到一种调度机制，将传入的作业分布在多核上，以减少平均响应时间。[9]详细介绍了用于工作负载建模的服务分布建模和服务分布比较。Jayasinghe[5]研究并调查了在现实工作负载下的服务器群中分配任务。他提出了三种不同的任务分配策略，用于服务器群中的时间共享。此外，他提供了一个考虑下重尾任务调度任务的在本文中，我们考虑的调度器的选择对性能和能源的影响。我们评估了基于猜测大小（TAGS）分配策略的任务分配，并将其与最短队列策略和随机分配的总能耗和每个作业的能耗进行了比较。所有这三种政策都假定不了解服务需求或工作规模。以前，这些政策是根据[20]中的性能进行评估的，但没有考虑到能源消耗已经给出。本文的其余部分组织如下。在第二节中，我们使用马尔可夫过程代数PEPA分析和在第3节中，给出了评估性能指标的数值结果。第四节介绍了能量模型和能耗结果。最后，第5节包含了对未来工作的讨论，并总结了本文。2模型这一部分介绍了随机分配策略、最短队列策略和TAGS算法。 我们对PEPA中的三个政策进行了建模，其正式介绍可以在[14]中找到。我们假设，在所有情况下，工作到达系统中的泊松流，并在离开系统之前收到一个单一的服务A. Alssaiari，N.Thomas/Electronic Notes in Theoretical Computer Science 353（2020）2123假设工作是独立同分布的。我们研究了两种服务需求类型下的能耗和性能：（i）指数服务需求和（ii）两阶段超指数服务需求。队列是有界的，因为PEPA（最大容量为10个作业）不支持无限队列。因此，队列可能已满，导致拒绝新到达的作业加入队列。我们假设所有的服务都是先到先得。在第2.3节中，我们介绍了模型及其参数的PEPA规范2.1随机分配随机分配策略将到达作业随机分配到队列中。因此，它不考虑有多少作业已经在队列中等待。 作为结果，一个队列可能被过多的作业占用，而另一个队列为空或半满。 此外，失去工作的可能性很高，因为把工作送到满队列导致永久丢弃该作业。此外，短作业可能会延迟很长一段时间，当陷入后面的长作业，这是没有检测到的随机调度器。然而，随机分配可能是一个有吸引力的选择，因为不需要关于系统的知识。因此，实现起来相对简单。2.2最短队列最短队列策略克服了队列之间的负载平衡问题。当作业到达时，策略将它们转发到等待作业最少的队列，从而导致没有队列变满，而其他队列仍然具有可用容量。因此，只要到达率不超过系统容量，失去工作的概率就不那么重要。 然而，短作业可能会被延迟很长一段时间后，卡住了一个长的作业，因为这种策略只计算等待的作业，而不是他们的服务需求。最短队列涉及管理开销，因为策略必须了解队列的状态。如果轮询队列中的延迟很长，则此开销可能很大，导致实际性能较差。然而，在本文中，我们不考虑这方面。2.3基于猜测大小的任务分配（TAGS）TAGS计划最初是由Harchol-Balter[13]提出的，目的是解决长期服务需求的工作过度延迟短期服务的工作的问题。该算法的主要优点是在执行前对服务需求未知的作业进行分配。在这种方法中，作业被发送到单个服务器队列。 服务器开始处理队列中的第一个作业， 或已完成，或已完成。如果在作业完成之前达到超时，则传输作业下一个服务器当作业到达下一个服务器时，将重复相同的步骤，但此级别的超时时间会增加。 这个过程会重复进行，每次超时时间都更长，直到最后一个服务器到达。在这最后的工作24A. Alssaiari，N.Thomas/Electronic Notes in Theoretical Computer Science 353（2020）21到来离港重启离港阶段接受服务，直至完成。假设没有检查点，因此必须重复在前一阶段累积的任何服务。显然，与随机分配和最短队列相比，TAGS可以克服短作业卡在长作业后面的问题，但是重复服务中存在开销，这可能会影响性能。如果超时太短，那么太多的作业将需要重复服务，如果超时太长，那么每个重复服务的持续时间将延迟完成。Fig. 1. TAGS中的工作分配流程TAGS与多级反馈排队的主要区别在于， 在TAGS方法中，如果作业到达超时期限的末尾，则将终止作业在服务器上。然后，它被传输到下一个服务器并从头开始。相反，在多级反馈排队中，服务从它在前一个服务器上停止的位置在下一个服务器因此，没有丢失电子邮件，但是在记录执行状态时消耗了资源，这可能是很重要的。