云弹性伸缩模型在智能大学中的应用

沙特国王大学学报基于能效的云弹性伸缩模型：在智能大学中的应用Mohamed Lamine Berkanea，Mahmoud Boufaidaa，Nour El Houda Bouzerzouraa阿尔及利亚君士坦丁第二大学信息和通信新技术学院LIRE实验室阿提奇莱因福奥文章历史记录：收到2020年2020年11月3日修订2020年11月11日接受2020年11月20日网上发售保留字：云计算弹性智能大学A B S T R A C T云计算代表了信息技术（IT）的主要创新之一。它是一种模型，用于实现对可配置计算资源的共享池的无处不在的、方便的、按需的网络访问。弹性是云最重要的特性之一。由于云消耗大量的能量，很难构建一个弹性系统来满足其生命周期中可能出现的所有需求。提出了不同的方法来解决在多层云服务的弹性系统建模的能源效率。大多数现有方法测量整体硬件能耗，而不是软件的能耗。了解云如何使用弹性伸缩机制消耗能量是管理更好的节能软件的关键。这项工作提出了一个架构，在应用层的弹性和能源效率建模。该架构将适应性（使用自主计算）和可变性（使用特征模型）的特性结合到单个解决方案中。特征模型考虑了结构建模和行为建模中的可变性我们通过分析与Znn.com场景相关的智能大学应用程序来展示所提出方法的可行性。©2020作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍云计算代表了信息技术（IT）中使用的技术之一。它提供了一种模型，用于实现对可配置计算资源的共享池的方便的按需网络访问（例如，网络、服务器、存储、应用和服务），其可以以最小的管理工作或服务提供商交互来快速供应和释放（Mell等人，2011年）。提供的重要特征之一就是弹性。该概念允许系统在其当前和附加的硬件和软件资源上适配工作负载（Herbst等人，2013年）。此外，绿色计算范式是最近的进步技术*通讯作者。电子邮件地址：mohamed_lamine. univ-constantine2.dz（M.L.Ber- kane）。沙特国王大学负责同行审查设计、构建和操作计算机系统的能源效率（Binder和Suri，2009年）。此外，由于能源利用法案的增加（Koomey，2007年），能源效率（在系统开发期间）变得越来越重要，并被认为至少有三个级别（Kansal和Zhao，2008年）。第一层对应于计算机体系结构，其中通过硬件设备如处理器管理来降低能量第二级优化基于系统功能，无论是在单个服务器上还是在多个服务器上。第三个层次与应用有关（Kansal和Zhao，2008年）。云计算中硬件和软件的发展意味着能源建模需要尽可能准确。云中使用的功率计测量硬件的能量消耗。这使得很难推断特定软件的能耗。我们工作的核心思想是展示软件在弹性伸缩策略中是如何消耗能量的在本文中，我们提出了一个架构，使显式建模的弹性和节能政策在应用层。该架构基于两种技术：自主计算（Computing，2006）和特征模型（Czarnecki，2002; Czarnecki等人，2005; Greenfield和Short，https://doi.org/10.1016/j.jksuci.2020.11.0251319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comMohamed Lamine Berkane，M. Boufaida和Nour El Houda Bouzerzour沙特国王大学学报31372003年）。 自主计算提供了自适应机制来自动管理系统。特征模型表示用于描述和实现结构建模和行为建模中的系统组件的共性和可变性的解决方案。所提出的体系结构支持在三个层的表示：功能，软件和硬件。特征层定义适配系统机制。该层允许对弹性系统的整体结构的骨架进行建模。此外，它代表了不同的弹性规则。软件层描述了在云计算中使用的具有能源效率的编程软件和应用程序。在这一层中，我们考虑用户行为与能量模型。硬件层定义了系统的主要功能。因此，所提出的架构首先通过使用自主计算和特征模型来实现弹性缩放机制的显式建模然后，在应用层显示能量效率。我们使用与Znn.com场景相关联的智能大学应用程序本文其余部分的组织如下。第2节介绍了我们的提案的动机和挑战第三节讨论了一些相关的工作。在第4节中，我们介绍了弹性和能效建模的架构。