CN107656851A - 一种基于部件能耗模型的云服务器能耗测算方法及系统 - Google Patents

一种基于部件能耗模型的云服务器能耗测算方法及系统 Download PDF

Info

Publication number
CN107656851A
CN107656851A CN201710924039.6A CN201710924039A CN107656851A CN 107656851 A CN107656851 A CN 107656851A CN 201710924039 A CN201710924039 A CN 201710924039A CN 107656851 A CN107656851 A CN 107656851A
Authority
CN
China
Prior art keywords
energy consumption
model
cpu
hardware
disk
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710924039.6A
Other languages
English (en)
Other versions
CN107656851B (zh
Inventor
林伟伟
王浩宇
吴文泰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201710924039.6A priority Critical patent/CN107656851B/zh
Publication of CN107656851A publication Critical patent/CN107656851A/zh
Application granted granted Critical
Publication of CN107656851B publication Critical patent/CN107656851B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • G06F11/3062—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations where the monitored property is the power consumption
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
    • G06F11/3433—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment for load management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3476—Data logging
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本发明公开了一种基于部件能耗模型的云服务器能耗测算方法及系统。所述方法包括步骤：系统中的硬件检测模块采集服务器硬件信息；模型匹配模块根据所获取的硬件信息与内建硬件模型数据库匹配，找到相应的能耗参数，并写入能耗模型配置文件；数据采集模块采集资源利用率；功耗估算模块根据适配得到的信息和资源利用率，使用对应部件的能耗模型进行系统或进程实的时能耗测算；系统对测算到的服务器能耗信息进行两种方式的持久化存储；系统能将服务器硬件信息、历史和实时能耗数据和传送至统计端程序。通过本发明，用户可以实时查看和监控当前服务器的能耗信息，为数据中心负载调度提供能耗参考。

