可在www.sciencedirect.com在线获取理论计算机科学电子笔记318（2015）91-108www.elsevier.com/locate/entcs云计算环境的节能配置Ibrahim Alzamil、Karim Djemame、DjangoArmstrong和Richard Kavanagh英国利兹大学计算机学院电子邮件：{sc 11 iaa，K.Djemame，scsdja，scsrek} @ leeds.ac.uk摘要云计算改变了人们使用IT资源的方式。现在，他们可以使用云计算提供的服务，而不是购买自己的IT资源，“按使用付费”模式。然而，随着云计算的广泛采用，维护云基础设施的成本已经成为供应商的一个重要问题，特别是在大量能源成本投入的情况下，以支持这些资源。因此，本文提出了一种系统架构，可用于在能源消耗方面的资源使用情况。从这些数据中，应用程序开发人员可以在创建或优化应用程序时增强其能源意识决策，以提高能源效率。本文还提出了一个适应现有的云架构，使能源意识的配置文件的基础上提出的系统。 所进行的实验的结果表明，能源意识在物理主机和虚拟机级别。关键词：云计算，能源效率，能源感知配置，能源效率配置。1介绍云计算技术的大量采用暴露了维护其基础设施的重大开销，由于相关的高运营成本（如能源消耗），这已成为云提供商的主要问题。数据中心消耗的能量可能是相同规模的典型办公室的100倍[1]。因此，有效地管理服务器消耗的功率将改善总体消耗;在某种意义上，随着服务器消耗更少的功率，这些服务器产生的热量将减少，这将减少对消耗大量能量的冷却资源的需求，并导致更多的能量节省。提高云计算的能源效率一直是学术界和工业界的一个有吸引力的研究课题，因为它对信息和通信技术（ICT）的未来越来越重要[2]。许多http://dx.doi.org/10.1016/j.entcs.2015.10.0211571-0661/© 2015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/）。92I. Alzamil等人/理论计算机科学电子笔记318（2015）91研究人员已经研究了管理云基础设施的新方法，以提高能源效率。为了更好地管理资源，已经提出并部署了例如，数据电压和频率缩放（DVFS）和虚拟机（VM）分配已被广泛研究和部署，以更有效地管理资源[3]。尽管如此，仍然需要使整个云计算堆栈更加节能，而不仅仅是关注资源管理方面。有大量不同的云应用程序，它们对资源的要求各不相同;其中一些是数据密集型的，而另一些是计算密集型的。因此，根据应用程序的分类，支持这些不同应用程序的资源的能耗可能会有所不同。云计算的特点决定了云应用的特性。Fehling等人[4]指出，云应用程序应该能够支持隔离状态、分布、弹性、自动化管理、松散耦合（IDEAL）的特征，所有这些都反映了云计算环境的模式。根据用户的行为和提交的任务，这些应用程序可能会经历不同的工作负载模式，这些模式基于托管应用程序的IT资源的利用率进行描述这些工作负载可以被分类为随着时间具有相等的资源利用率的静态工作负载、在间隔时间具有重复的峰值利用率的周期性工作负载、随着时间具有一次峰值利用率的一生一次的工作负载、随着时间具有频繁和随机的峰值利用率的不可预测的工作负载、以及具有随着时间连续增加或减少的利用率的连续变化的工作负载[4]。这些不同类型的应用程序工作负载可能会对能耗产生不同的影响，具体取决于资源组件的使用情况因此，本研究旨在通过调查能源感知配置文件和能源效率指标方面的能源效率建模，研究能量感知配置是为了了解当应用程序运行时，基础设施组件（如CPU）如何消耗能量。因此，能量感知配置文件和能效指标的输出测量结果将被组合，以形成运行应用程序的KPI此外，这些KPI将被进一步分析和使用，以促进应用程序开发人员的决策，更好地实现能源意识编程。本文的主要贡献包括：• 一个用于分析和评估云基础设施资源能源效率的拟议系统架构。• 在现有的云测试平台中实施建议的架构，以实现能源感知配置。