第5节介绍了功能层，第6节显示了软件层，第7节介绍了硬件层。在第8节中，我们通过分析与Znn.com场景相关的智能大学应用程序，使用案例研究来展示我们方法的可行性最后，第10节总结并讨论了一些未来的工作。2. 动机和挑战在本节中，我们将讨论云服务中能耗的一些概念和方面。然后，我们描述了我们的主张必须面对的挑战。2.1. 动机云计算代表了智能大学中集成的主要技术之一，以使用学习，教室，教育学等创新概念（Nie，2013; Serdyukova等人，2016年）。云系统所需的基本特征之一是弹性。该特性使得能够通过以自主方式供应资源来适应工作负载变化（Herbst等人，2013年）。此外，能源效率对于未来的信息和通信技术（ICT）越来越重要（Berl等人，2010;Khattar等人， 2019年）。 三层被认为是 （图。（ 1）计算机Fig. 1. 动机场景。架构层、系统层和应用层（Kansal和Zhao，2008）。我们提出了一些在这些水平上减少能源的解决方案的例子。在计算机架构层，处理器的能量通过不同的技术来降低，如设计能量比例硬件Barroso和Hölzle（2007），多核处理器（Kumar等人，2003），以及增加性能和睡眠状态的数量（Nedevschi等人，2008年）。在系统层中，通过不同的技术如硬盘降速（Narayanan等人，2008）、同步感知多线程（Park等人，2007）、多服务器功率协调（Raghavendra等人，2008）、编译器驱动的优化（Xie等人，2003;Shirako等人，2005）和数据中心计算中配电系统中的多功率转换（Binder和Suri，2009）。在应用层中，通过不同的技术减少能量，如计算精度或提供的服务质量（Im和Ha，2004），改变所使用的算法（Singh等人，1998年）。在云伸缩机制中，所呈现的层分别指定基础设施即服务（IaaS）、平台即服务（PaaS）和软件即服务（SaaS）。关于弹性和节能政策的建模，以下两个研究问题变得很重要：我们如何明确地对弹性系统进行建模？在弹性伸缩机制中，软件是如何消耗能量的？2.2. 挑战在本文中，我们想展示如何将自主计算与特征模型结合到一个单一的解决方案中，为应用层的模型弹性和能源效率提供强有力的支持。那么，我们要面对几个挑战。C1弹性的显式建模。第一个挑战是如何明确地模拟弹性的不同组成部分和规则。C2支持结构和行为可变性。这一挑战是如何涵盖弹性系统的各种性质、算子、规则、C3确保应用层的能效。最后一个挑战是节能政策。了解云如何使用弹性扩展机制消耗能量，以管理更高效的节能软件。3. 相关工作在本节中，我们讨论了一些研究工作，有关的建模弹性和能源效率。在（Marshall等人，2010），作者开发了一个模型，该模型可以调整站点内提供的服务，例如批处理器、存储归档或Web服务，以利用弹性配置的资源。作者提出了一个额外的层来监控应用程序的需求，并通过获取或释放云节点来响应。此外，在（Vaquero等人，2011）提出了一种利用控制器组件和负载均衡器组件来管理弹性缩放策略的方法。在（Sudha等人，2019），作者提出了一种移动云服务中的OEAS（最优能量分配监督）算法。所提出的方法识别并定位了移动云的各种问题，并确定了以有效方式管理资源活动的问题。然而，作者在（马歇尔等人，2010年）提出了不同的政策，以有效地安排资源部署的基础上的需求。弹性力学中没有明确考虑能量●●●●●Mohamed Lamine Berkane，M. Boufaida和Nour El Houda Bouzerzour沙特国王大学学报3138-缩放政策。此外，在基础架构即服务（IaaS）和平台即服务（PaaS）中考虑了可扩展性（Vaquero等人，2011年）办法。作者在（Sudha等人，2019）仅在计算机架构层评估能量。在我们的工作中，我们研究了软件即服务（SaaS）层的能源效率。此外，我们还考虑了弹性标度机制对能量效率的影响。虚拟机（VM）实例被用于可扩展和节能管理的分散方法中（Pantazoglou等人， 2015年）由大型企业云提供。此外，（Khan等人，2019）定义了具有迁移控制技术的虚拟机分配和虚拟机选择策略，该迁移控制技术确保以最小的每次工作负载损失来实现能源效率。在第一步中，虚拟机分配策略优先使用能效主机。