图1说明了TAGS的概念Thomas[20]在PEPA中研究并建模了TAGS，并表明当作业大小变化性较高时，与随机分配和最短队列策略相比，TAGS可以在各种性能指标上表现良好;然而，需要优化超时值。在本文中，我们考虑的能源消耗水平和性能使用TAGS计划，并比较它的能源消耗随机分配和最短队列策略。2.4PEPA中的模型PEPA中的最短队列和随机分配模型在[21]中描述，我们使用了[20]中介绍的相同TAGS模型。由于PEPA是马尔可夫进程代数，因此TAGS中使用的确定性超时由Erlang分布建模。在每个策略中，服务分布被认为是负指数（因此相对低的方差）或两阶段超指数（相对高的方差）。在所有情况下，到达间隔期都是负指数分布的，最大队列长度是有限的（最大大小为10个作业）。图2说明了指数需求下PEPA中的TAGS模型，而图3说明了超指数需求下的模型。PEPA模型的符号总结在表1中。为了便于数值处理和理解，节点的数量限制为两个，因为这足以研究使用A. Alssaiari，N.Thomas/Electronic Notes in Theoretical Computer Science 353（2020）2125defdefdefdefdefdefdefdefdef=defdefQ10=（到达，λ）. Q1i;Q1我=（到达，λ）.Q1i+1+（服务1，T）.Q1i−1+（tick1，T）.Q1i+（timeout，T）.Q1i−1; 1≤i K 1Q1n=（service1，T）.Q1n−1+（tick1，T）.Q1n+（timeout，T）.Q1n−1server 1=（service1，μ）.服务器1;定时器10定时器1i=（timeout，t）.Timer1n+（service1，T）.Timer1n=（tick1，t）.Timer1i−1+（service1T）.Timer1n1≤i≤n第二季度0Q2i=（timeout，T）.Q2i=（timeout，T）.Q2i+1+（tick2，T）.Q2i+（repeatservice，T）.Q2iJ1≤i K 2Q2K2=（timeout，T）.Q2K2+（tick2，T）.Q2K2+（re peatservi ce，T）. Q2KJ2Q2Jid=ef（timeout，T）.Q2iJ+1+（service2，T）.Q2i−11≤i K 2Q2KJ2def（tim eou t，T）.Q2KJ2+（servi ce2，T）。Q2KJ2−1定时器2 0=（repeatservice，t）。（service2，μ）.Timer2 nTimer2i=（tick2，t）。（定时器2i）1≤i≤n（（第一季D服务器1）D 定时器1n）D （队列20D 定时器2n）服务1K超时L其中K=（服务1，超时，滴答 1），L=（重复服务，服务2，滴答 2）图2。PEPA TAGS指数模型符号意义Q1i服务器1第一个队列。第一个服务器Timer1i第一个定时器，用于决定是否终止作业执行在特定处理时间后的第一个服务器Timer2iQ2iK1第二服务器中的定时器用于对重复服务进行建模。第二个队列。第一个队列的最大长度K2第二个队列的最大长度到来到达的过程。服务我超时服务进程i=1，2.超时操作，在触发时终止服务器1上的作业勾选1超时时钟的滴答动作中继服务重复服务操作，重复服务量在服务器1中超时。表1PEPA模型符号能源消耗的TAGS方案。队列大小是有界的，因此作业在到达时可能会从第一个节点丢失，或者在完成超时服务后在后续节点丢失。因此，如果负载很高，第二个节26A. Alssaiari，N.Thomas/Electronic Notes in Theoretical Computer Science 353（2020）21点可能会丢失一部分作业，而第一个节点的超时时间太短。相反，第一个节点的长超时将增加第一个节点丢失作业的可能性，因为队列已满，拒绝来自A. Alssaiari，N.Thomas/Electronic Notes in Theoretical Computer Science 353（2020）2127加入队列。队列以这样的方式建模，即每个作业都表示为队列的单独命名的衍生物。第一个节点的超时使用Erlang分布建模，并且滴答数是固定的。当队列不为空时，超时时钟在队列的每个导数的开始处开始这是通过在每个导数处引入报价动作来实现的。超时操作和服务进程服务%1之间存在竞争如果超时操作获胜，则终止作业并将其传输到第二个节点，以便从头开始重新启动服务。否则，任务将离开系统，因为它在超时操作触发之前完成。