• 引入能量建模器以实现VM级别的能量感知。本文的其余部分结构如下：第2节将回顾云计算中提高能源效率的各种流，第3节将进一步回顾能源效率建模的某些方面;第4节将介绍I. Alzamil等人/理论计算机科学电子笔记318（2015）9193第五节将讨论在现有的云测试平台中实现所提出的架构，以实现物理主机和虚拟机级别的能量感知配置;第六节将介绍实验设置和设计，以验证测试平台的架构，最后第七节将总结本文并讨论未来的工作。2云计算中的能源效率对于云计算堆栈，能源效率已经在文献中得到了广泛的研究，并集中在大量不同的主题上，如虚拟化，需求工程，编程模型和资源管理。在虚拟化方面，许多研究提出了不同的方法来允许资源利用，服务器整合和虚拟机的实时迁移[5，6，7]，这些都可以显著节省能源和成本[8]。随着自适应系统的软件密集型系统的发展，以满足日益增长的自主计算需求[9]，确保能量方面的自适应软件系统的需求工程受到的关注较少[10];因为这可以与处理与操作环境相关的不确定性时遇到的挑战相适应[11]。正如Djemame等人[12]所认为的那样，优化云堆栈不同层的能量效率被认为是非常重要的。因此，他们提出了一种云架构，可在云堆栈的所有层和整个云应用程序生命周期中解决能源效率问题。在编程模型方面，有许多平台用于开发和部署云应用程序和服务，如Hadoop[13]，Windows Azure [14]，Microsoft Daytona [15]，Twister [16]，ManjrasoftAneka [17]和Google App Engine [18]。然而，这些平台缺乏对能源效率的考虑，而[19]中提出的一项工作提出了一种通用编程环境，以简化并帮助开发人员做出构建能源感知应用程序的能源效率决策文献中的大部分注意力都集中在通过更好的资源管理来提高云计算的能源效率，以避免过度功耗和SLA违规可靠性等问题[3]。因此，已经引入了许多发展，例如，根 据 工 作 负 载 控 制 服 务 器 功 耗 的 DVFS 和 动 态 功 率 管 理（DynamicPowerManagement，DVM）技术[20]、通过将VM从一个主机迁移到另一个主机来优化主机的虚拟机合并策略[3]、用于更好地预测服务器功耗的一些模型[21]、用于最大化资源利用的任务合并模型[22]、用于优化物理主机功耗的称为Mistral的整体框架[23]、结合DVFS和实时迁移技术以降低能耗并提高云计算中心性能的CPU重新分配算法[24]。然而，缺乏研究来解决适当确保94I. Alzamil等人/理论计算机科学电子笔记318（2015）91从设计阶段就开始提高能源意识，而不仅仅是通过云基础架构的资源因此，仍然需要对云基础设施的能源效率进行建模，以更好地了解能源效率，并在服务设计阶段为决策提供支持，这将在下一节中进行讨论。3能源效率模型重要的是要对能源配置技术进行建模，并引入新的指标，以告知供应商其基础设施的能源效率如何，从而做出战略决策，例如创建和配置能源感知应用程序，并相应地形成新的能源感知定价机制。3.1轮廓拥有这样的工具来帮助理解系统中的能量是如何消耗的，这对于促进软件开发人员做出节能编程决策至关重要Schubert等人[25]指出，开发人员缺乏工具来指示代码中的耗能部分，并帮助他们更好地优化代码，以更准确地提高能耗在他们的工作中，他们提出了eprof，这是一个软件profiler，它将能量消耗叙述到代码位置;因此，它也将帮助开发人员在重写代码时做出更好的能源意识决策。例如，在磁盘上存储数据时，软件开发人员可能会选择以未压缩格式或压缩格式存储数据，这将需要更多的CPU资源。压缩数据通常被认为是减少所需I/O量的一种方法，因此，基于CPU可以用比从磁盘传输大数据和向磁盘传输大数据的任务更少的能量来处理压缩和解压缩任务的假设，可以减少能量[26]。不过，这取决于正在处理的数据。