此外，VM选择策略避免了特定VM的可重复迁移 作者在（Jangiti等人， 2017）研究了云计算中弹性、虚拟化和能效技术之间的相互依赖关系。通过迁移VM减少活动服务器的数量被称为服务器整合和水平弹性。调整VM资源的配置称为纵向弹性。使用DVFS（动态电压或频率缩放），CPU频率和电压可以变化。作者（Sharma and Reddy，2016）提出了一种基于多目标资源分配的方法，以虚拟机的形式，并设计了数据中心的虚拟机迁移策略。然而，能量在分散式方法中用分布式算法明确建模（Pantazoglou等人，2015年）。此外，作者在（Khan等人， 2019）定义了一组算法，以确保通过虚拟机分配和整合技术进行能源感知资源管理。Sharma和Reddy提出的方法结合了遗传算法（GA）和粒子群优化（PSO），以节省能耗并最大限度地减少资源浪费。此外，由（Jangiti等人，2017年，没有定义。在我们的解决方案中，我们在硬件层中定义了弹性系统的不同规则（通过计划此外，我们还将特征模型与状态转换图相关联，以表示被监控系统的行为。这种新模型由不同的组件、配置和弹性规则来表示，应用层的能耗。在（Guyon等人， 2015年），作者描述了一种让用户参与减少数据中心能耗的方法。这种方法使用户可以在不同的执行模式之间进行选择，从而影响用于执行应用程序的VM的大小。执行模式从能效到性能各不相同。在节能模式下，虚拟机的大小比通常预期的要小，可能会导致应用程序的执行时间更长，但会提供更多机会来增加空闲服务器的数量。最近在（Alarifi et al.，2020年），作者提出了一个绿色云计算的混合框架，其中考虑了基于时间的功耗模型。所提出的技术取决于应用调度和合并的方法。首先，根据用户对服务时间和功耗的要求对用户然后，定义的调度算法将每个请求分配给可以服务该请求的最合适的VM此外，提出的整合算法用于确定要整合的服务器和接收整合服务器的VM的服务器最后，采用迁移算法从整合的服务器执行VM迁移。该框架在电源使用效率（PUE）、数据中心能源生产率（DCEP）、平均执行时间、吞吐量和成本节约方面降低了功耗。此外，（da Rosa Righi例如， 2015）提出了一种Auto Elastic方法，一种用于云中HPC（高性能计算）的PaaS级弹性模型。这种方法为高性能应用程序提供了弹性，最近在（Hamzaoui等人，2020年），作者提出了算法和技术，云资源供应的第一目标的节能，同时保持性能水平。考虑了一组广泛的云内和云间网络这些资源主要通过两种众所周知的技术来供应：虚拟化和/或容器化。然而，作者在（Guyon等人， 2015）考虑了基础设施即服务（IaaS）和平台即服务（PaaS）以节省能量。此外，作者在（Alarifi等人，2020）研究了要整合的服务器和接收整合服务器的VM的服务器的弹性伸缩策略，以降低功耗。 弹性在平台即服务（PaaS）中被认为是由（da Rosa Righi等人，2015年）。此外，作者在（Hamzaoui等人， 2020）介绍了虚拟资源管理技术中的能量。在我们的方法中，我们展示了软件如何在云的弹性伸缩机制中消耗能量此外，我们考虑了硬件层和软件层分别建模的弹性和能源效率。如前所述，能量在应用层中被忽略。例如，（Buyya等人，2010）提出了一种面向实用程序的云计算环境联合的架构。他们提供了一种联合云基础架构方法，以代表具有能效的应用程序的弹性。所提出的环境支持跨多个云的应用程序扩展。此外，（Paraiso等人，2014）提出了一种方法，支持跨多云的可移植性、配置、弹性和高可用性。最近在（Moreno-Vozmediano等人，2019），作者提供了一种基于机器学习时间序列预测和排队理论的弹性云服务自适应配置方法，旨在优化服务的延迟然而，（Buyya等人， 2010）没有分离架构的组件，并且没有指定弹性的行为。此外，（Paraiso等人，2014）使用注释来表达确保适当决策的弹性规则。 （Moreno-Vozmediano等人，2019）提出的机制允许精确地预测分布式服务器的处理负载，并评估必须提供的适当数量的资源，以优化服务响应时间并满足用户签订的SLA（服务水平协议）。在我们的例子中，我们使用MAPE-K架构来表示系统的不同组件此外，我们还定义了软件层和硬件层中不同算法所表示的Plan一个是用能量效率来模拟弹性的行为另一方面，在（Wajid等人，2015年）。