Description

一种基于部件能耗模型的云服务器能耗测算方法及系统
技术领域
本发明涉及一种云服务器能耗测算的方法及系统，特别涉及一种基于部件能耗模型的云服务器能耗测算方法及系统。
背景技术
根据统计，2011年世界范围内的数据中心数量就已经超过了50万个，它们的电能消耗占比达到世界总电能消耗的1.5％。在节能的大趋势下，在数据中心内建立完善的能耗监控机制是实现能源规划和能耗管理的前提。Emerson在北美地区的调查结果显示：51％的数据中心负责人将监控和管理能力列为他们最关心的三个问题之一。可以看出，如何建立有效的能耗监控成为了目前CSP面临的一个挑战。在云数据中心的规模不断横向的背景下，能耗监控除了需要具备准确性和细粒度以外，必须是容易扩展的。传统的基于硬件的直接检测一般是指通过外接功率测量设备或者通过定制的硬件传感器来采集服务器的功耗。这种方式在小规模或同构的数据中心内是可行的，但在大规模的、异构的集群环境下可行性很低，原因在于为数量庞大的服务器安装外接仪表成本较高且非常不便于管理，而特定能耗数据采集(DAQ)系统(如IBM Active Energy Manager)一般有平台依赖性。
基于能耗模型的估算方法应用最为广泛，并且是虚拟化环境下和仿真环境下的能耗监控方法的基础。例如在虚拟化环境下，通过软件(如Joulemeter)实现能耗监控在本质上就是借助的虚拟机能耗模型，而仿真工具(如CloudSim)对于服务器能耗行为的模拟也需要通过能耗模型来表达。基于能耗模型可以实现多粒度的能耗估算。通过模型可以将资源利用率换算为系统整体能耗、VM能耗和应用程序(单个或多个进程)的执行能耗。
发明内容
传统的基于硬件直接测量的方法灵活性低且难以部署，基于软件使用DAQ系统的直接测量方法虽然精度高，但部署难度大，灵活性较差。鉴于上述现有技术存在的不足，本发明目的是提供一种基于部件能耗模型的云服务器能耗测算方法及系统。
为了实现上述目的，本发明所采用的一种基于部件能耗模型的云服务器能耗测算方法及系统，包括以下内容：
一种基于部件能耗模型的云服务器能耗测算方法，其包括以下步骤：
第一步骤：硬件检测模块获取服务器的硬件信息；
第二步骤：模型匹配模块根据第一步所获取的硬件信息与内建硬件模型数据库匹配，找到相应的能耗静态参数，并写入能耗模型配置文件；
第三步骤：数据采集模块采集相关部件的资源利用率；
第四步骤：功耗估算模块根据第二步适配得到的信息和资源利用率，使用对应部件的能耗模型进行系统或进程的能耗实时测算；
第五步骤：数据持久化模块对测算得到能耗信息通过两种方式进行持久化；
第六步骤：数据发送模块能将服务器硬件信息、测算得到的历史和实时能耗信息通过数据发送模块传送到统计端程序。
进一步地，第一步骤中，所述硬件检测模块使用windows提供的WMI服务进行准确地硬件信息获取工作。
进一步地，第二步骤中，模型匹配模块会将采集到的硬件信息(如CPU，内存和磁盘等参数)与测算系统内建的模型参数数据库中的硬件做匹配，选取同型号或者最为接近硬件模型；在无相同硬件型号的情况下，采用有效频率最接近原则：有效频率＝核心数*基础频率；选出数据库中有效频率最为接近的硬件模型作为运算的模型；
匹配完成后获取硬件模型固有的能耗相关参数(如CPU线程数量、TDP、最高(低)工作频率、磁盘转速等信息),之后将相关信息写入能耗模型配置文件PowerModle.xml；如果后续步骤能耗测算准确度没有达到标准，还能训练模型参数或者手动调整部分固定参数使得结果更为准确。
进一步地，所述第三步骤中，数据采集模块使用windows NT内核提供的性能计数器(PDH counter)对当前操作系统主要部件的资源利用率进行获取；获取的主要部件有三大部件：CPU，内存和磁盘；CPU部分主要获取当前总体CPU使用率；内存部分获取当前总体已使用的内存页面大小；磁盘部分获取的是当前磁盘的每秒操作数(I/O operations persecond)和每秒读写速度(I/O speed per second)。
