先进数据中心电源管理策略的质量评估与效率优化

可在www.sciencedirect.com在线获取理论计算机科学电子笔记337（2018）173-191www.elsevier.com/locate/entcs先进数据中心电源管理策略B jornF. Postema 1，2BoudewijnR. Haverkort3通信系统设计与分析荷兰恩斯赫德摘要在最近的工作中，我们提出了一种新的电源管理策略规范语言作为扩展我们基于AnyLogic的仿真框架，用于数据中心的功耗和性能权衡分析。在本文中，我们研究了这种先进的电源管理策略的基础上，在系统运行过程中收集的功率和性能测量数据的质量。这些策略考虑了各种各样的状态变量。为了确保新策略的质量，研究了它们的稳定性，有效性，适应性和鲁棒性;这些品质将被正式定义。本文提出了一种评估方法，这些品质的几个电源管理策略的启发，在文献中提出的战略（及其扩展）。我们表明，电源管理策略的选择取决于哪些质量被赋予最高的优先级和使用的状态信息。新的电源管理策略显示，对于一个30台服务器的小型集群的典型数据中心工作负载，我们的情况下的能源消耗大幅降低，高达54%（与“始终在线”策略相比）。关键词：电源管理，策略，质量，评估，稳定性，效率，适应性，鲁棒性，离散事件仿真，基于代理的仿真，数据中心。1引言降低数据中心整体能耗的一种方法是电源管理（PM）。PM允许在服务器的电源状态之间切换以降低功耗，同时试图保持性能不变[5]。功率比例，即，功耗与利用率成正比，已被证明是过去几年数据中心能源效率改进的三个主要领域之一[4，14]。由于PM软件和硬件一直在改进，1本文中的工作得到了荷兰国家NWO项目合作网络系统（CNS）的支持，作为“网络物理系统鲁棒设计”（CPS）计划的一部分Better.be。2电子邮件：b.f. utwente.nl3电子邮件：b.r.h.m. utwente.nlhttps://doi.org/10.1016/j.entcs.2018.03.0401571-0661/© 2018作者。出版社：Elsevier B.V.这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。174B.F. 波斯特马Haverkort/Electronic Notes in Theoretical Computer Science 337（2018）173由于功率不成比例，闲置服务器已成为当今的合理做法如广泛使用的开放标准高级配置和电源接口（ACPI）[8]中所述，三种PM类别是：（i）动态PM，例如， 睡眠和休眠;（ii）动态电压和频率缩放（DVFS），例如，缩放CPU的频率和电压;以及（iii）设备PM，例如，GPU暂停使用，硬盘.本文讨论了动态PM，重点是暂停空闲或未充分利用的服务器[3]。我们的新评估方法嵌入到我们最近的工作中[13]，该工作使用多方法仿真软件ANYLOGIC[1]在数据中心仿真框架[12]中引入了电源管理模块和规范。该模块扩展了电源管理功能，提出了一个接口，以方便规范化多种策略。此外，这种规范允许使用许多状态我们提供有关流量、系统服务、功率、性能和热力学的信息变量，以制定各种更先进的电源管理策略/政策，从而显著提高能效，同时满足其他服务水平协议（SLA）要求本文使用这种规范化方法来研究多个电源管理策略，并提出了一组指标来评估我们的框架中模拟的高级动态PM策略的质量我们研究PM策略的效率和稳定性，包括微小的变化（鲁棒性）和适应性工作负载的影响（适应性）;这些质量指标将被正式定义。该文件进一步组织如下。第2节概述了该方法。第3节描述了有助于为给定的数据中心配置找到最佳和最合适的策略的策略质量。第4节显示了对典型工作和数据中心配置以及几种有趣的电源管理策略的实际评估。结论和未来工作见第5节。2总体方法我们分析动态PM策略的方法分为三个步骤：i. 结合工作和数据中心的特点，形成一个整体模型;ii. 使用语言结构化地描述动态PM策略;iii. 评估相关功率和性能指标的动态PM策略。我们的第一步是在现有数据中心模拟框架的帮助下实现的[12]。第2.1节描述了该框架及其特征，随后是第2.2节，其详细阐述了该框架的动态PM扩展，该扩展允许策略性地使用各种可观察量来控制服务器的功率状态。其次，在此模拟框架内使用各种状态信息变量的动态PM策略的现有规范，在第2.3. 第2.4节描述了一个使用规范作为说明的示例策略，并作为下一节的运行示例最后一步，B.F. 