作者描述了一种生态感知方法，该方法将CO2指标与创新的应用程序调度和运行时自适应策略相结合，以优化云计算中的能耗 在（Oberget al.， 2015），作者提供了一种系统，该系统使用遗传算法来优化云功耗，并使用机器学习技术来改善关于真实分布式服务器集群的适应度函数。然而，在（Wajid等人，2015年和Obertet al.， 2015年）。在我们的例子中，弹性缩放机制是明确的MAPE-K架构和功能模型建模此外，行为模型涵盖了弹性系统的各种属性、算子、规则、策略和配置表1中给出了所有这些近期作品的研究概述。我们通过区分我们定义的以下标准的完全（+），部分（±）和无（）分析来总结不同的方法：Mohamed Lamine Berkane，M. Boufaida和Nour El Houda Bouzerzour沙特国王大学学报3139表1相关著作的比较研究（Buyya等人， 2010）++-+--（da Rosa Righi等人， 2015）+-+/--（Guyon等人， 2015年）++±-++（Hamzaoui等人， 2020）++--++（Jangiti等人， 2017年）++--+±（Khan等人， 2019年）+-++（Marshall等人， 2010年）++--+/-±（Moreno-Vozmediano等人， 2019年）++±±++（Occupy等人， 2015年）-±--++（Pantazoglou等人， 2015）+-++（Paraiso等人， 2014年）++±±-（Sharma和Reddy，2016）+（Sudha等人， 2019年）+--+（Vaquero等人， 2011年）++--±±（Wajid等人， 2015年）-±-+拟议办法+ ± ±在云中对弹性缩放机制进行建模：显示该方法是否对弹性进行建模。具有能源效率的弹性建模：考虑具有能源效率的弹性的结构建模和行为。云计算不同服务的能源效率：表示云计算不同服务的能源建模：应用层（SaaS），系统层（PaaS）和计算机架构层（IaaS）。几乎所有的方法都考虑了云的弹性建模。一个例外是在（Occupy等人，2015和Wajid等人，2015年）。最后这些方法只提供了云的能量效率，而没有弹性缩放机制。能量显示在系统层中，并且确切地显示在虚拟化层中（Pantazoglou等人，2015; Khan等人，2019;Alarifi等人，2020; Jangiti等人，2017;Guyon等人，2015年;Rosa Righi等人，2015; Sharma和Reddy，2016和Hamzaoui例如，2020年）。几乎所有提出的方法模型的能量在系统层。 只有少数方法（Buyya等人，2010和Wajid等人，2015）对应用层中的能量进行建模。在弹性和能源效率的建模中，所有提出的方法都只考虑结构建模。行为建模仅在（Alarifi et al.，2020; daRosa Righi等人，2015;Khan等人，2019; Pantazoglou等人，2015; Sharma和Reddy，2016和Sudha等人， 2019年）。在这项工作中，我们试图在应用层的弹性和节能政策的模型大多数方法都忽略了这一层此外，在弹性缩放机制的建模中考虑了系统层和计算机体系结构层。我们在结构模型中使用了可变性，弹性系统的共性和可变性，在行为模型中，明确显示了不同的弹性规则。4. 一种基于层的架构，用于建模具有能效的弹性在本节中，我们描述了一种架构，该架构通过使用基于自主计算（Computing，2006）和特征建模（Czarnecki，2002;Czarnecki等人，2005年;Greenfield和Short，2003年）。自主计算提供了自动管理计算系统的机制。特征建模为描述和实现系统组件的共性和可变性提供如前所述，所提出的架构定义了三个层：功能，软件和硬件（图1）。 2）的情况。特征层定义适配系统。它允许一个模型的弹性系统的整体结构的骨架。在这种结构建模中，我们在特征模型中定义了一个新的概念--“特征级”，用来表示系统从抽象到具体的结构。此外，还介绍了行为建模中不同的弹性规则。为此，将特征模型与状态转换图相关联，以表示不同的组件、配置和弹性规则。软件层代表云中使用的应用程序软件。此外，我们还考虑了用户行为。在这个级别上，我们定义了三个阶段：配置、学习和优化。在第一阶段，我们在开始学习阶段之前确定配置（作为用于记录新用户与不同应用程序的交互的时间）。