事实上，在[25]中使用eprof profiling工具进行的一些实验表明，压缩和解压缩数据的过程比传输大量未压缩数据的过程消耗更多的能量，因为前者比后者使用更多的CPU资源。因此，根据应用领域的不同，这可能是一个有争议的问题。因此，拥有这样的工具来识别能源消耗的位置将有助于软件开发人员做出更多的能源意识决策。此外，在[27]中引入了一个名为符号执行和能量轮廓（SEEP）的新框架，作为一种方法，帮助软件开发人员在代码级别的早期阶段做出明智的能量优化决策。为了说明，SEEP被设计为向开发人员提供能量估计，以使他们在编程时更加节能I. Alzamil等人/理论计算机科学电子笔记318（2015）91953.2度量云中的能量效率可以通过不同的度量来评估。在云基础设施方面，绿色电网组织引入了著名的电力使用效率（PUE）指标，以帮助供应商评估和提高其数据中心的能源效率。然而，尽管PUE指标已经成功并被广泛使用，但Grosskop [29]认为它仅限于作为基础设施管理的能源效率指标，而不考虑软件级别的优化以提高整个堆栈的效率。此外，Bozzelli等人[30]审查了许多软件指标，并强调了不仅从硬件方面而且从软件生命周期的早期阶段评估能效的重要性此外，如Wilke等人[31]所述，分析软件的能耗被认为是此类优化的重要要求。因此，Grosskop提出了一个新的度量标准，称为“甜蜜点附近的消耗”（CNS），通过计算系统提供特定工作单位的平均消耗和最佳消耗之间的比率，来确定系统此外，其他作品已经研究了能源效率测量的其他指标，如利用率百分比和SLA违规百分比。例如，在Beloglazov等人[3]进行的工作中，他们通过使用一些指标来评估他们提出的算法的效率和性能，即总能耗，SLA违规的平均数量和VM迁移的数量。最近，一些工作已经开始更详细地测量能耗，例如测量物理机中每个VM的能耗。在[32]中进行的研究引入了一个VM功耗模型，以使用性能事件计数器来测量VM的估计功耗。他们认为，他们提出的模型的结果平均可以达到97%的准确率。尽管如此，如前所述，除了基础设施之外，只有有限数量的指标来测量来自不同层的云的能量效率。在细粒度测量方面，需要映射服务器中每个单个VM的能耗，这表明通过引入新的合适指标来测量和映射每个VM的能耗来填补这一空白4节能配置确保云计算中不同层的能源效率已成为必然，特别是随着能源成本的增加。 我们建议在本文为云基础设施提供能源感知配置，以更好地了解能源的消耗方式并评估其能源效率，从而帮助应用程序层的软件开发人员在优化其应用程序和服务时增强其能源感知方面的决策。的96I. Alzamil等人/理论计算机科学电子笔记318（2015）91所提出的系统体系结构将在下面的小节中讨论。4.1建议的系统架构这个拟议的系统架构的范围将在IaaS层，服务的操作发生。如图所示，这一模式的主要组成部分包括资源监测股、能源配置股、报告和分析股1.一、Fig. 1. 建议的系统架构该提出的系统架构将使RMU动态地收集由硬件组件消耗的能量并观察签名的VM的数量。之后，EPU将有适当的算法来计算每个VM和硬件组件消耗的能量，然后将这些测量值作为KPI进行分析并填充到数据库中。该数据可由报告和分析单元进一步分析，以向软件开发人员提供能源意识报告，从而提高他们在作出编程决策时对能源消耗的认识。例如，了解硬件组件的CPU或内存是否会消耗更多能量可能是有趣的，以便开发人员可以创建更多依赖于具有更少能量消耗的组件的应用程序，而不会影响性能。4.2图示应用程序可以在云上运行，为最终用户提供服务这些服务可以由许多任务组成，如数据密集型或计算密集型I. Alzamil等人/理论计算机科学电子笔记318（2015）9197任务数据密集型任务将更多地依赖于使用磁盘存储来处理大量数据和数据检索或更新，这将需要高磁盘I/O带宽来保持性能，而计算密集型任务将更多地依赖于使用处理器来执行更多计算[33]。当服务在应用程序开发工具中以所分配软件及硬件资源的描述进行确认，并部署于服务部署环境中及经历虚拟机管理时，所提出的系统接着将从RMU开始以捕获及监控支撑及操作所述服务的基础设施所消耗的能量。 