在这两种情况下，超时时钟都被重置。如果有作业在队列中等待，则竞争再次开始;否则，如果队列为空，则服务器进入空闲状态，直到新作业到达。超时后，作业在第二个节点重新启动，并接收第一个节点中超时的服务量（相同的 滴 答 数 ） 的 重 复 过 程 。 为 了 克 服 重 传 问 题 ， 这 通 过 在 定 时 器 2 中 引 入repeatservice动作来表示，而作业的剩余部分从动作服务2接收服务。2.5超指数分布当考虑TAGS时，指数分布并不是最有趣的，因为TAGS的主要动机是在长时间运行的作业中实现短作业的吞吐量。因此，TAGS将在混合工作负载中表现最佳，其中有许多短作业和一些非常长的运行作业。在PEPA中对超指数分布建模涉及到一些额外因子的实现，以产生所需的概率分支。因此，每个超时和服务1动作必须发生两次，速率乘以α和（1-α），以确定下一个作业是否将以适当的速率μ1或μ2（分别为导数Q1i和Q1Ji）提供服务。唯一的例外是Q11，如果这些操作导致队列清空，则所需的分支将在第10季度进行一次抵达行动。在第二个节点中，分支过程不太复杂，分支发生在repeatservice动作处。显然，短作业超时的概率小于长作业超时的概率，这就需要计算合成概率αJ。图3显示了实现H2分发支持更改后的TAGS模型。3数值解使用PEPA eclipse插件对模型进行了数值分析[22]。为了有效性，我们使用了[20]用于性能分析的相同模型和变量。所有情况下的最大队列长度都设置为（K1=K2=10）。Erlang超时的阶段数为6，n=5。短期工作的比例设定为α= 0.99，平均服务设定为μ=10。通过将服务速率指定为28A. Alssaiari，N.Thomas/Electronic Notes in Theoretical Computer Science 353（2020）21defdefdefdefdefdefdefdef===defdefdefdef1Q1 0= （arrival，λ）.Q1i;Q1我= （到达，λ）.Q1i+1+（服务1，T）.Q1i−1+（tick1，T）.Q1i+（timeout，T）.Q1i−1; 1≤i K 1Q1n=（service1，T）.Q1n−1+（tick1，T）.Q1n+（timeout，T）.Q1n−1服务器1=服务器1Jd=ef（service1，α<$μ1）.Server1+（service1，（1−α）<$μ1）.Server1J+（timeout，αt）.Server1+（timeout，（1−α）t）.Server1J+（tick1，t）.Server1（service1，α<$μ2）.Server1+（service1，（1−α）<$μ2）.Server1J+（timeout，αt）.Server1+（timeout，（1−α）t）.Server1J+（tick1，t）.Server1J定时器10定时器1i=（timeout，t）.Timer1n+（service1，T）.Timer1n=（tick1，t）.Timer1i−1+（service1，T）.Timer1n1≤i≤n第二季度0Q2i=（timeout，T）.Q2i=（timeout，T）.Q2i+1+（tick2，T）.Q2i+（repeatservice，T）.Q2iJ，1≤i K 2Q2K2def（timeout，T）.Q2K2+（tick2，T）.Q2K2+（re peatservi ce，T）. Q2Kj2，Q2Jid=ef（timeout，T）.Q2iJ+1+（service2，T）.Q2i−1、1≤i K 2Q2KJ2def（tim eou t，T）.Q2KJ2+（servi ce2，T）。Q2KJ2−1Timer2def（repeatservice，αJt）. （service2，μ）.Timer2+（repeatservice，（1 − αJ）t）。（service2，μ2）. Timer25def定时器25= （tick2，t）.定时器24计时器24= （tick2，t）.定时器23计时器23= （tick2，t）.Timer22定时器22= （tick2，t）.定时器21计时器21= （tick2，t）.Timer20（（第一季 D服务器1）D 定时器15） D（队列20D 定时器25）K KtimeoutL其中，K=（服务1，超时，计时 1），L=（重复服务，服务2，计时 2）图3.第三章。