进一步地，所述第四步骤中，功耗估算模块使用主要部件对应的能耗模型进行能耗测算；系统、三大部件和进程的能耗测算模型是：
5.1、系统能耗测算模型：Etotal＝Efix+Estorage+Ecomp；其中Estorage代表磁盘和内存产生的能耗，Ecomp代表CPU产生的能耗，Efix是其余能耗波动很小部件产生的能耗(如网卡、主板等部件)；
5.2、CPU能耗测算模型：Pcpu＝Ucpu×Pcpu_peak×peak_ratio；其中Pcpu_peak是CPU的第三步获取得到的TDP的值，Ucpu是CPU的使用率，取值范围在0～100，peak_ratio是CPU峰值能耗与TDP的比值，通过来自SPEC POWER网站的多组CPU数据进行统计后发现这个比值接近0.75；
5.3、内存能耗模型：Pmem＝mk×Umem；Umem是当前负载内存使用大小，单位是GB；mk是一个固定值的数据，通过模型训练后得到；
5.4、磁盘能耗模型：
d＝dread+dwrite q＝qread+qwrite
kseq和krnd代表磁盘的两种运行状态的特定参数：随机读写状态和顺序读写状态；在磁盘能耗模型试验中，两者运行状态下能耗有显著差距，所以区分这两种运行状态；系统使用两个阈值来区分这两种状态：Hs和Ho；Hs是磁盘每秒读写速度的阈值，而Ho是磁盘每秒操作数的阈值；每种状态下，磁盘能耗由磁盘读写速度dread、dwrite和kseq、krnd值决定；qread、qwrite代表磁盘每秒读操作次数和写操作次数；kseq和krnd值同样由参数训练得到，使得测算结果更为准确；以上常量参数设置均可以在能耗模型配置文件PowerModel.xml文件中进行参数调整；
5.5、进程能耗模型：Pprocess＝Pprocess_cpu+Pprocess_disk+Pprocess_mem；
Pprocess_cpu、Pprocess_disk、Pprocess_mem分别为CPU、磁盘、内存的进程能耗；进程能耗模型与系统能耗模型类似，有进程所使用的CPU，内存和磁盘能耗组成；
上述能耗模型中参数由第二步中获取的静态参数、第三步中获取的主要部件资源利用率和部分其他常量数据组成；通过计算这些能耗模型，能测算当前服务器主要部件、系统和进程的能耗信息。
进一步地，所述第五步骤中，数据持久化模块根据用户需求将测算的能耗信息导出为CSV文件，或将数据写入RRDTool数据库中；RRDTool数据库能够对周期性产生的数据进行良好的管理，并且拥有完整的画图功能，使得系统使用者能够通过图片对历史数据进行对比。
进一步地，所述第六步骤中，数据传输模块通过配置统计端的ip和端口后，通过TCP连接，便能与统计端程序进行数据传输；传输的数据包括：在开始连接后传输的服务器硬件信息，此后设定间隔内传输的测算能耗信息。
本发明还提供一种基于部件能耗模型的云服务器能耗测算系统，由所述硬件检测模块、模型匹配模块、数据采集模块、能耗测算模块、数据持久化模块和数据发送模块组成。
本发明与现有的能耗测算方法相比，具有如下优点：
(1)使用了基于能耗模型的测算方法，相比于需要基于物理插桩检测能耗的方法，本发明能适应快速增长的数据中心的部署需求且开销更低。
(2)相比于已有的基于能耗模型的测算方法，之前的方法多数基于特定配置的服务器才能有较为精确的能耗估算结果。而本发明具有自动适配的功能，使得系统更具有普适性且测算获得的准确度更高。且系统内建硬件模型数据库可以手动增加项目，使得系统能够对新硬件也能获得良好支持。
(3)本发明中能耗测算模块中使用的部件模型更为准确，尤其是提出了特有的区分运行状态的磁盘能耗模型，使得服务器在I/O密集负载情况下，能耗测算更为准确。能耗模型配置文件中的参数可以经由训练或手动调整得到，使得能耗测算系统精度满足不同类型需求。
(4)本发明中对硬件信息和资源利用率的获取使用了操作系统内置的相关服务和计数器，与现有的其余的测算方法相比，在测算能耗过程中对操作系统本身的资源占用程度很低，使得测算结果更为准确。
(5)本发明提供的进程级别的能耗测算精度，使得使用人员能跟踪和分析某一类具体任务的能耗特性。