所捕获的数据(as输入到系统）将由EPU动态收集，以进行适当的测量和能源效率分析。接下来，EPU会将配置数据作为KPI弹出到数据库中。 因此，这些KPI（作为系统）可以进一步分析并以有意义的格式向应用程序开发人员报告，以增强他们在制定和配置新服务时的能源意识决策。下一节将介绍将此拟议系统架构实施到现有云测试平台中，以实现能源感知配置。5实施节能云架构在本节中，我们将讨论如何调整现有的云架构Leeds Testbed，以支持物理主机和虚拟机级别的能源感知5.1利兹试验台云测试平台的软件架构如图2所示。 在撰写本文时，每个节点都运行Centos 6.6版本的操作系统。XEN [34] hypervisor版本4.0.1也作为虚拟机管理器（VMM）与Linux内核版本2.6.32.24一起部署。Open- Nebula 3.8版本[35]被用作虚拟基础设施管理器（VIM）。此外，虚拟机实例可以利用硬件辅助虚拟化（HVM）和QEMU[36]设备模块来增强性能和互操作性。从硬件的角度来看，Leeds测试平台由一组戴尔商用服务器组成为了这项研究的目的，其中四个与能量计一起使用。每台服务器由一个四核X3430英特尔至强CPU组成，以2.40GHz的默认时钟速度运行，总共有8GB的RAM（四个2GB DDR3模块，1333Mhz）。此外，每台服务器使用一个3.5英寸西部数据RE3 250GB SATA硬盘（型号：WD 2502ABYS），16 MB的高速缓存和7200 RPM的主轴速度。机器通过千兆以太网连接，Broadcom PCI-E NIC（型号：BCM 95722）。此连接提供对群集头节点上运行的NFS共享的共享访问。NFS共享由四个在Raid 0中运行的500GB HDD支持，为VM映像提供总共2TB的存储空间。98I. Alzamil等人/理论计算机科学电子笔记318（2015）91图二. Leeds云测试平台架构5.2利兹试验台上的能量监测图3.第三章。利兹试验台上的能量监测利兹试验台上的能量监测如图3所示。 在最低级别WattsUp？[37]瓦特计连接到物理主机。这些瓦特计通过USB连接到每个物理主机。然后使用WattsUp命令行工具每秒一次将值记录到磁盘，然后通过Zabbix sender推送到Zabbix [38]然后，通过能量分析读取主机的能量使用值I. Alzamil等人/理论计算机科学电子笔记318（2015）9199y=1y=1y=1单位能量配置单元与VM相关的能耗不是一个可直接测量的概念。因此，它需要规则，以便将主机能耗分配给VM。因此，主机能耗可以通过以下几种方式之一在能量分布单元内进行分解：(i) 仅CPU利用率：可以使用每个VM的CPU利用率数据来划分能量使用，并通过利用率数据产生的比率分配能量使用。（适用于：历史，当前，预测）。这在等式1中描述，其中VM Px是命名的VM功耗，主机P是测量的主机功耗。VM Utilx是指定的VM CPU利用率，VM Count是主机上的VM计数。VM U tilx是命名主机上所有VM的集合的成员（一）VM Px =主机P ×主机虚拟机U到xVM计数VM U直到y(ii) CPU利用率和空闲能量使用：能量也可以根据主机的空闲能量消耗来分配。使用训练数据计算主机的空闲能量。这在主机上运行的VM之间均匀分布。剩余的能量然后以类似的方式分配给CPU利用率仅机制。（适用于：历史，当前，预测）。这在等式2中描述，其中主机空闲是主机这提供了优于第一种方法的优点，因为VM被更适当地分配功耗值，并且防止VM在被实例化时不使用功率。（二） VM Px主机空闲=虚拟机计数+（主机P−主机空闲）×N虚拟机U到xVM计数VM U直到y(iii) EQUIPMENT共享：在预测的情况下，CPU利用率并不总是可以明确估计的，因此也存在在主机上的VM之间均匀分配能量的方法。 预测的默认设置是共享 根据等式3均匀地输出。通过对分配给每个VM的CPU核进行计数并基于该计数进行分配，也存在轻微的变化（等式4）。等式3和4描述了这种均匀共享规则，其中Host Predicted是估计命名VM驻留在其上的主机要利用的功率量，并且VM V CPUx是分配给命名VM的虚拟CPU的量，而VM V CPUx是分配给主机上的其他VM的（三）1VM Px=主机预测值×VM计数（四）VM Px =主机预测值×VMV CPUxVM计数VMVCPUy在利兹试验台上选择的默认方法是电流和100I. Alzamil等人/理论计算机科学电子笔记318（2015）91历史值和3个预测值。一旦能量分析单元为给定的VM分配了能量值，它就会将这些值写入磁盘，这些值再次通过Zabbix发送器报告给监控基础设施，从而为测试平台提供VM级别的能量值能源分析单元有几个关键功能;它主要旨在报告主机和虚拟机级别的能源使用数据。 这些值被报告为：历史日志、当前值或未来预测。历史记录提供了特定时间段内消耗的能量值和平均功率，而当前值仅报告功率。未来的预测是基于CPU利用率与功耗的线性回归，在每个主机级别的训练阶段。轮廓单元提供自动校准功能来实现这一点。6实验设置和设计在本节中，我们提出了一些实验，已经进行了利兹试验台。所进行的实验的总体目标是验证测试床已被正确设置为支持物理主机和VM级别的能量感知配置为了设计这样的实验，需要一个能够代表云应用程序真实模式的软件测试工具。因此，Cloud9是一个软件测试基准，已经在测试平台上设置，以生成真正的横向扩展工作负载。Cloud9生成的工作负载反映了真正的云应用程序模式[39]。Cloud9能够调度一个任务或一组任务在一个或多个VM上运行，这些任务可以被配置为并行运行或在彼此之后分阶段运行[40]，以代表弹性云应用的真实模式下面的实验设计不同，以展示云计算模式的各个方面。每一个都重复10次，以获得功耗的平均值，并消除结果的任何异常。6.1实验1此实验旨在将一些任务调度为在四个阶段中动态运行，即在每个阶段设置为运行60秒。下面的图4和图5将显示主机级别的功耗图4示出了实验的单次运行的功耗结果，图5示出了10次运行中每个阶段的功耗的聚合平均值的结果。如图4所示，由于终止当前阶段并开始下一阶段的过渡，每个阶段结束时的功耗都有所降低，如Cloud9基准测试中所设计的那样I. Alzamil等人/理论计算机科学电子笔记318（2015）91101图四、单个虚拟机上的VCPU扩展（时间与功耗）图五、单个虚拟机上的VCPU扩展（VCPU数量与电源）如图4和图5所示，在单个VM上过度配置VCPU的数量不会对主机的总体功耗产生影响。在这种特殊情况下，原因是每个VM只有一个CPU分配给因此，将CPU划分为一个或四个VCPU仍然会消耗相同的功率。功耗的线性稳定趋势如图5所示。该实验还表明，云环境中的CPU可以划分并过度配置为多个VCPU。102I. Alzamil等人/理论计算机科学电子笔记318（2015）916.2实验2这个实验被安排在四个阶段中动态地运行一些任务，在单个主机上从一个虚拟机扩展到四个虚拟机，每个阶段设置为运行60秒。图6和图7显示了主机级别的功耗结果。图6显示了单次运行的功耗结果，图7显示了10次运行中每个阶段功耗的聚合平均值结果。与实验1的情况一样，每个阶段之间的转换导致功耗降低，如图6所示。它清楚地表明，将单个主机中的VM数量从一个增加到四个VM会对该主机的总体功耗产生影响。功耗随虚拟机数量的增加呈线性增长。增加VM的数量意味着增加分配给这些VM的物理资源（如CPU、磁盘和内存）的使用。因此，随着更多的物理资源被使用，功耗相应地增加。图第六章单台主机上的虚拟机扩展（时间与功耗）I. Alzamil等人/理论计算机科学电子笔记318（2015）91103图第七章单个主机上的虚拟机扩展（虚拟机数量与功耗）图8显示了图6中所示的同一单次运行的VM级功耗结果。它显示了每个虚拟机的功耗，这是通过使用系统架构中建议的能量分布单元计算的。它清楚地表明，总功耗相应地增加所使用的VM的数量。