在第二阶段中，我们得到了与用户能耗相关的不同模型。在第三阶段，我们从常规用户设备加载硬件和系统成本，并应用用户能量模型。在硬件层，我们考虑一个系统，一组服务器，计算能力和服务质量。我们定义了一个算法，认为不同的情况下的弹性适应。在本节的剩余部分，我们将解释两个主要概念及其与我们的架构的关系：自主计算和特征模型。4.1. 自主计算自主计算是计算机为此，IBM提出了一个参考模型，●●●标准->云弹性尺度机制的模拟具有能量效率不同领域的能效层方法结构行为应用系统层（SaaS）（PaaS）计算机架构层（IaaS）（Alarifi等人， 2020年）+++- +号+Mohamed Lamine Berkane，M. Boufaida和Nour El Houda Bouzerzour沙特国王大学学报3140图二. 建议的体系结构概述。控制回路（Computing，2006），称为MAPE-K。定义了四个基本活动：监视、分析、计划和执行。Monitor从托管资源及其上下文收集信息，这些信息反映了受监视系统的更改。Analyse从上一个活动（监控）中收集数据，并识别需要系统采取特定措施的症状。计划从活动中收集信息，并决定如何调整被监控的系统，以实现目标和目的。Execute根据通过计划活动推荐的操作，使用效应器更改受监控系统的行为。此外，知识资源代表通过MAPE-K循环的四个活动共享的信息。这些活动可以被视为通信组件（知识组件），以适应系统行为，以响应不断变化的需求和环境条件。Analyse组件解释通过Monitor组件（传感器）提供的不同数据。此外，Analyse组件将来自传感器的更新值与特定阈值进行比较。每个阈值包含一个或多个边界值。这些值用于表示正常和异常行为之间的界限。一旦Analyse组件指出可能需要调整的情况，它就会为Plan组件创建一个触发器。最后一个组件选择特定的重新配置，并显示如何在运行时执行重新配置执行组件。在我们的架构中，监控组件从软件层（如用户行为数据）和硬件层（如服务器集）收集数据。分析组件由边界和条件表示（如果用于记录新用户交互的时间在软件层中达到，并且硬件层中达到最大服务器数量）。该计划的组成部分是由不同的算法，提出了在软件层和硬件之一。执行组件由不同的执行动作执行（如将收集的数据上传到软件层中的云和扩展硬件层中的弹性动作）。知识资源允许通过其他不同组件共享使用的不同数据。MAPE-K组件显示了我们架构的自主管理器。此外，托管系统代表云与弹性特性观察到的一些措施，如响应时间。我们考虑的主要自* 属性是自优化。该属性揭示了在应用层优化能量的方法4.2. 特征模型面向特征的模型（或特征图）是一种众所周知的表达可变性的方法。该模型由一系列特征组成。父特征和其子特征之间的关系被分类为（ Czarnecki ， 2002;Czarnecki 等 人 ， Greenfield 和 Short ， 2003年）：● 强制性（或通用性）：需要子功能，● 可选（或可变性）：子功能是可选的，● 或者：必须选择至少一个子特征，● XOR：必须选择一个子特征。一个或多个资产可以实现每个功能。不同特性的资产在所提出的架构中，我们使用的特征模型来表示与强制性功能和可选，OR和XOR功能的可变性的共性。5. 要素图层在这一节中，我们提出了弹性系统的整体结构的框架。此外，这一层代表了行为建模中的不同弹性规则。Mohamed Lamine Berkane，M. Boufaida和Nour El Houda Bouzerzour沙特国王大学学报3141（5.1. 结构变异性建模特征模型可用于构造建筑模型。最后一个模型由一组特征组成，它们之间的关系如：“隐含”和“隐含”（Czarnecki，2002; Czarnecki等人，2005年; Greenfield和Short，2003年）。在这个模型中，我们定义了一个新的概念，称为“特征级”。这个概念可以从抽象到具体地描述系统的结构。我们已经使用原型来定义四个级别（图1）。（3）：自主控 制回路： 代表具有监视、 分析和执行 组件的 通用架构（Computing，2006）。Plan组件表示系统中定义的不同规则。它将在行为可变性部分中显示。质量：显示系统的不同性能度量，如延迟（响应时间）。软件组件：包含应用程序使用的不同性能，如内容呈现的质量。硬件组件：表示系统中使用的物理设备，如服务器。自主控制回路特征级由强制特征（需要子特征）表示，因为这些特征描述了系统的骨架。质量、软件组成和硬件组成用OR特征表示必须选择至少一个子特征（图1）。 4）.5.2. 行为变异性建模在行为变异性建模中，我们提出了系统的不同弹性规则。该模型代表计划的组成部分。为此，我们将特征模型与状态转换图相关联（图1）。 5）。在状态转换部分，每个状态由组件（软件组件或硬件组件）的集合组成。状态之间的转换表示规则（具有弹性作用的性质）。在特征模型零件中，这些组件与一组配置（软件或硬件）相关联。可变性通过组件定义的不同配置来表示。6. 软件层软件层代表在云中使用的编程软件和应用程序。在这里，我们考虑到用户的行为。我们指定三个主要阶段：配置，学习和优化（图。6）。第一阶段描述了运行前与用户和应用程序相关的不同配置。第二阶段在运行时收集能耗数据和用户行为数据（用户模型）。第三阶段允许从常规用户设备上传硬件和系统成本并应用用户模型。算法1：用户识别在最后三个特征级别中，我们也使用了三个原型：传感器，阈值和子功能中的配置分别指定监视器组件，分析组件和执行。输入：：1开始2=（）下一页3if（）then4（）5（）6其他第七章）8如果结束图3.第三章。结构可变性的特征元模型9端部见图4。 结构可变性建模。图五. 行为可变性建模。●●●●Mohamed Lamine Berkane，M. Boufaida和Nour El Houda Bouzerzour沙特国王大学学报3142见图6。 软件层。图7.第一次会议。系统的结构可变性建模在学习阶段（算法2）中，我们定义六个变量：UserId、Proc[i]、 ProcVart[i ， j]、 Procset[UserId]、Var_Enrgy[i，j]和EUM[UserId]，以分别表示用户标识、进程i、进程j的变量i由UserId使用的进程的变量的集合、进程j的变量i的能量。进程j和由UserId使用的进程的不同变体的能量用户模型在这个阶段，我们得到了不同的用户行为模型EUM。每个用户由会话表示，该会话包含他的标识符UserId、他所咨询的应用程序或过程ProcVart的变体以及他所咨询的变体VarEnrgy的能量消耗。此外，我们还指定了一组使用用户（Line 2）此外，我们记录新用户的不同过程的能耗数据（第4行）。算法2：学习阶段算法在算法1中，我们区分新用户和常规用户。 在通过读取（或创建）用户名和用户密码识别（或创建）用户的UserId之后; UserId表示用户标识。如果用户是新用户，我们应用配置阶段和学习阶段（第4行和第5行）;如果不是（普通用户），我们应用优化阶段（第7行）。算法1的时间复杂度为O（n）。它包含对学习阶段（在算法2中定义）和优化阶段（在算法3中定义）中的非恒定时间过程的调用。算法2和算法3的总时间复杂度为O（n）。6.1. 配置阶段和学习阶段第一阶段在运行时之前定义不同的配置我们确定用于记录新用户与不同应用程序和不同应用程序变体的交互的时间，从低质量到高质量（例如，内容呈现的质量从文本模式到视频“网站”模式Mohamed Lamine Berkane，M. Boufaida和Nour El Houda Bouzerzour沙特国王大学学报3143在学习阶段收集的数据存储在本地存储中。在用于记录新用户与不同应用程序的交互的时间之后，UserId的NewUserTime（第3行），用户模型被上传到云上以用于优化第6行和第8行）。在算法2中，每次我们记录能量消耗时，（转载自OnCloud）。为了满足用户的需求，我们确定了硬件和系统的成本，并通过弹性规则在硬件层使用自适应机制与学习阶段算法类似，优化阶段算法（算法3）最多有O（n）个循环来完成所有操作。时间复杂度为O（n）。对于新用户的不同过程的操作数据（第4行），它需要时间复杂度为O（n），用于记录能量用户模型（EUM）。该模型表示UserId使用的不同流程变体。每个用户都使用应用程序或流程的变体。时间复杂度为O（n）。6.2. 优化阶段在这个阶段中，我们使用在前一阶段（算法2）中定义的六个变量。此外，我们定义了另外两个变量（在算法3中）：HSC[UserID]表示服务器的成本和UserId使用的计算能力，Equip[i，UserId]表示UserId使用的设备i。此阶段包含两个操作：加载硬件和来自常规用户设备的系统成本并应用用户能量模型。第一个动作允许普通用户打开他的会话的任何地方连接到云和加载硬件和系统成本。我们加载用户模型EUM[UserId]（第2行）。我们还加载了硬件和系统设备的成本，UserId（第3行）。在第二个动作中，我们选择与该用户的硬件和系统成本相关的过程的适当变体使用UserId和EUM[UserId]参数，我们可以加载用户变量进程，以确保服务质量，而不会超过硬件和系统用户设备成本（第4行）。如果新的更新在设备中可用（第6行），则我们重新加载UserId的硬件和系统设备成本（第7行），并且我们可以重新加载新的用户变体进程以适应新的设备（第8行）。自主计算的不同组件在软件层中呈现。在不同阶段（如UserId和Proc[i]）中收集的不同数据代表Monitor组件。Analyse组件验证某些条件（如NewUserTime，以检查用于记录新用户的时间实现与不同应用的交互）。这一层中的不同算法显示了Plan组件。Execute组件对应于所使用的不同操作在不同的阶段，比如将用户模型上传到云端，图8.第八条。系统的行为可变性建模算法3：优化阶段算法Input：UserId：进程的数组Proc[i]进程的数组ProcVart[i，j]ProcVart的数组Procset[UserId]ProcVart[m，n]Array VarEnrgy[i，j] of ArrayEUM[UserId]：{（Proc[1];ProcVart[1，1];VarEnrgy[1，1]），.（Proc[n];ProcVart[n，m];VarEnrgy[n，m]）} HSC[UserID]：{ ServerCost：10;ComputingCapacity：10}Array Equip[i，UserId] of1开始2）3HSC[UserId]LoadHardandSysCost（{Equip[1，UserId].. Equip[n，UserId]}）4Procset[UserId]LoadUserProcess（EUM[UserId]，HSC[UserId]）5whileUsedProcess（UserId，Procset[UserId]）do6如果UpdateHardandSysEquip（UserId），则7HSC[UserId] Load- HardandSysCost（{Equip[1，UserId]，. Equip[n，UserId]}）8Procset[UserId] LoadUserPro-cess（EUM[UserId]，HSC[UserID]）9如果结束10结束时，11端部7. 硬件层在本节中，我们将介绍用于对弹性特性进行建模的硬件层。我们提出了一种算法，考虑不同的情况下的弹性适应。7.1. 弹性特性弹性是云系统能够通过以自主方式供应资源来适应工作负载变化的特性（Herbst等人，2013年）。弹性管理可分为横向伸缩和纵向伸缩两种方法。水平扩展允许通过改变虚拟机的数量（向计算平台添加更多虚拟机或设备）来分配资源。垂直缩放允许根据应用程序内存、存储和网络带宽添加更多的CPU、内存和磁盘（Paraiso等人，2014;Marshall等人， 2010年）。[]的一种（Mohamed Lamine Berkane，M. Boufaida和Nour El Houda Bouzerzour沙特国王大学学报3144图9.第九条。Firefox、Opera、Chrome和Safari启动时的能耗表2发射时间比较。能耗花时间消费高峰平均Firefox浏览器9.0瓦30 s0.7瓦特0.300瓦/秒Opera浏览器2.7瓦12 s0.6瓦特0.225瓦特/秒Chrome浏览器3.6瓦30 s1瓦0.120瓦特/秒Safari浏览器7.1瓦30 s0.5瓦特0.230瓦特/秒弹性系统由以下动作组成：按比例放大、按比例缩小、按比例缩小和按比例缩小（Paraiso等人， 2014年）：纵向扩展：（垂直扩展）涉及到在保持源数量不变的同时，改变分配给服务器资源的计算能力横向扩展：（横向扩展）涉及启动和提供额外的服务器资源;缩放：将系统返回到初始状态（水平缩放）;缩小：将系统返回到初始状态（垂直缩放）;7.2. 弹性行为在硬件层（算法4）中，我们检查具有一组服务器（Srv）的弹性系统的行为，计算容量（Comp）和服务质量（Qlty），如响应时间。这三个参数表示Monitor组件。我们定义了三个边界（和级别）：MaxS，MaxC和Qlty，分别对应于池中的最大服务器数量，最大计算能力数量和服务质量：低、中、高。