(6)本发明使用的持久化技术可以有效管理长时间的能耗信息，且能可视化绘图管理，使得数据中心管理人员能分析历史情形。
(7)本发明有网络通信功能，能够实时传输能耗信息，使得数据中心管理人员可以实时查看能耗信息，为服务器的负载均衡设置提供参考信息。
附图说明
图1为基于部件能耗模型的云服务器能耗测算方法及系统的结构图。
图2为能耗测算系统具体的技术框架图。
图3为实施例中一个CPU模型匹配流程。
具体实施方式
下面结合附图对本发明作进一步的详细描述，但本发明的实施和保护范围不限于此，需指出的是，以下若有未特别详细说明之处，均是本领域技术人员可参照现有技术实现的。
如图1所示，基于部件能耗模型的云服务器能耗测算系统由硬件检测模块、模型匹配模块、数据采集模块、能耗测算模块、数据持久化模块和数据发送模块组成。以在实验机器：Intel Xeon E3-1220 V2@3.10Ghz,8GB RAM,Seagate ST31000340NS SCSI 1TB7200RPMSATA-II运行本能耗测算题为例。图2则展示了能耗测算系统具体的技术框架。
表1为实施例中训练的到的相关参数表。
表1
参数 值
peak_ratio 0.75
mk 0.3W/GB
kseq 0.08W/MB/s
krnd 0.22W/MB/s
Ho 150.0operation/s
Hs 15.0MB/s
测算系统每次运行时首先检测是否在当前运行环境下是首次运行，如果是首次运行，硬件获取模块首先使用WMI服务获取了服务器CPU型号Intel Xeon E3-1220 V2@3.10Ghz，内存大小8GB，磁盘型号Seagate ST31000340NS SCSI 1TB 7200RPM SATA-II等信息，并将硬件信息写入模型配置文件PowerModel.xml中。如果不是首次运行，那么讲直接读取配置文件的信息并使用相关参数。
模型匹配模块对获取的硬件信息进行模型匹配，以图3的CPU模型匹配算法为例，通过与系统内置模型数据库匹配后得到与当前CPU最为接近型号的信息：E3-1220 v5，CPU核数4，基础频率3GHZ，无超线程能力，TDP为80W。之后测算系统将这些参数写入能耗模型配置文件PowerModel.xml中，系统使用者可以查看或修改模型参数使得结果更为准确。
数据采集模块通过PDH计数器获取到当前的负载下系统的CPU利用率为18.5％，内存使用大小为6.48GB，磁盘每秒操作数为180operations/second，磁盘每秒读写速度为17.6MB/s。当前状态下，d>Hs且q>Ho，通过判断条件可以知道磁盘目前处于顺序读写状态。在下一步的计算磁盘能耗计算公式中应使用kseq参数。
CPU能耗测算结果为：Pcpu＝18.5％*80*0.75＝11.10W；内存能耗测算结果为：Pmem＝0.3*6.48＝1.94W；磁盘能耗测算结果为：Pdisk＝0.08*17.6＝1.41W；当前系统在空载下的能耗为24.30W，经过计算之后系统在当前时刻的能耗为上述能耗之和38.75W。
数据持久化模块在系统相关设置下，可以将上述能耗数据写入日志CSV文件中。CSV文件中记录当前时间戳下的能耗信息：系统能耗，CPU能耗，内存能耗和磁盘能耗。能耗测算系统也能将数据写入的对应的RRDTool数据库中。测算系统维护了CPU、内存、磁盘和系统的RRD数据库，对应的能耗信息和时间戳将会存入数据库中。通过设置数据库的聚合配置信息，使用者可以调用命令绘出一天、一周或者一个月的历史能耗信息图。
在使用数据传输模块之前，需要配置联机文件，主要包括联机机器的IP、端口和传输间隔。配置完成后，系统首先与统计端程序通信查询是否允许联接，如果统计端程序监控数量未达到最大值，则允许进行通信。之后将服务器的硬件信息发送至统计端节点。在每个传输间隔周期时刻，系统将发送当前的能耗信息至统计端节点。统计端节点在设置主动查询某个节点后，当前程序也能主动实时回应信息，将历史数据库传输至统计端节点。方便使用者观察和分析集群历史状况。