波斯特马Haverkort/Electronic Notes in Theoretical Computer Science 337（2018）173175Fig. 1. ANY LOGIC仪表板方法在本文的其余部分。2.1模拟器的一般描述在[12]中，已经提出了一个模拟框架，该框架允许分析数据中心中的功率和性能权衡，以通过功率管理节省能量。高级仿真模型使我们能够估计数据中心的功耗和性能。该框架是在一个NYL逻辑，允许执行和离散事件和基于代理的模型的组合之间的 该框架具有直观的仪表板，可以在每次模拟运行期间主动控制和获取洞察力，如图1所示。从该图中可以看出，可以针对（a）功率状态利用率、（b）响应时间和（c）功耗来分析瞬态行为，并且在自动更新的表格中用这三个的平均值来描绘稳态行为。此外，ANYLOGIC还可以选择参数变化实验，允许并行计算多个模拟运行，通常更适合快速计算稳态行为。2.2动态电源管理动态PM在全局/休眠电源状态之间切换，以降低能耗，同时保持性能不变（例如，使未充分利用的服务器进入休眠状态）。为了保持良好的业绩，战略决策需要根据各种因素做出176B.F. 波斯特马Haverkort/Electronic Notes in Theoretical Computer Science 337（2018）173图二. 系统概述状态信息变量。图2显示了配备电源管理的数据中心的概览。提供给电源管理模块的数据中心的信息是系统的可观测量。随着越来越多的传感器收集数据，更多的信息可以用于决策：（i）功率状态利用率（PU）描述了在特定功率状态下花费的时间比例;（ii）功率消耗（PC）描述了服务器和数据中心基础设施消耗的功率（以瓦特为单位），其与所有服务器的预期功率消耗（E[P]）和所有服务器在模拟持续时间内的预期能量消耗（E[E]）相关;（iii）响应时间（RT）是性能的度量，它表示一个作业从用户请求向系统输入一个作业到该作业在系统中完成所花费的总时间，它与作业的预期响应时间（E[R]）有关;（iv）温度（TM）表示服务器的温度（摄氏度）;（v）trac表示与作业到达系统有关的变量;以及（vi）系统服务表示与系统中作业可观测量允许我们通过一些计算来控制量图3.第三章。用于在三个全局功率状态睡眠、开启和关闭之间切换的模型，具有标签，并且在每个状态中具有缩写i，指示消耗的功率R（i）B.F. 波斯特马Haverkort/Electronic Notes in Theoretical Computer Science 337（2018）173177的数据中心。考虑的可控量如下：（i）功率状态切换是功率管理特征，其允许在特定服务器的功率状态之间切换;以及（ii）作业调度允许在其服务单元之间分配工作负载，这对功率管理策略的质量具有很大影响。图3显示了一个确定性有限自动机（DFA），用于框架中，在每个服务器内部的三个全局电源状态之间切换（如ACPI开放标准[8]中所示）。该模型中的所有状态转换都由动态PM或进入或离开系统的作业调用。将在每个状态中花费的时间与每状态功耗（奖励）组合允许计算（平均）功耗和能耗。在切换功率状态时发生三个重要的影响：（a）作业处理暂停/继续，（b）从一个功率状态到另一个功率状态的转换需要时间并且消耗功率，以及（c）功率消耗减少/增加。系统在模型的所有状态下都处于打开状态，除了（o）和as（asleep）。 注意，在状态sl（睡眠）、id（空闲）、wk（唤醒）、bt（引导）和su（挂起）中花费的时间被认为是开销，因此应该被最小化。因此，正式的DFA（在[9]中引入）用于在功率状态con之间切换Σ5元组M=（Q，Σ，δ，q0，F），其中Q={as，wk，pc，bt，sl，id，su，of}，={waitForJob，injectJobJob，wake，woken，sleep，sleeping，boot，booted，暂停，暂停}，δ：Q× →Q（参见图3中的所有转换），q0={空闲}，F=Q。 此外，状态奖励被定义为函数R：Q→R。 对于这个DFA，图中也描述了国家奖励图4显示了在框架中用于调度所有使用最短队列下一个（SQN）将作业分配到M个服务器之一。每个服务器包括G|G| 1 |∞|一个FIFO缓冲器的∞队列作为功率管理的结果，可用于处理作业的服务器的数量M随时间变化。图四、调度器使用最短队列下一个（SQN）将作业调度到服务器1到M的队列178B.F. 