图6中显示的总功耗与图8中显示的相同;但图8显示了该主机上正在运行的VM之间的功耗分布。在第一阶段开始之前，所有虚拟机的功耗分布均匀，但在每个阶段中，使用的虚拟机比处于空闲状态（正在运行但当前未使用）的其他虚拟机消耗更多的功率。该实验表明，由多个任务组成的应用程序可以同时在多个VM上运行104I. Alzamil等人/理论计算机科学电子笔记318（2015）91图八、单台主机上的虚拟机扩展（时间与功耗）6.3实验3该实验在三个阶段中动态运行一些任务，从一个VM扩展到三个VM，同时跨三个不同的主机，每个阶段设置为运行60秒。下面的图9和图10将从物理主机级别显示每台主机的功耗。 图9显示了结果图10显示了10次运行中每个阶段功耗的聚合平均值的结果。与前面的实验1和2一样，每个阶段之间的转换导致功耗降低，如图9所示。图9和图10显示，将三台物理主机上的虚拟机数量从一个增加到三个会对每台主机的总体功耗产生影响。实验3中显示的结果与实验2中显示的结果相似;但是这里显示的是同时运行的三个物理主机的结果，而实验2仅在单个物理主机上运行。因此，实验3中的功耗随着每个主机上运行的VM的增加而线性增加该实验还表明，由多个任务组成的应用程序可以同时在不同物理主机托管的多个VM上运行。6.4总体结果讨论所进行的实验1、2和3在支持云计算模式的不同方面以及在物理主机和VM级别显示能量感知方面验证了Leeds测试床。所有的实验都表明，测试床基础设施支持可扩展性，这取决于运行Cloud9时计划任务例如，实验1呈现I. Alzamil等人/理论计算机科学电子笔记318（2015）91105图第九章基于三个不同维度的虚拟机扩展（时间与功耗）图10. 在三个不同网络上进行虚拟机扩展（虚拟机数量与功耗）一个CPU可以过度配置给多个VCPU来交付一些任务。实验2和3证明，我们可以在单个或多个物理主机上同时在多个VM上运行由多个任务7结论和今后的工作本文提出了云计算环境下的系统架构。这种系统架构可以帮助软件开发人员了解他们的应用程序是如何使用基础设施资源和消耗能量的，106I. Alzamil等人/理论计算机科学电子笔记318（2015）91在创建和配置新应用程序时增强决策能力。我们已经基于所提出的系统调整了现有的云架构，以实现能量感知配置，并提出了允许在VM级别实现能量感知的能量建模器进行的实验表明，利兹测试床已被正确设置为支持物理主机和虚拟机级别的能量感知的云环境。未来的工作将包括对能源效率建模的研究，以确定新的指标并形成KPI，从而更好地了解运行中的应用程序相对于这些KPI的能源效率。实施拟议系统的分析和报告单元，向应用程序开发人员提供这些关键绩效指标的有意义的反馈，以加强他们的能源意识编程决策。最后，当这些关键绩效指标被确定后，进一步的研究将调查如何确定新的能源感知定价机制，以根据这些测量结果向用户收取所因此，最终用户正在根据他们对云服务的实际资源使用情况更精确地收费，同时考虑到能源消耗，这将有助于云计算的整体商业模式。引用[1] P. Scheihing。创建节能数据中心。在数据中心设施和工程会议上，华盛顿特区，5月18日，2007年[2] A. Berl，E. Gelenbe，M.迪吉罗拉莫湾Giuliani，H. De Meer，M. Q. Dang，K。Pentikousis。节能高效的云计算。计算机杂志，53（7）：1045[3] A. Beloglazov，J. Abawajy，and R.好的用于云计算数据中心高效管理的能源感知资源分配策略。FutureGeneration Computer Systems，28（5）：755[4] C. Fehling，F.莱曼河Retter，W. Schupeck和P. Arbitter。云计算模式：设计、构建和管理云应用的。Springer，2014.[5] K. Ye，D. Huang，X. Jiang， H. Chen和S. 吴 基于虚拟机的云计算节能数据中心架构：性能视角。在绿色计算和通信（GreenCom），2010年IEEE/ACM国际网络会议上，物理和社会计算（CPSCom），第171-178页[6] 哈迪湖Liu，N. Antonopoulos，W.柳湖，加-地Cui和J. Li.基于互联网的虚拟计算基础设施的评估和评价在Object/Component/Service-Oriented Real-Time Distributed Computing（ISORC）中，2012年IEEE第15届国际研讨会，第39-46页[7] I.福斯特，Y.赵，我。Raicu和S.陆 云计算和网格计算360度比较。在网格计算环境研讨会，2008年。GCE'08，第1-10页，2008年。[8] T. Arthi 和 H. 哈 米 德 面 向 绿 色 计 算 环 境 的 节 能 云 服 务 供 应 方 法 。 能 源 效 率 技 术 促 进 可 持 续 发 展（ICEETS），2013年国际会议，第139-144页，2013年[9] H. Giese，H. Muller，M. Shaw和R.德莱莫斯。 10431摘要集-软件工程自适应系统。Schloss Dagstuhl-Leibniz-Zentrum fuer Informatik，2008.[10] N. Qureshi和A.佩里尼工程适应性要求。2009年ICSE自适应和自我管理系统软件工程研讨会，2009年卷，第126-131页。IEEE，2009年5月。[11] J. Camara和R.德莱莫斯。用概率模型检验评估自适应系统的弹性。2012年第七届自适应和自管理系统软件工程国际研讨会（SEAMS），第53-62页。IEEE，2012年6月。I. Alzamil等人/理论计算机科学电子笔记318（2015）91107[12] K. Djemame，D.阿姆斯特朗河E. Kavanagh，A.J. Ferrer，D.G. 佩雷斯，D.R. Antona，J.-C. 德普雷C. Ponsard，D. 奥尔蒂斯，M. 我知道了J。Guitart，F. Lordan，J. 埃亚尔克河 先生，R。M. 巴迪亚，M.卡默岛Kao，E. Agiatzidou，A.迪马基斯角Courcoubetis和L.布拉西能源效率嵌入式服务生命周期：迈向能源效率云计算架构。在ICT 4S的能源效率系统研讨会（EES'2014）会议记录中，第1-6 页，瑞典斯德哥尔摩，2014年8月。[13] 欢迎来到Apache，Hadoop！见http://hadoop.apache.org/，2011年。[14] Windows Azure：Microsoft可在http：//www.windowsazure.com/en-us/，2012年。[15] Daytona - Microsoft Research.见http://research.microsoft.com/en-us/projects/daytona/，2013年。[16] J. Ekanayake。Twister：迭代MapReduce。见http://www.iterativemapreduce.org/，2009年。[17] Manjrasoft -产品见http://www.manjrasoft.com/products.html，2008年。[18] Google App Engine-Google Developers.可在https://developers.google.com/appengine/？hl=en，2014年。[19] C.西安Y. Lu和Z.李一个具有运行时能量特征的编程环境，用于能量感知应用程序.在低功率电子和设计（ISLPED），2007年ACM/IEEE国际研讨会上，第141-146页[20] D. Kliazovich，P. Bouvry，and S.汗王数据中心节能网络感知调度。2010年IEEE，2010年12月[21] R. Basmadjian，F. Niedermeier和H.德·梅尔 对空闲服务器的功耗进行建模和分析。