Claims (8)

1.一种基于部件能耗模型的云服务器能耗测算方法，其特征在于包括以下步骤：
第一步骤：硬件检测模块获取服务器的硬件信息；
第二步骤：模型匹配模块根据第一步所获取的硬件信息与内建硬件模型数据库匹配，找到相应的能耗静态参数，并写入能耗模型配置文件；
第三步骤：数据采集模块采集相关部件的资源利用率；
第四步骤：功耗估算模块根据第二步适配得到的信息和资源利用率，使用对应部件的能耗模型进行系统或进程的能耗实时测算；
第五步骤：数据持久化模块对测算得到能耗信息通过两种方式进行持久化；
第六步骤：数据发送模块能将服务器硬件信息、测算得到的历史和实时能耗信息通过数据发送模块传送到统计端程序。
2.根据权利要求1所述的一种基于部件能耗模型的云服务器能耗测算方法，其特征在于：第一步骤中，所述硬件检测模块使用windows提供的WMI服务进行准确地硬件信息获取工作。
3.根据权利要求1所述的一种基于部件能耗模型的云服务器能耗测算方法，其特征在于：第二步骤中，模型匹配模块会将采集到的硬件信息与测算系统内建的硬件模型数据库中的硬件做匹配，选取同型号或者最为接近硬件模型；在无相同硬件型号的情况下，采用有效频率最接近原则：有效频率＝核心数*基础频率；选出数据库中有效频率最为接近的硬件模型作为运算的模型；
匹配完成后获取硬件模型固有的能耗相关参数,之后将相关信息写入能耗模型配置文件PowerModle.xml；如果后续步骤能耗测算准确度没有达到标准，还能训练模型参数或者手动调整部分固定参数使得结果更为准确。
4.根据权利要求1所述的一种基于部件能耗模型的云服务器能耗测算方法，其特征在于：
所述第三步骤中，数据采集模块使用windows NT内核提供的性能计数器(PDHcounter)对当前操作系统主要部件的资源利用率进行获取；获取的主要部件有三大部件：CPU，内存和磁盘；CPU部分主要获取当前总体CPU使用率；内存部分获取当前总体已使用的内存页面大小；磁盘部分获取的是当前磁盘的每秒操作数(I/O operations per second)和每秒读写速度(I/O speed per second)。
5.根据权利要求1所述的一种基于部件能耗模型的云服务器能耗测算方法，其特征在于：
所述第四步骤中，功耗估算模块使用主要部件对应的能耗模型进行能耗测算；系统、三大部件和进程的能耗测算模型是：
5.1、系统能耗测算模型：Etotal＝Efix+Estorage+Ecomp；其中Estorage代表磁盘和内存产生的能耗，Ecomp代表CPU产生的能耗，Efix是其余能耗波动很小部件产生的能耗；
5.2、CPU能耗测算模型：Pcpu＝Ucpu×Pcpu_peak×peak_ratio；其中Pcpu_peak是CPU的第三步获取得到的TDP的值，Ucpu是CPU的使用率，取值范围在0～100，peak_ratio是CPU峰值能耗与TDP的比值，通过来自SPEC POWER网站的多组CPU数据进行统计后发现这个比值接近0.75；
5.3、内存能耗模型：Pmem＝mk×Umem；Umem是当前负载内存使用大小，单位是GB；mk是一个固定值的数据，通过模型训练后得到；
5.4、磁盘能耗模型：
d＝dread+dwrite q＝qread+qwrite
kseq和krnd代表磁盘的两种运行状态的特定参数：随机读写状态和顺序读写状态；在磁盘能耗模型试验中，两者运行状态下能耗有显著差距，所以区分这两种运行状态；系统使用两个阈值来区分这两种状态：Hs和Ho；Hs是磁盘每秒读写速度的阈值，而Ho是磁盘每秒操作数的阈值；每种状态下，磁盘能耗由磁盘读写速度dread、dwrite和kseq、krnd值决定；qread、qwrite代表磁盘每秒读操作次数和写操作次数；kseq和krnd值同样由参数训练得到，使得测算结果更为准确；以上常量参数设置均可以在能耗模型配置文件PowerModel.xml文件中进行参数调整；
5.5、进程能耗模型：Pprocess＝Pprocess_cpu+Pprocess_disk+Pprocess_mem；
Pprocess_cpu、Pprocess_sisk、Pprocess_mem分别为CPU、磁盘、内存的进程能耗；进程能耗模型与系统能耗模型类似，有进程所使用的CPU，内存和磁盘能耗组成；
上述能耗模型中参数由第二步中获取的静态参数、第三步中获取的主要部件资源利用率和部分其他常量数据组成；通过计算这些能耗模型，能测算当前服务器主要部件、系统和进程的能耗信息。
6.根据权利要求1所述的一种基于部件能耗模型的云服务器能耗测算方法，其特征在于：
所述第五步骤中，数据持久化模块根据用户需求将测算的能耗信息导出为CSV文件，或将数据写入RRDTool数据库中；RRDTool数据库能够对周期性产生的数据进行良好的管理，并且拥有完整的画图功能，使得系统使用者能够通过图片对历史数据进行对比。
7.根据权利要求1所述的一种基于部件能耗模型的云服务器能耗测算方法，其特征在于：
所述第六步骤中，数据传输模块通过配置统计端的ip和端口后，通过TCP连接，便能与统计端程序进行数据传输；传输的数据包括：在开始连接后传输的服务器硬件信息，此后设定间隔内传输的测算能耗信息。
8.一种实现权利要求1～7任一项所述的基于部件能耗模型的云服务器能耗测算方法的系统，其特征在于由所述硬件检测模块、模型匹配模块、数据采集模块、能耗测算模块、数据持久化模块和数据发送模块组成。
CN201710924039.6A 2017-09-30 2017-09-30 一种基于部件能耗模型的云服务器能耗测算方法及系统 Active CN107656851B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710924039.6A CN107656851B (zh) 2017-09-30 2017-09-30 一种基于部件能耗模型的云服务器能耗测算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710924039.6A CN107656851B (zh) 2017-09-30 2017-09-30 一种基于部件能耗模型的云服务器能耗测算方法及系统