波斯特马Haverkort/Electronic Notes in Theoretical Computer Science 337（2018）173SSSCCCSC2.3战略规范动态功率管理策略描述了在操作时实现某些目标的高级计划合理的性能、稳定的功耗或在所有服务器上均匀分布的温度。该计划描述了服务器何时基于观察到的量切换电源状态为了从结构上描述动态PM策略，使用了一个规范具体化语言的完整描述见[13]。该规范允许我们使用包含全局功率状态G的3元组来定义PM策略Θ（例如，sleep、on和o_s）、全局级满足器ΦS和服务器级约束ΦC（s），其中s是服务器。这些满足条件和约束条件是决定服务单元是否需要切换全局功率状态的两步方法的一部分。在第一步中，满意者确定某些目标/阈值是否在全球范围内得到满足，例如，用移动平均值确定的响应时间超过一秒。在第二步骤中，约束检查所有合格服务器的服务器级约束，例如，服务器温度超过30摄氏度。该过程每r秒重复一次，或者可以由与观测变量相关的事件触发可以使用瞬时（ins）观测值来做出策略性功率管理决策。然而，作为随机工作负载的结果，这样的即时决定可能导致过度为了防止这种不期望的行为，通常最好使用观察值的导数，例如，稳态平均值与批量平均值方法（savg），或（指数）移动窗口平均值（eavg/mavg）。该策略规范的有用定义见附录A。2.4示例策略为了说明的目的，我们在这里给出了一个示例功率管理策略，表示为Θque，其通过基于队列大小（QS）观察来唤醒和睡眠服务器，在阈值q的帮助下确保良好的功率和性能使用此队列大小阈值旨在减少（预期）等待时间，从而减少总体（预期）响应时间。出于比较的目的，队列大小阈值在100和1500之间变化，步长为100。对于具有可用全局功率状态Gque =（as，on）的该队列大小阈值策略，更满意的公式Φque为如下所示：⎛Φque=Φ如：=（QS≤q）⎞（1）φon：=（QS> q）其中q∈{100·i|1 ≤i≤ 15，i∈N}。该策略具有服务器约束Φque（s），仅当该服务器的队列没有作业时才允许服务器休眠，并且仅当服务器实际处于电源状态（PS）休眠时才唤醒服务器，如下所示：⎛Φque（s）= φas（s）：=（QS（s）= 0）φon（s）：=（PS（s）=as）⎞- 是的（二）φB.F. 波斯特马Haverkort/Electronic Notes in Theoretical Computer Science 337（2018）173179递归时间r为5。为该电源管理策略设置0 s。较小的重复时间值会增加开销;较高的重复时间值会使策略的响应性较低3战略素质我们评估电源管理策略使用四个品质的组合，即：（i）效率，（ii）稳定性，（iii）鲁棒性，（iv）适应性。 由于每个数据中心都有不同的客户和环境，因此其四个质量的重要性可能会有所不同。在这种情况下，决策分析技术可以帮助找到最佳策略。下文阐述了每种质量的含义及其定量解释。为了便于解释，我们将2.4节中的策略作为一个运行示例。这四种性质将在3.1 - 3.4小节中讨论，然后在3.5节中讨论。3.1电子商务电源管理策略的有效性解决了如何更好地实现性能和能源目标。性能管理的目标是获得尽可能低的响应时间，而电源管理的目标是具有尽可能低的功耗。由于这两个值是相关的，效率通常表示为每瓦性能（PPW）。然而，像[2]这样的许多方法都难以以有意义的方式表达功耗和性能的组合。由于在某些情况下存在功率和性能的权衡，如在早期的工作[6，11，15]中所见，因此功率和性能都被指示。为了说明功耗-性能权衡，807060504030201002200 2300 2400 2500 260027002800290030003100平均功率 消耗量（W）图五. 队列（q）的变化阈值，其说明（i）效率边界，以及（ii）工作量和数据中心特点略有变化q= 1500全局队列大小阈值（q）效率边界q= 100平均响应时间（s）180B.F. 波斯特马Haverkort/Electronic Notes in Theoretical Computer Science 337（2018）173Σ大小阈值（见第2.4节）如图5所示。 每个点代表使用不同的队列大小阈值进行单个模拟运行。平均功耗（在x轴上）的范围在2279 W和3053 W之间，响应时间（在y轴上）的范围在6。54和78。44 S.