PEPA TAGS超指数模型第二个节点比第一个节点的服务速率小100倍：μ1= 100μ2。作业是独立的（即，它们不共享资源）并且没有优先级约束。这在指数情况下产生了4331个状态的模型，在超指数情况下上升到9882个状态。我们没有评估更广泛的系统，因为CTMC有近05A. Alssaiari，N.Thomas/Electronic Notes in Theoretical Computer Science 353（2020）212910000个状态，这接近我们使用PEPA Eclipse插件能够解决的最大状态数对于本文中的所有场景，通过计算每个到达率的最佳值的超时率t来优化TAGS以获得最大30A. Alssaiari，N.Thomas/Electronic Notes in Theoretical Computer Science 353（2020）21最短队列随机标签3.1指数服务需求图2所示的模型代表了指数需求的情况，通过分析可以获得吞吐量和平均响应时间。每种情况下的平均超时持续时间可以计算为t/n+1。20.0018.0016.0014.00不12.0010.008.006.004.0019171513 11 9 7 5到达率图四、吞吐量随到达率λ而变化，μ= 10。图4显示了吞吐量随到达速率λ的变化。TAGS算法针对最大吞吐量进行优化，t的最佳值分别为52、54、54和54（对于λ= 11、9、7和5对应平均值超时持续时间分别约为8.66、9、9和9。随机分配和最短队列图也包括用于对比。图5显示了两个服务器的使用情况。在所有到达率下，最短队列策略的工作损失几乎不显著（最高到达率为0.5，最低到达率为10-12），而在随机分配和TAGS策略下，高到达率下的工作损失略高这些发现表明，与指数服务需求下的随机和最短队列策略相比，TAGS不是很有用，特别是当服务需求增加时，导致TAGS中未完成作业率增加这是预期的，因为众所周知，指数到达和服务需求的最优策略是最短队列。3.2超指数服务需求超指数需求比指数需求具有更大的服务需求方差图6显示了当服务需求具有H2分布时，吞吐量随到达率的变化.结果显示为TAGS，最短队列和随机分配。短期工作的比例设定为α= 0.99，平均服务设定为μ=10。通过将第二个节点的服务速率指定为短作业的100倍，将长作业大小设置为短作业的100倍A. Alssaiari，N.Thomas/Electronic Notes in Theoretical Computer Science 353（2020）213110.90.80.70.6U0.50.40.30.20.1019 171513 11 9 7 5到达率(a) Server110.90.80.70.6U0.50.40.30.20.10191715 13 11 9 7 5到达率(b) Server2图五. (a)服务器1利用率和（b）服务器2利用率，相对于到达率λ变化，μ= 10。第一个节点的服务速率：μ1= 100μ2。在服务需求增加和负载变化较大的情况下，TAGS的性能明显优于最短队列和随机分配。为什么TAGS比最短队列更好的解释很容易澄清。当两个队列都被两个长作业占用时，最短队列策略将丢失作业图7。当一个长作业到达系统并转发到第一台服务器时，可能会发生这种情况，如果另一个长作业到达，它将被转发到第二台服务器，因为第一台服务器已经被长作业占用因此，两个队列都将满，如果有任何新的作业到达系统，则会从队列中删除，从而导致作业丢失率增加。相比之下，如果对超时进行了很好的调整，TAGS会降低两个队列都满的可能性。第一个队列不太可能变满，因为超时机制会杀死长作业并将其传输到第二个服务器。尽管事实上每个长作业的处理时间是任何短作业的100倍，最短队列随机标签最短队列随机标签32A. Alssaiari，N.Thomas/Electronic Notes in Theoretical Computer Science 353（2020）21181614不1210864191715 13 11 9 7 5到达率图第六章吞吐量随到达率λ变化，μ= 10，α= 0.99，μ1=100μ2第二队列变满的概率相对较小，因为长作业太少。654321019 17 15 13 11 9 7 5到达率图第七章工作损失随到达率λ而变化，μ= 10，α= 0.99，μ1=100μ2当我们查看平均响应时间时，结果变得更有趣。图8显示了平均响应时间随到达率的变化。可以看出，在低到达率（λ μ= 10），TAGS优于最短队列和随机分配。相反，当到达率大于平均服务时（λ > μ= 10），TAGS的性能比最短队列差。这这仅仅是因为TAGS处理更多的作业，特别是更长的作业，其本质上具有更长的响应时间。值得注意的是，TAGS的超时值t是最高吞吐量的最佳值 如前所述，在第3节介绍。因此，当针对不同的指标（如平均响应时间）优化t时，结果将是不同的图8。最短队列随机标签最短队列随机标签失业A. Alssaiari，N.Thomas/Electronic Notes in Theoretical Computer Science 353（2020）21330.70.650.60.550.5W0.450.40.350.30.250.219171513 11 9 7 5到达率见图8。 平均响应时间随到达率λ变化，μ= 10，α= 0.99，μ1=100μ24能量模型能量模型的选择是研究的一个组成部分，它演示了性能值如何转换为能量。我们关注的是大部分服务器功耗是由于CPU的情况，所以我们忽略了其他组件，如内存和硬盘功耗。我们提出的估计服务器消耗的能量Ec的过程有一个基本假设，即该能量基本上是处理器性能状态（P-状态）乘以利用率。为了估计每个作业的能量，使用系统的吞吐量，从中我们可以获得每个作业的瓦特成本估计P状态由高级配置和电源接口（ACPI）规范定义为处理器在不同支持的工作频率之间切换的能力。P0状态表示最高性能状态，它实现最大性能并消耗最大功率。从P1到Pn的状态是较低的性能状态，其中n是处理器实现的最大P状态，不超过16。 P状态数越高，表示CPU利用率越低，能耗越低。 的数量P状态是特定于处理器的 。 例 如 ， AMD Opteron CPU 有 六 个 性 能 级 别 ， 频 率 范 围 从 1000 到 2600MHz[19]。本文在计算总能耗和平均单作业能耗时考虑了吞吐量、利用率和P-状态。该系统被假定为同构的，配备AMD Opteron CPU。AMD Opteron CPU中每个P状态的值从[2]中获得。为了指定P状态，系统U在每个到达速率下的利用率由等式1计算。(1)U= 1 −Prob（Q空）其中Prob（QEmpty）是队列为空的概率表2显示了所有P状态值。当获得系统利用率和其相关的P状态值，CPU总能耗可以通过下式计算：最短队列随机标签34A. Alssaiari，N.Thomas/Electronic Notes in Theoretical Computer Science 353（2020）21Σ表2P状态值p状态功率（W）时钟（GHz）Voltage（V）P0952600 MHz140P1902400 MHz135P2762200mhz的130P3652000 MHz125P4551800兆赫120P5321000 MHz110空闲15--方程2.（二）nEc=（SUi×SPi，活动）+（（1−SUi）×SPi，空闲）i=1其中SUi是服务器i利用率，SPi，active是服务器iP状态值，并且SPi，idle是服务器iP状态空闲值。(3)平均每工作能量=Ec/T每个作业的平均能耗由公式3计算，其中Ec是CPU总能耗，T是系统吞吐量。4.1指数服务需求下TAGS的能耗本节中给出的结果是根据指数需求下的总能耗和每个作业的能耗进行讨论的在这一点上值得注意的是，在指数需求下，最短队列和随机分配之间的总能耗差异不显著表3。表3总能量结果和百分比差异到达率1917151311975总能量随机192.433184.659 174.863163.712151.898139.852127.749115.638总能量最短197.051187.595176.108164.079151.974139.862127.750115.638总能量标签205.775 202.326 199.299191.352178.001161.647144.743127.777随机和标记之间的差异%6.7%9.1%百分之十三点一百分之十五点六百分之十五点八百分之十四点五百分之十二点五10.0%随机和最短之间的差异%二点四厘百分之一点六百分之零点七百分之零点二百分之零点零百分之零点零百分之零点零百分之零点零图9显示了通过TAGS算法、最短队列策略和随机分配改变到达速率对能耗的影响。在高到达率和低到达率下，就总能量消耗而言，TAGS的能量消耗高于随机分配或最短队列。