这些边界由Analyse组件使用。在执行组件中，定义了四个函数：Scaling-Out、Scaling-Up、Scaling-In和Scaling-Down（参见算法4中的第31-50横向扩展：增加服务器数量。Scaling-Up：增加计算能力的数量。Scaling-In：减少服务器的数量。Scaling-Down：减少计算能力的数量。●●●●●●●●Mohamed Lamine Berkane，M. Boufaida和Nour El Houda Bouzerzour沙特国王大学学报3145（（（（（（（（在弹性自适应中（参见算法4中的第1-30行定义一个算法，代表不同的规则的电子标签-算法4：弹性行为算法输入：∶}1开始2如果服务最大值S和补偿最大值C，则3如果Qlty=中或Qlty=高，则系统（计划组件）：在第一种情况下，我们考虑池中的服务器数量和计算能力低于最大值（见第2第二种情况确定服务器数量处于最大值，计算能力低于最大值（见第9● 第三种情况与第二种情况相反，四、5否则，如果Qlty=低，则六、7结束，如果8如果结束9如果Srv=MaximumS和Comp MaximumC，则10如果Qlty=低或Qlty=中，则第十一章12否则，如果Qlty=高，则十三、14结束，如果15结束，如果16如果Srv MaximumS和Comp=MaximumC，则17如果Qlty=低，则十八）19否则，如果Qlty=中或Qlty=高，则第二十章）21结束，如果22结束，如果如果Srv=MaximumS且Comp=MaximumC，则24如果Qlty=高，则第二十五章）26否则，如果Qlty=低或Qlty=中，则第二十七章）28结束，如果29结束，如果30端31功能扩展（∶）：服务器32，如果服务最大值S，则33+ 134结束，如果35返回（服务）36功能扩展（∶）：ComputingCapacity37，如果补偿最大值C，则38+ 139结束，如果40返回（补偿）41函数ScalingIn（∶）：服务器如果Srv>0，则43− 144结束，如果45返回（服务）46功能缩减（∶）：ComputingCapacity47如果Comp>0，则48− 149结束，如果50返回（补偿）∶：{∶●●Mohamed Lamine Berkane，M. Boufaida和Nour El Houda Bouzerzour沙特国王大学学报3146服务器数量低于最大值，计算能力处于最大值（见第16在最后一种情况下，我们考虑服务器的数量和计算能力是最大的（见第23在下文中，我们通过基于智能大学应用的案例研究，对上述架构的不同层进行了更详细的描述。在算法4中，每次我们考虑弹性自适应（第1-30行）时，需要O（1）才能找到适当的规则。我们定义了四个规则（取决于服务器的数量和计算能力）。此外，算法中定义的弹性函数（第31-50行）可以在恒定时间内完成。这些功能可以增加服务器的数量（ScalingOut），增加计算能力的数量（ScalingUp），减少服务器的数量 （ ScalingIn ） 和 减 少 计 算 能 力 的 数 量（ScalingDown）。因此，该算法可以在O（1）内完成选择合适的弹性规则。8. 案例研究：智能大学在这一部分中，一个聪明的大学的案例研究，以显示所提出的方法的可行性。该应用是一个新兴且快速发展的领域，其集成了创造性的创新概念，如技术、教室、教育学等（Serdyukova等人，2016年）。此外，智慧大学的概念是从智慧校园概念中确定的，并暗示了云计算和物联网的整合（Nie，2013）。我们分析了与Znn.com场景相关的智能大学应用程序。Znn是自适应和自管理系统软件工程（SEAMS）研究社区考虑的典型案例研究之一（Cheng et al.，2009年）。Znn是一个基于Web的N层在我们的例子中，我们模型这个基于Web的N层客户端-服务器系统，提出了在线课程的学生。该系统的主要目标如下。内容在合理的响应时间内被处理，运营服务器成本被最小化，并且内容以高质量呈现。我们的灵感来自该平台（创建于2012年）提出了大规模开放式在线课程（MOOC）。它与大学合作提供多种学科的在线课程，如计算机科学、机器学习、数学等。课程以视频模式和文本模式显示在所提出的案例研究中，我们检查了一个普通用户的内容呈现质量，通过使用浏览器，