《可持续互联网和信通技术促进可持续性》，2012年，第1-9页，2012年。[22] Y. Lee和A. Zomaya.云计算系统中资源的能源有效利用。 The Journal of Supercomputing，60（2）：268[23] G.荣格，M。Hiltunen，K.乔希河，巴西-地Schlichting和C. PU. Mistral：Dynamically Managing Power，Performance，and Adaptation Cost in Cloud云计算架构中的动态管理能力、性能和适应成本。2010年IEEE第30届分布式计算系统国际会议，第62-73页[24] W. Chawarut和L.沃拉丰 云计算中的节能和实时服务管理。在电气工程/电子，计算机，电信和信息技术（ECTI-CON），2013年第10届国际会议上，第1-5页[25] S. Schubert，D. Kostic，W. Zwaenepoel和K.阿信用于能源消耗的软件。绿色计算和通信（GreenCom），2012年IEEE国际会议，第515- 522页[26] A. Kansal和F.赵用于功耗感知应用设计的细粒度能量分布。ACM SIGMETRICS绩效评估审查，36（2）：26，2008年8月。[27] T.霍尼希角Eibel，W. Schroder Preikschat，和B.卡皮查使用SEEP进行主动节能系统软件设计。2013年第二届节能软件工程与开发研讨会（EASED@BUIS）[28] 绿色网格。协调数据中心能源效率的全球解决方案。 技术报告，绿色电网，2012年。[29] K.格罗斯科普 面向最终用户的PUE-您是否对面包烘烤感兴趣？ 由于2013年，第二届 节能软件工程与开发研 讨 会 （EASED@BUIS）。[30] P. Bozzelli，Q. Gu和P. Lago。绿色软件度量的系统性文献综述。技术报告，阿姆斯特丹自由大学，2013年。[31] C. Wilke，S. Gotz和S.丰富。JouleUnit：A Generic Framework for Software Energy Profiling and Testing.在2013年软件工程绿色研讨会的会议记录中，GIBSEACM。[32] W.成建湖Xiang，Y.湘，四川人Yang，F. Ni和Y. Mu.用于云计算定价的系统功耗模型和虚拟机功耗计量。智能系统设计与工程应用（ISDEA），2013年第三届国际会议，第1379-1382页，2013年。[33] F. Chen，J. Schneider，Y. Yang，J. Grundy，and Q.他外一种能耗模型及分析用于云计算环境的工具。2012年第一届绿色和可持续软件国际研讨会（GREENS），第45-50页108I. Alzamil等人/理论计算机科学电子笔记318（2015）91[34] P. 巴勒姆湾Dragovic，K.Fraser，S.手，T。Harris，A.霍河，西-地诺伊格鲍尔岛Pratt和A.战场。Xen和虚拟化的艺术。SIGOPS操作。系统修订版，37（5）：164[35] B.索托马约尔河S.阿克罗岛M.洛伦特和我。福斯特 私有云和混合云中的虚拟基础架构管理。互联网计算，IEEE，13（5）：14[36] QEMU-开源机器仿真和虚拟化。 http://www.qemu.org，2014年11月[37] 瓦特？插塞式负载仪表。 可在www.wattsupmeters.com上查阅。[38] ZabbixSIAZabbix的主页：：一个高级开源分布式监控解决方案，2014年。[39] 软件测试即服务。 见http://parsa.epfl.ch/cloudsuite/cloud9.html，2013年。[40] L. 乔尔泰亚角Zam fir，S.布库尔河谷Chipounov和G.坎迪亚 Cloud9：软件测试服务。SIGOPS操作。系统修订版，43（4）：5