其原因与TAGS超时机制将长作业分配给第二个节点这一事实有A. Alssaiari，N.Thomas/Electronic Notes in Theoretical Computer Science 353（2020）2135关。第二个服务器的利用率增加，因为它重复的部分，36A. Alssaiari，N.Thomas/Electronic Notes in Theoretical Computer Science 353（2020）21220210200190180170160150140130120110100191715 13 11 9 7 5到达率图第九章总能耗随到达率λ而变化，μ= 10。在第一个节点中处理的服务，然后处理服务的后续部分。总的来说，同一个作业的处理时间等于第一个节点的超时时间加上第二个节点的处理时间。这种行为使服务器1免于长作业，允许服务更多的短作业，也增加了服务器1的利用率。参见图5。另一方面，最短队列策略将作业分配给队列最短的服务器因此，两个节点的系统利用率是平衡的;没有重复，因为作业只在一个节点上处理有趣的是，虽然随机分配和最短队列策略之间的总能耗差异在每个到达速率下都相对较小，但随机分配（最低能耗）和TAGS（最高能耗）之间的差异在最低到达率（λ= 5）时，差异约为10%，当负载增加到系统容量的50%时，差异增加到约15.8%。之后，在最高到达率=19时，差异开始减小到6.7%。这种行为可以这样解释，TAGS机制从一开始就消耗更多的能量，因为较长的作业在两个服务器中接收处理，同时在两个服务器中重复处理同一作业的一部分。 相比之下，在随机分配中，作业只在一台服务器上接受一次处理，因此随机分配在低到达率下的能量小于TAGS。然而，当负载增加时，随机分配开始消耗更多的能量，导致TAGS和随机分配之间的能量消耗的差异就每个作业的平均能量消耗而言，与最短策略和随机分配相比，在每个到达速率下具有最佳超时值的TAGS算法也消耗更高的能量。 参见图10。还值得指出的是，当到达率相对较小时，TAGS算法每个作业可能消耗更多的能量。这可能发生，因为两个节点在小到达速率下的利用率小于在较高到达速率下的利用率最短队列随机标签瓦特/时间单位A. Alssaiari，N.Thomas/Electronic Notes in Theoretical Computer Science 353（2020）213728262422201816141210191715 13 11 9 7 5到达率图10. 每个作业的平均能耗随到达率λ而变化，μ= 10。表4不同到达率利用吞吐量能源消费率575757服务器131.9644.743.294.4762.0369.77服务器238.0953.321.802.5365.7474.97吞吐量--57--总计----127.78144.47标签每个作业的----25.5620.68到达率。因此，吞吐量相对较小，但是能量减少百分比没有吞吐量百分比的减少那么多这导致每项工作的平均能量增加。例如，当到达率为5时，每个作业的平均能耗大于到达率为7时的能耗。表4示出了在速率五和速率七下的总能耗，其分别为每时间单位127.78和144.47瓦，并且吞吐量为每时间单位5和7在到达率为5和7时，每个作业的能量分别为25.56和20.68瓦因此，虽然总能耗增加了约13%，但吞吐量增加了40%，这使每个作业的平均能耗降低了19.08%。4.2超指数服务需求下TAGS系统的能耗分析我们用同样的方法计算了超指数需求和指数需求下的能源消耗。为了评估超指数分布下的TAGS我们考虑长作业比短作业长100倍的情况μ1= 100μ2，短作业的比例α=0.99。图11显示了总能耗最短队列随机标签瓦特/工作38A. Alssaiari，N.Thomas/Electronic Notes in Theoretical Computer Science 353（2020）21当服务需求服从H2分布时，该模型随到达率λ能量消耗的结果显示为TAGS，最短队列策略和随机分配策略。20019018017016015014013012011019171513 11 9 7 5到达率图十一岁总能耗随到达率λ而变化，μ= 10，α= 0.99，μ1=100μ2在图11中，我们可以看到，就总能耗而言，在所有到达率下，TAGS比最短队列和随机分配消耗更多的能量。还有趣地注意到，虽然在较高到达率下TAGS与随机分配之间的总能耗的差异高达14.44%，但是在低到达率λ=5下其减小到18.4%对此的一个可能的解释可能是，在高到达率下，TAGS下服务器1和服务器2的利用率比随机分配下的利用率高25%（服务器1）和30%（服务器2），图12。TAGS机制下的两个服务器都比随机分配策略下运行的任何服务器消耗更多的能量。而在低到达率下，服务器1在TAGS和随机分配之间的利用率的差异对于服务器1减小到11%，而对于服务器2，差异增加到43%。还应该注意的是，为了计算能耗，我们使用性能状态（P值），当利用率增加时，它会逐渐增加。因此，在高利用水平下，消耗更多的能量在每个作业的能量消耗方面，当服务需求超过系统容量的75%（到达率λ > 15）时，TAGS消耗的能量比随机分配和最短队列少。我们认为原因与到TAGS机制，它将长作业从第一台服务器发送到第二台服务器，为在第一台服务器上提供更多短作业扫清道路。与随机分配策略相比，该方法产生更高的吞吐量（图6）。相比之下，在低到达率，TAGS消耗更多的能量，每个作业比最短队列和随机分配。事实上，当服务需求低时，TAGS在能量消耗方面表现不佳，因为TAGS机制涉及在第二服务器处从超时时段开始重复服务量在超指数服务需求下，只要服务需求不超过系统容量的75%，最短队列是最优的策略。最短队列随机标签瓦特/时间单位A. Alssaiari，N.Thomas/Electronic Notes in Theoretical Computer Science 353（2020）2139最短队列随机标签10.90.80.7U0.60.50.40.30.219171513 11 9 7 5到达率(a) Server110.90.80.7U0.60.50.40.30.2191715 13 11 9 7 5到达率(b) Server2图12个。（a）服务器1利用率和（b）服务器2利用率，随到达率λ变化，μ= 10，α= 0.99，μ1=100μ2262422201816141210191715 13 11 9 7 5到达率图13岁每个作业的能量随到达率λ而变化，μ= 10，α= 0.99，μ1=100μ2三种算法的单任务能耗与总能耗呈现相反的趋势。虽然总能量消耗在低到达率下减少，但每个作业的能量增加。这种行为与以下事实有关：在较高的到达速率下，利用率增加，导致更多的能量消耗，最短队列随机标签最短队列随机标签瓦特/时间单位40A. Alssaiari，N.Thomas/Electronic Notes in Theoretical Computer Science 353（2020）21与此同时，系统的吞吐量增加了（图6）。因此，每个作业的能量在高到达率时降低，在低到达率时增加。5结论和今后的工作我们研究了TAGS策略的能量消耗，并与最短队列策略和随机分配策略进行了比较我们重点讨论了在工作负载高度可变的情况在我们的模型中，我们假设我们有一个两节点系统，其中服务器在能耗和性能方面是相同的。缺点是，在实践中，数据中心是异构环境，其中能源消耗可能因服务器而异。我们依靠处理器性能状态（P-状态）值来计算能耗。这样做的主要缺点是我们忽略了服务器其他组件（如硬盘和内存）的能耗。我们的能量消耗指数分布和超指数分布下的分析得出结论，TAGS机制消耗更多的能量比其他两个政策的总能耗。在指数分布下，单位工作消耗的能源也遵循同样的趋势。相比之下，在超指数分布下，当到达率较高时，TAGS比随机分配消耗更少的能量在这种情况下，最短队列是最优策略本文主要对TAGS、最短队列策略和随机分配策略的能耗进行了评估和比较。没有在能耗和性能指标之间进行权衡对于每种政策，必须有一个能源消耗和绩效之间的比较机制，以便明确决定应该选择哪种政策。我们应该开发一个成本函数，考虑性能和能量，以交易的能量和性能。服务器规格和处理能力之间的变化是我们应该考虑的其他我们假设服务器在性能和能源方面是同质的，而实际上，数据中心具有异构环境。当服务器不完全相同时，研究能耗是值得的。如果我们有一台低性能、高能耗的服务器，另一台高性能、低能耗的服务器，那么确定哪台服务器应该是第一台服务器还是第二台服务器是很有价值的。我们亦旨在研究使用多排程方法的效益，该方法将TAGS与最短队列或随机分配相结合，以评估能源消耗。引用[1] Osama Nasser Alrajeh和Nigel Thomas 中htc作业调度策略的能量消耗云。在SimuTools，第343[2] AMD. 数据中心的电源和冷却。 https://www.amd.com/Documents/34146A_PC_WP_en.pdf，2005年。[在线;2018年10月1日访问]。