散点图显示，通过增加或缩小队列大小阈值，可以用性能换取功耗。请注意，在同一张图中，绘制了一个效率边界，说明在哪个方向上可以找到功率性能的最佳值一个有效的动态PM策略被认为具有低的平均功耗和低的平均响应时间。这个图形的其他细节将与其他性质一起详细说明。效率的一个指标是开销比率（OR），即，空闲（PU（id））、引导（PU（bt））、唤醒（PU（wk））、挂起（PU（su））和睡眠（PU（sl））国家使用（iPU（i））。在有效的电源管理策略中，在那些“开销”功率状态上的花费只有在真正需要的时候才能切换。 我们可以将OR表示为：PU（id）+ PU（bt）+ PU（su）+ PU（wk）+PU（sl）OR=0。（三）iPU（i）3.2稳定性一个稳定的电源管理策略，确保可接受的功耗和性能，不会波动太多的结果，不正确的开关之间的电源状态的服务器。由于稳定性，数据中心最终受益，因为在功耗中观察到的峰值较少，这导致功耗容量需求较低数据中心的客户通常通过他们的SLA确保获得高质量的服务，例如，观察到的所有响应时间的95%应该低于某个最大响应时间阈值这种需求隐含地需要稳定的性能。回想一下，运行示例（如第2.4节所示）改变队列大小阈值以获得功耗-性能权衡。为了使每次模拟运行都能达到最佳效率，需要一个稳定的电源管理策略。一个稳定的电源管理策略可以使每个模拟运行（一个点）更接近效率边界（如图5所示）。点移动接近效率边界的主要原因是仅发生必要的功率状态切换。因此，减少了在“开销”功率状态中花费的时间用于满足这些SLA需求的一种方便方法涉及响应时间阈值。计算违规次数并将此次数除以样本总数，即可估计违反SLA的作业百分比（SLAv）。我们的一个合作伙伴在实践中使用了这种方法。更好的电源管理策略可以减少SLA违规的数量另一个有价值的度量是功率状态切换频率（PSSF），即，的B.F. 波斯特马Haverkort/Electronic Notes in Theoretical Computer Science 337（2018）173181单位时间内电源状态切换次数。 PSSF通常是强振荡的主要原因，因为功率状态之间的切换会导致功耗和性能的变化。一旦服务单元达到电源状态on、as或of（如图3所示），就会记录一个 PSSF然后由功率状态切换的数量（#PSS）确定为整个仿真中经过的时间（t）的分数。我们可以将PSSF表示为：PSSF = #PSS不.（四）3.3稳健性如果电源管理策略能够在其数据中心配置的微小变化下具有可接受的稳定和高效性能，则该电源管理策略被视为稳健。鲁棒性与电源管理策略在现实环境下的适用性有关。时间在白天经常波动，资源的服务时间也各不相同。这些变化包括到达间隔率λ、服务时间1/μ和功率状态切换超时α的变化。因此，首先应制定一组相关的次要变量为此，我们取原始值，并允许在其原始值上增加或减少λ，1/μ和α如果小于10%，变异就太小而不重要，而如果超过10%，就更难进行比较。接下来，将稳定性和效率与原始配置进行比较。在比较中，PSSF中的差异（ΔPSSF =|PSSF original−PSSF variant|）和OR（ΔOR = |OR原始− OR变体|）值给出了鲁棒性的有用指示。注意，仅观察平均值之间的差异不被认为是功率管理策略的鲁棒性的正确指示，例如，更改服务器数量将影响每瓦性能。因此，PSSF和OR是更加独立于配置的度量。根据运行示例和功率-性能权衡图（参见图5），具有微小变化的强大电源管理策略使数据点更接近或远离效率边界。请注意，对于服务器数量的变化，将建立一个新的效率边界。因此，需要比平均功耗和平均响应更通用的度量见图6。模拟运行的Δt上的PSSF，没有工作负载波动，而不是工作负载中通常的随机波动（如规范所示）。（见第2.2节）见图7。模拟运行的Δt上的PSSF，工作负载波动由到达率182B.F. 波斯特马Haverkort/Electronic Notes in Theoretical Computer Science 337（2018）173“的#美元！图八、PSSF在Δt上的适应周期示例次这是PSSF和OR通过与原始模型参数进行比较给出良好指示的地方。3.4适应性当从一种配置改变到另一种配置时，有一个适应期。如果电源管理策略稳定且快速地适应环境的变化，则电源管理策略被认为是可适应的。因此，自适应策略将配置设置添加到其参数中，以便能够确定正确的服务器数量和正确的调整时间。质量的适应性是相关的考虑，因为一个适应性强的战略更普遍适用。图6和图7显示了在模拟运行4期间，PSSF在小时间段（Δ t = 20 s）内的工作负载波动效果。这两个图在y轴上显示了Δt（h−1）上的PSSF，在x轴上显示了模拟时间（s）。通过比较这两个图，我们观察到Δt上的PSSF随工作量波动而暂时高得多这种行为的原因是所采用的功率管理策略试图仅在必要时切换功率状态图8显示了进入（t= 80 s）并在适应期（t= 170 s）后稳定的系统，并显示了小时间段（Δt = 20 s）内的PSSF。通过更改其中一个配置设置（如图所示）进入自适应期。从图中可以看出，在适应期间，Δt上的PSSF更高，振荡更强为了观察该策略的适应性，首先确定从配置变化到稳定情况的总适应时间（TTA）以及在此期间的PSSF（表示为PSSFA） PSSFA是一个数字的权力自适应周期（#PSSA）期间的状态切换作为时间的一部分消耗适应性 = TTA + TTA+ ... + TTA）。 PSSF是i12n4使用第4.1节中的作业和数据中心特征以及第4.2.3节中的高级PM策略。！i=1B.F. 波斯特马Haverkort/Electronic Notes in Theoretical Computer Science 337（2018）173183我质量可计算值一个BBR。电子商务平均值开销比率E或稳定性违反SLA事件百分比电源状态开关频率标准偏差SLAvPSSFσ稳健性OR差异PSSF差异ΔORΔPSSF适应性总适应适应性PSSFTTAPSSFA表1每个电源管理策略质量的观察值（越低越好）在整个仿真期间的功率状态切换的总数，不包括在自适应期间进行的切换，作为在稳定的系统（nt= t + t +. +t）。我们现在表达PSSFA和更详细1 2NPSSF，如下：#PSSA #PSS −#PSSAPSSFA=n i=1，PSSF=TTAi卢恩i=1ti.（五）为了计算TTA和PSSFA，自适应时段的开始和结束必须确定。由于参数发生变化，因此很容易检测到该周期的开始。 这一时期的结束取决于观察局势是否再次稳定和有效。因此，该战略必须至少稳定到适应期开始前的PSSF。这就要求该战略最低限度地能够稳定。3.5讨论基于前面第3.2 - 3.4节，表1中提供了每种质量的所有可计算值的概述。同样值得注意的是，对于所有这些值，较低的值被认为是更好的在文献[7]中，OR和PSSF的概念与云系统资源管理报告[7]指出，弹性适应不能用传统的性能指标（响应时间和利用率）来描述。因此，[7]提出了一套新的度量标准，超越了目前在这个问题上的方法。我们的OR与他们的准确性和分时度量的组合有关。我们的PSSF与他们的抖动度量有关。 因此，这两种方法都表达了类似的意见。质量评估范围之外的一个方面是复杂性的概念，这仍然是开放的研究。用于PM的满足条件和约束条件（参见第2节）需要额外的传感器、额外的计算和/或调整的基础设施。这通过存储需要额外空间的额外数据以及用于感测、计算或存储数据的需要额外时间和能量的额外处理来引入额外开销。特别是具有hysteresis的计算满意度增加了空间复杂性，因为这需要跟踪过去的信息。此外，可观测量的采样频率也要求1184B.F. 波斯特马Haverkort/Electronic Notes in Theoretical Computer Science 337（2018）173100额外的存储空间和更高的计算密集型。4评估实施例为了说明对功率管理策略的质量的全面评估，数据中心配置及其工作特征在第4.1节中描述，作为第2节中三步方法的第一步。随 后 ，科4.2具体的五种电源管理策略。在第4.3节中，该方法的最后一步评估了给定数据中心和工作特征的五种策略的质量。4.1作业和数据中心特征我们考虑一个数据中心，其中作业根据泊松过程到达，使得到达间隔时间分布与速率λ（作业/s）呈指数关系。每个作业的服务时间（1/μs）是指数的，即，由于作业大小不同，服务器在不同的时间内完成作业。默认情况下，λ设置为20。0 job/s，μ设置为1。0个作业/秒。否则，将明确说明否决值图9显示了基于[5]数据的典型业务数据中心的日常服务器利用率。由于这些服务器的处理速度保持相同，因此该服务器处理利用率可以被重写为对于所有服务器具有作业到达率λ的时间依赖到达过程（μ·n）·PU（pc，ins），其中PU（pc，ins）为当前观察到的处理利用率（%）和（μ·n）是每秒到达的作业的最大允许数量。这假定调度作业所引起的开销可以忽略不计。这种方法的优点是，数据中心只通过分析其昼夜模式来模拟。这可以通过导出到达间隔来完成。5040302010051015 20时间（小时）图第九章典型业务数据中心的日常处理能力状态利用率[5]处理利用率 (in%的百分比）B.F. 波斯特马Haverkort/Electronic Notes in Theoretical Computer Science 337（2018）173185每小时的工作次数及其工作特性，如需求、优先级和工作规模。这些参数的验证和敏感性分析被认为是未来的工作。作业调度是数据中心配置的重要组成部分，因为它在很大程度上提高了性能。作业到达数据中心并通过调度器进行分配。调度器使用默认的通过最短队列的作业调度。但是，作业只能调度到处于空闲和处理能力状态的服务器电源状态切换的模型支持三种全局电源状态，如图3所示。模型中的每个状态都有特定的功耗。默认情况下，服务器打开窗口所需的时间设置为10 0。0s，bootαbt设置为100。0s，wa keαwk被设置为10。0s，睡眠αsl设置为10。0s和e时间是确定性的。模型中的功率状态的感知允许我们通过用功率消耗奖励每个功率状态来计算功率消耗（P）。请注意，处理是服务作业的唯一电源状态平均功耗（E[P]）和平均响应时间（E[R]）采用批平均法计算。这种方法要求模型时间（tsim）非常长，通常约为86400虚拟秒（正好是1个昼夜周期），并且系统应在一些预热（wup）周期后完成其启动阶段最大可用服务器数量为30。服务器级协议（SLA）要求将响应时间阈值（RSLA）设置为20秒。违反这一门槛可能导致处罚或被认为是不可接受的。（指数）移动平均值的窗口大小设置为一秒的样本数据。不同窗口大小的分析是未来工作的一部分4.2五大战略4.2.1基本案例策略：ALWAYS ONALWAYSON（Θall）策略被定义为讨论使用电源管理策略的影响的基本情况。对于Θall，Gall =（on），满足公式和约束公式如下：Φ all=（φon：=（true）），Φ all（s）=（φon（s）：=（true））。（六）S S C因此，对于此基本情况策略，所有服务器都被视为始终处于打开状态。预计这将导致高性能，但也会导致第4.1节中的工作和数据中心特性的高能耗。4.2.2文学灵感策略：最佳情感与最差情感一个典型的更满意的公式的例子，属于我们的最优（Θopt）和D情感（Θdem）策略（基于[10，13]），Gopt = Gdem =（as，on，of），186B.F. 波斯特马Haverkort/Electronic Notes in Theoretical Computer Science 337（2018）173SCCC⎞CS定义如下：Φopt =Φdem = Φopt（s）=S S C⎛ ⎛ ⎞φas：=（RT（mavg）≤RSLA）⎜⎟φas（s）：=（PS（s）=id）⎜⎟（七）阿利翁你好，我是说，S：=（RT（mavg）> RSLA） φC（s）：=（PS（s）= as）⎝=（true）⎠ ⎝ ⎠φof（s）：=（false）Φdem⎛ ⎞φas（s）：=（T0（s，id）≤tidle）⎜ ⎟⎜on⎟C（s）=φφC（s）：=（PS（s）= asφ PS（s）= of）φ。（八）⎝ ⎠（s）的φ：=（TO（s，as）≤t睡眠）最优策略仅使用移动平均响应时间阈值RSLA来确定服务器是否应该在电源状态on和as之间切换。 D情感策略添加了额外的约束，以防止在切换电源状态之前具有超时（t空闲和t空闲）的过度活跃的电源状态切换，并且服务器现在也可以被关闭。与基本情况策略相比，这些示例预计将通过由于睡眠和暂停的服务器而导致的较低能耗来提高能效然而，性能预计会受到服务器的电源状态切换的负面4.2.3微调策略：S强和 A先进基本上，这些奥普蒂马尔和D情感战略最大化的数量在响应时间移动平均值和在特定功率状态下花费的最小时间量的帮助下保持性能不变的同时，微调策略STRONG和AADVANCED通过以下方式进一步减少不必要的功率状态切换和SLA违规：（i）减少功率状态的波动，使用指数移动平均的响应时间观测，（ii）将服务器的数量限制为特定的功率状态，以及（iii）使用由低于实际SLA响应时间阈值的波动引起STRONG扩展是在运行OP-TIMAL和D情感变体的实例后开发的。这些运行表明，这些策略在少量服务器上的性能不佳因此，STRONG策略永远不会关闭服务器总数的最后20%。 为了减少PSSF策略，服务器只有在睡眠（至少）100秒后才能重新打开。此外，使用指数移动平均值，响应时间的波动会减少得更多。低于实际SLA响应时间阈值的安全裕度用于任何剩余的波动。满足者φB.F. 波斯特马Haverkort/Electronic Notes in Theoretical Computer Science 337（2018）173187SC⎟CSCC⎜⎟-是的⎜⎠和Θstr的约束公式，其中Gstr =（as，on），如下所示Φstr=⎛⎞φas：=（（RT（eavg）≤3·RSLA）Φstr（s）=⎛ ⎞第四章Pu（id，ins）≤ 0.（2））⎝⎟，⎠φas（s）：=（PS（s）=id）- 是的φon（s）：=（TO（s，as）≤100。0个）（九）Cφon：=（RT（eavg）>3·R ）S4SLA在高级扩展服务器中，可以暂停，使得消耗更少的能量，如在D情感策略中可以看到的。如果数据中心的处理能力状态利用率（图9）非常典型，则预计有50%的资源处于空闲状态。因此，虽然采取了20%的安全界限，但仍有大约30%的服务器可以关闭。Θadv的满足和约束公式，其中Gadv =（as，on，of），则如下：Φadv=⎛ 作为Φadv（s）=3公司简介 ：=（RT（eavg）≤4·RSLA⎜⎛ ⎞Pas（s）：=（PS（s）=id），最小PU（id，ins）≤ 0。2）电子邮件⎜ ⎟ ⎜φon(s):=((PS(s)=as∨ PS(s)=of)⎟⎜ ⎟ ⎜C⎟n=（RT（eavg）>3·RSLA）第四章⎜⎟ ⎜，Pu（as，ins）≥ 0。0）的：=（PU（（id，ins）≤ 0. 2）电子邮件公司简介⎜最小值（PU（of，ins）≤ 0. 第三章⎟ ⎜⎟ ⎜⎟⎝罗夫⎟（PS（s）=as））⎝⎠n（PU（bt，ins）≤ 0.05））φC（s）：=（TO（s，as）≤100. 0个）（十）4.3质量评价表2提供了上述电源管理策略评估的全球概述。表中的每一行代表一种电源管理策略，每一列代表一种质量。在每个单元中，提供了针对该特定策略和质量组合的除了测量本身之外，每个测量都通过将其与其他策略进行比较来进行排名，其中最高的排名（最低的数字是最好的）表示最佳值。我们通过对每个相关的计算值赋予相等的权重来组合测量值，并对每个质量的排名进行平均。在实践中，如果某些值被认为是不可接受的，则可以调整这些权重。表2中的一个相关观察结果是，A-高级策略的能耗降低了54%（53. 02千瓦时1天）相比，使用A LWAYS O N策略（115。10 kWh（1天）。然而，由电力管理引起的这种能量减少对数据中心的其他量产生影响。最优和D情感都已经显示出能量效率的大幅度提高，具有合理的性能、稳定性、鲁棒性和适应性。通过额外的微调，STRONG战略电子商务稳定性稳健性适应性n= ON（0）Σ(11)=等级（五）（六）（二）（参见： 第4.2.1节）(5)E[E] = 115。10kWhE[P] = 4 796W(1)E[R] = 1。269秒(5) OR = 66。百分之八十六(2) σ（P）= 163。910瓦(1) σ（R）= 0。328 S(1)SLAv = 0%(1)PSSF = 0h−1(5)平均ΔOR = 1。百分之三十八(1)平均值ΔPSSF = 0h−1(1)平均PSSFA = 0h−1(1)平均TTA = 0 s最佳（Θopt）（十二）（二十）（六）（十）（参见： 第4.2.2节）（由Horvath et al.[10]）(4)E [E]= 59。09kWh E[P] = 2462W(5)E[R] = 8。波音761(3)OR =4. 百分之六十九(5) σ（P）= 494。238W(5) σ（R）= 5。590年代(5)SLAv = 2。百分之五十七(5)PSSF = 241。2h−1(2)平均ΔOR =0。百分之二十一(4)平均值ΔPSSF = 6。12小时-1(5)平均PSSFA = 331。2h−1(5)平均TTA = 150。00 sD情感（Θdem）（十）（十六）（八）（八）（参见： 第4.2.2节）（由Horvath et al.[10]）(2)E[E] =55。06kWh E[P] = 2294W(4)E[R] = 8。665 S(4)OR =4. 百分之七十八(4) σ（P）= 487。528W(4) σ（R）= 5。463秒(4)SLAv = 1。879%(4)PSSF = 237。6h−1(3)平均ΔOR =0。百分之二十四(5)平均值ΔPSSF = 7。56小时-1(4)平均PSSFA = 293。8小时-1(4)平均TTA = 145。83年代[13]第十三届中国国际音乐节（六）（八）（三）（六）（参见： 第4.2.3节）(3)E[E]= 56。14kWh E[P] = 2339W(2)E[R] = 4。257秒(1) OR = 3. 百分之五十九(1) σ（P）= 147。小行星939(3) σ（R）= 3。393 s(2)SLAv = 0。0021%(2)PSSF = 9h−1(1)平均ΔOR =0。百分之十六(2)平均值ΔPSSF = 2。52小时-1(3)平均PSSFA = 51。48小时-1(3)平均TTA = 110。42 SAADVANCED（Θadv）[3]（五）（十一）（七）（四）（参见： 第4.2.3节）(1)E[E]= 53。02kWh E[P]= 2209W(2)E[R] = 4。101 S(2) OR = 3. 百分之九十(3) σ（P）= 170。192W(2) σ（R）= 3。360 s(3)SLAv = 0。0130%(3)PSSF = 14。4h−1(4)平均ΔOR =0。百分之三十一(3)平均值ΔPSSF = 3。24小时-1(2)平均PSSFA = 33。84小时-1(2)平均TTA = 106。25 s188B.F. 波斯特马Haverkort/Electronic Notes in Theoretical Computer Science 337（2018）173B.F. 波斯特马Haverkort/Electronic Notes in Theoretical Computer Science 337（2018）173189表2：电源管理策略质量评估（参见表1）B.F. 波斯特马Haverkort/Electronic Notes in Theoretical Computer Science 337（2018）173189增加了更高的稳定性和鲁棒性，并提高了性能。先进的显示出更少的能耗，仍然具有良好的效率，稳定性，略微改进的适应性和略低于STRONG的鲁棒性。所有这些观察结果共同表明，正确的策略取决于该数据中心对每个质量的要求。一些数据中心发现一定比例的SLA违规是不可接受的。其他数据中心可能具有非常稳定的工作负载特征，这使得鲁棒性和适应性的相关性较低。因此，这两个例子可能会选择不同的电源管理策略的基础上，他们的质量要求。5结论为了分析数据中心的能源效率和性能，本文介绍了新的指标，用于评估电源管理策略的四个质量：（i）效率，（ii）稳定性，（iii）鲁棒性和（iv）适应性。首先，描述了工作和数据中心的特点随后，五种电源管理策略已被指定，以满足数据中心在一些全球和服务器级别条件下的质量要求，并借助所谓的卫星和约束公式。在该方法的最后一步，这些电源管理策略已使用我们的新指标进行评估针对具有30台服务器和典型小型企业数据中心工作负载的数据中心配置评估各种质量通过功率管理策略（与ALWAYSON策略相比），在以下情况下获得了54%的能量降低-受文学（OPTIMAL和DEMOTION）及其微调（STRONG）的启发（A）前进。对于这些微调策略，能源效率提高，性能、稳定性、适应性和鲁棒性也得以保持。引用[1] AnyLogic，AnyLogic：Multimethod Simulation Software（2000）.网址http://www.anylogic.com/[2] Azimzadeh，A.和N.Tabrizi，一种用于多层数据中心的动态电源管理模式（2016年）。URLhttp://arxiv.org/abs/1604.04320[3] 贝尼尼湖和G. D.陈志荣，URLhttp://dl.acm.org/citation.cfm? 551011 - 551011 - 551011[4] 赵，J.，数据中心在能源使用高原时继续节能（2016）。网址http：//newscenter.lbl.gov/2016/06/27/data-centers-continue-proliferate-energy-use-plateaus/[5] 艾默生网络能源，《能源逻辑：通过系统间的级联节约降低数据中心能耗》，艾默生电气公司白皮书（2009年）。URLhttps:/