Publications (2)

Publication Number Publication Date
CN107656851A true CN107656851A (zh) 2018-02-02
CN107656851B CN107656851B (zh) 2021-01-19

Family

ID=61117389

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710924039.6A Active CN107656851B (zh) 2017-09-30 2017-09-30 一种基于部件能耗模型的云服务器能耗测算方法及系统

Country Status (1)

Country Link
CN (1) CN107656851B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376055A (zh) * 2018-09-30 2019-02-22 联想(北京)有限公司 供电管理方法、系统和电子设备
CN110703900A (zh) * 2019-09-23 2020-01-17 苏州浪潮智能科技有限公司 云计算环境的功率控制方法和装置
CN111158974A (zh) * 2019-12-06 2020-05-15 华南理工大学 一种面向云服务器的硬件感知cpu能耗测算方法
CN112084093A (zh) * 2020-09-11 2020-12-15 山东英信计算机技术有限公司 一种服务器的能耗管控装置、方法及设备
CN113748398A (zh) * 2019-09-06 2021-12-03 阿里巴巴集团控股有限公司 数据处理与任务调度方法、设备、系统及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102520785A (zh) * 2011-12-27 2012-06-27 东软集团股份有限公司 一种云数据中心能耗管理方法及系统
CN103905227A (zh) * 2012-12-26 2014-07-02 中国移动通信集团辽宁有限公司 一种服务器能耗控制方法及系统
US20150227397A1 (en) * 2014-02-10 2015-08-13 Ca, Inc. Energy efficient assignment of workloads in a datacenter
CN105763367A (zh) * 2016-02-02 2016-07-13 四川长虹电器股份有限公司 一种基于虚拟化的数据中心的能耗管理方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102520785A (zh) * 2011-12-27 2012-06-27 东软集团股份有限公司 一种云数据中心能耗管理方法及系统
CN103905227A (zh) * 2012-12-26 2014-07-02 中国移动通信集团辽宁有限公司 一种服务器能耗控制方法及系统
US20150227397A1 (en) * 2014-02-10 2015-08-13 Ca, Inc. Energy efficient assignment of workloads in a datacenter
CN105763367A (zh) * 2016-02-02 2016-07-13 四川长虹电器股份有限公司 一种基于虚拟化的数据中心的能耗管理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
林伟伟、吴文泰: "面向云计算环境的能耗测量和管理方法", 《软件学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376055A (zh) * 2018-09-30 2019-02-22 联想(北京)有限公司 供电管理方法、系统和电子设备
CN109376055B (zh) * 2018-09-30 2021-04-13 联想(北京)有限公司 供电管理方法、系统和电子设备
CN113748398A (zh) * 2019-09-06 2021-12-03 阿里巴巴集团控股有限公司 数据处理与任务调度方法、设备、系统及存储介质
CN110703900A (zh) * 2019-09-23 2020-01-17 苏州浪潮智能科技有限公司 云计算环境的功率控制方法和装置
CN111158974A (zh) * 2019-12-06 2020-05-15 华南理工大学 一种面向云服务器的硬件感知cpu能耗测算方法
CN112084093A (zh) * 2020-09-11 2020-12-15 山东英信计算机技术有限公司 一种服务器的能耗管控装置、方法及设备
CN112084093B (zh) * 2020-09-11 2022-07-05 山东英信计算机技术有限公司 一种服务器的能耗管控装置、方法及设备

Also Published As

Publication number Publication date
CN107656851B (zh) 2021-01-19

Similar Documents

Publication Publication Date Title
CN107656851A (zh) 一种基于部件能耗模型的云服务器能耗测算方法及系统
US10552761B2 (en) Non-intrusive fine-grained power monitoring of datacenters
DE112011100143B4 (de) Optimieren der elektrischen Leistungsaufnahme in einem Rechenzentrum
CN106020715B (zh) 存储池容量管理
US9170916B2 (en) Power profiling and auditing consumption systems and methods
US7680916B2 (en) System for improving the performance of a computer software application in a server network
US20230188452A1 (en) Performance monitoring in a distributed storage system
CN103838668B (zh) 关联能量消耗与虚拟机
CN111737078B (zh) 基于负载类型的自适应云服务器能耗测算方法、系统及设备
CN110417610A (zh) 存储系统延迟孤立点检测
CN104407688A (zh) 基于树回归的虚拟化云平台能耗测量方法及系统
CN104778185A (zh) 异常结构化查询语言sql语句确定方法及服务器
DE102015118075A1 (de) Computersystem mit thermischem Mechanismus und Verfahren zum Betreiben desselben
CN106354616A (zh) 监测应用执行性能的方法、装置及高性能计算系统
CN103542807B (zh) 一种长度测量方法、装置及电子设备
Gupta et al. Long range dependence in cloud servers: a statistical analysis based on google workload trace
CN103245829A (zh) 一种虚拟机功耗测量方法
CN103914373B (zh) 一种用于确定模块特征信息所对应的优先级的方法和设备
CN110287158B (zh) 监测分布式文件系统io时延的方法、装置及存储介质
CN116069618A (zh) 一种面向应用场景的国产化系统评估方法
CN109815260A (zh) 波形显示装置、波形参数统计方法、终端设备及存储介质
CN110413607A (zh) 一种分布式计数方法、服务器及系统
US8306911B1 (en) Payment option analyzer based on measured utilization
CN111158974B (zh) 一种面向云服务器的硬件感知cpu能耗测算方法
CN105930253A (zh) 一种非侵入式的服务器能耗分解系统和方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant