CN110689175A - 混沌多重宇宙的分布式绿色云数据中心能耗优化方法 - Google Patents

混沌多重宇宙的分布式绿色云数据中心能耗优化方法 Download PDF

Info

Publication number
CN110689175A
CN110689175A CN201910871037.4A CN201910871037A CN110689175A CN 110689175 A CN110689175 A CN 110689175A CN 201910871037 A CN201910871037 A CN 201910871037A CN 110689175 A CN110689175 A CN 110689175A
Authority
CN
China
Prior art keywords
cloud data
data center
green cloud
application
green
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.)
Pending
Application number
CN201910871037.4A
Other languages
English (en)
Inventor
毕敬
端木帅飞
李寒
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201910871037.4A priority Critical patent/CN110689175A/zh
Publication of CN110689175A publication Critical patent/CN110689175A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Algebra (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Sources (AREA)

Abstract

混沌多重宇宙的分布式绿色云数据中心能耗优化方法涉及云数据中心中的资源调度技术。该方法综合考虑了绿色云数据中心中不同服务器、不同应用请求到达率、请求损失率和不同地域的电力价格差异等因素对于绿色云数据中心提供商的平均电力成本的影响。该方法首先建立了适用于绿色云数据中心的电力成本的计算模型。基于此，建立了分布式绿色云数据中心的平均电力成本的计算模型。然后建立了多云数据中心中最小化绿色云数据中心提供商的平均电力成本的混合整数非线性规划模型。最后采用基于宇宙智能的混沌多重宇宙优化算法求解该模型，实现多云数据中心电力成本的优化方法。本发明能够将绿色云数据中心多应用的请求进行智能地调度优化，从而最小化其平均电力成本。

Description

混沌多重宇宙的分布式绿色云数据中心能耗优化方法
技术领域
本发明涉及云数据中心中的资源调度技术。更具体地，涉及一种混沌多重宇宙的分布式绿色云数据中心能耗优化方法。
背景技术
近年来，信息技术空前发展，随着云计算和绿色计算的诞生和演变，大数据的应用越发广泛。而随着大数据的广泛应用，数据中心变得无处不在，这对于通信、商业、学术和政府系统的功能至关重要。除了一些较小的公司外，其它所有的公司都有其特定的数据中心需求，而较大的公司通常需要设有数十个、甚至数百个数据中心。较小的数据中心通常位于大型商业建筑内，而较大的数据中心往往位于专门为其特定建造的建筑内，其大小可达几十万平方英尺。大学、研究机构和政府职能部门也需要运营和使用数据中心，以实现庞大的信息管理和复杂的通信功能。数据中心主要包括存储设备(数据存储)、服务器(数据处理)和网络设备(通讯)等电子设备，这些设备共同存储、传输和处理数字信息。数据中心通常还包含专门的电源转换设备，以可靠地维护数据中心运行；备份设备，从而更加安全地进行数据存储；以及环境调节设备，以保持数据中心各个电子设备的温度和湿度环境处于适当的条件。
随着经济和社会继续向增强的数字信息管理转变，越来越多的部门、企业选择云数据中心以完成数据存储、数据传输以及数据处理等操作。云数据中心中的应用的类型以及请求的个数急剧增长，使得因特网服务提供商需要去建设和扩大云数据中心以完成庞大的数据存储和复杂的数据处理。因此，每个云数据中心的规模一般都较大，通常包含着数以万计的服务器。目前，这些更加庞大的云数据中心不仅能够同时处理海量应用的并发请求，而且可以通过云数据中心中的基础设施资源向用户提供各种类型的服务(包括应用软件服务、开发部署平台服务等)。
随着云计算的普及，目前典型的云数据中心(如谷歌、亚马逊等)中各种设备的运行与使用又使得云数据中心提供商的电力成本急剧上升，因此引起了云数据中心提供商的重视。虽然一方面，智能电网的发展带来的动态电价机制，使得云数据中心可以迁移请求到低电价阶段(地点)执行，或者储存低电价阶段电能在高电价阶段使用，从而直接降低云数据中心的电力成本。但是近年来，由于云数据中心或者数据服务器产生的电力花费也持续增长，并且呈现一种急剧增长的趋势。当前全球范围内服务器的电力成本已经超过了服务器等硬件设备的花费，因此云数据中心提供商承担着巨大的电力成本。而现有的云数据中心的节能技术中比较成熟的方法有动态电压调整、动态电压与频率调整、动态调整服务器状态、虚拟机技术等。然而，这些方法各具优劣，因此，还需要根据应用请求的特点比如请求大小、个数、到达率、请求损失率、服务器单位能量成本等研发新的能耗优化方法，从而实现动态的优化，并降低分布式绿色多云数据中心的平均电力成本。
PUE(Power Usage Effectiveness)是最常见的能量效率度量标准。PUE为云数据中心总设备能耗与IT设备能耗的比值。该值越接近1表明此云数据中心能效水平越好，也即表示此云数据中心的绿色化程度越高。一般情况，传统数据中心的PUE在1.8-2.5左右，而云数据中心的PUE一般低于1.6。当前，国外先进的数据中心的PUE值通常小于2，而我国的大多数数据中心的PUE值在2-3之间。这将直接使得国内机房内芯片级主设备1W的功耗会导致总体耗电量达到2-3W，而国外机房内芯片级主设备1W的功耗只会导致总体耗电量为2W以下。因此云数据中心提供商可以综合考虑绿色云数据中心中不同服务器之间的差异，应用请求到达率和不同地域的电力价格的差异等一系列因素对云数据中心的平均电力成本的影响。
本发明所提供的方法首先建立了适用于绿色云数据中心的电力成本的计算模型。基于此，建立了分布式绿色云数据中心的平均电力成本的计算模型。然后建立了多云数据中心中最小化绿色云数据中心提供商的平均电力成本的混合整数非线性规划模型。最后采用基于宇宙智能的混沌多重宇宙优化算法求解该模型，实现多云数据中心电力成本的优化方法。
本发明能够提供一种满足所有应用请求的最小化绿色云数据中心的平均电力成本的优化方法，通过智能地将应用请求在多个绿色云数据中心之间进行划分，并指定每个绿色云数据中心开启的服务器的个数，对分布式绿色云数据中心能耗进行优化，从而最小化绿色云数据中心的平均电力成本。
发明内容
本发明的目的在于提供一种分布式绿色云数据中心中最小化绿色云数据中心的平均电力成本的优化方法，该方法综合考虑了绿色云数据中心中不同服务器、应用请求到达率、请求损失率和不同地域的电力价格等方面的差异对分布式绿色云数据中心的平均电力成本的影响，从而使其最小化。
为达到上述目的，本发明采用下述技术方案：
根据本发明的一方面，建立了多云数据中心中最小化绿色云数据中心提供商的平均电力成本的混合整数非线性规划模型，包括：确定绿色云数据中心消耗的电能的计算函数；对云数据中心中应用请求的到达率、请求损失率、服务器总量约束、服务强度约束、应用请求的总量约束、电力提供商的电力价格差异等进行建模。进而最终得到多云数据中心中最小化绿色云数据中心提供商的平均电力成本的混合整数非线性规划模型。
根据本发明的另一方面，提供了一种多云数据中心中最小化绿色云数据中心提供商的平均电力成本的优化方法，包括：采用基于宇宙智能的混沌多重宇宙优化算法求解该优化模型，获得接近最优的能耗优化策略，从而最小化所有绿色云数据中心提供商的平均电力成本。
根据本发明的上述方面，针对目前分布式绿色云数据中心中延迟敏感型应用请求的特点，在基于宇宙智能的混沌多重宇宙优化算法的启发式请求调度方法基础上，通过综合考虑绿色云数据中心中不同服务器、应用请求到达率和不同地域的电力价格的差异等因素对绿色云数据中心的平均电力成本的影响，使得所有绿色云数据中心提供商的平均电力成本最小化。
综上，一种混沌多重宇宙的分布式绿色云数据中心能耗优化方法，包括如下步骤：
S1、建立适用于绿色云数据中心的电力成本的计算模型；
S2、建立分布式绿色云数据中心的平均电力成本的计算模型；
S3、建立多云数据中心中最小化绿色云数据中心提供商的平均电力成本的混合整数非线性规划模型；
S4、采用基于宇宙智能的混沌多重宇宙优化算法求解该模型，实现多云数据中心电力成本的优化方法。
优选的，所述绿色云数据中心j的电力成本cj(t)的计算方式为：
cj(t)＝sj(t)yj(t)
其中，cj(t)表示在t时间间隔内绿色云数据中心j的电力成本，sj(t)表示在t时间间隔内绿色云数据中心j消耗的电能，yj(t)表示绿色云数据中心j的电力价格。
优选的，所述的在t时间间隔内绿色云数据中心j消耗的电能sj(t)计算的方式为：
Figure BDA0002202826820000041
Figure BDA0002202826820000042
Figure BDA0002202826820000043
其中，N表示绿色云数据中心中应用的个数，
Figure BDA0002202826820000044
表示绿色云数据中心j中对应于应用n的每个服务器的平均闲时功率，
Figure BDA0002202826820000045
表示绿色云数据中心j中对应于应用n的每个服务器的平均峰时功率，γj表示绿色云数据中心j的PUE(Power Usage Effectiveness)值，
Figure BDA0002202826820000046
表示在时间间隔t内绿色云数据中心j中开启的对应于应用n的服务器的个数，
Figure BDA0002202826820000047
表示绿色云数据中心j中每个开启的对应于应用n的服务器单位时间内处理的请求的个数，
Figure BDA0002202826820000048
表示在时间间隔t内绿色云数据中心j中应用n的请求到达率，
Figure BDA0002202826820000049
表示绿色云数据中心j中对应于应用n的请求队列的最大容量，L表示每个时间间隔的长度，
Figure BDA00022028268200000410
表示在t时间间隔内数据中心j中对应于应用n的请求损失率。
优选的，所述在t时间间隔内绿色云数据中心j中对应于应用n的请求损失率
Figure BDA00022028268200000411
的具体计算方式为：
Figure BDA0002202826820000051
Figure BDA0002202826820000052
其中，k表示一个临时变量。
优选的，所述优化的目标是最小化分布式绿色云数据中心的平均电力成本，其具体计算方式为：
Figure BDA0002202826820000053
其中，J表示绿色云数据中心的个数。
优选的，所述混合整数非线性规划模型的约束包括：在时间间隔t内应用n的请求到达率等于所有绿色云数据中心接收到的应用n的请求到达率之和，具体为：
Figure BDA0002202826820000054
其中，Ln(t)表示在时间间隔t内应用n的请求到达率。
优选的，所述混合整数非线性规划模型的约束包括：在t时间间隔内绿色云数据中心j中开启的对应于应用n的服务器的个数
Figure BDA0002202826820000055
必须小于绿色云数据中心j中对应于应用n的服务器的最大可用个数。此外，应用n的请求队列需满足稳定性条件，具体为：
Figure BDA0002202826820000056
其中，表示绿色云数据中心j中应用n的服务器最大可用个数。
优选的，所述混合整数非线性规划模型的约束包括：应用n的请求的延迟时间必须小于规定的最大延迟时间：
Figure BDA0002202826820000061
其中，
Figure BDA0002202826820000062
表示规定的应用n的请求的最大延迟时间。
优选的，所述混合整数非线性规划模型的约束包括：在时间间隔t内绿色云数据中心j消耗的电能必须小于其最大可用能量ωj，在t时间间隔内绿色云数据中心j中开启的对应于应用n的服务器的个数
Figure BDA0002202826820000063
必须是正整数，在t时间间隔内绿色云数据中心j中应用n的请求到达率
Figure BDA0002202826820000064
必须大于等于0，具体为：
sj(t)≤ωj
Figure BDA0002202826820000065
Figure BDA0002202826820000066
优选地，采用基于宇宙智能的混沌多重宇宙优化算法求解该优化模型，具体为：该算法中的解表示为一个宇宙，而一个宇宙的部分(物体)在解中被视为一个变量。该算法的适应度函数的值为宇宙的膨胀率，而如果宇宙中的膨胀率很高，它就可以通过一个白洞将物体发送到另一个宇宙；否则，这个宇宙可以通过它的黑洞接收物体。此外，任何宇宙中的物体，都可以根据宇宙中具有最佳膨胀率(即适应值)的物体，通过虫洞更新其位置，找出当前最优解和最优值。以此循环，直到在新一轮迭代之后，最优解和最优值保持不变或与上一次迭代之后得到的解和值的差在0.001内，即最优解和最优值保持稳定，则认为迭代可以终止，从而最小化分布式绿色云数据中心的平均电力成本。
本发明的有益效果如下：
本发明所述的技术方案能够改善分布式绿色云数据中心提供商面临的多云数据中心中日益增长的应用类型和请求个数给电力成本最小化带来的难题，通过智能地将应用请求在多个绿色云数据中心之间进行划分，并指定每个绿色云数据中心开启的服务器的个数。且本发明所述技术方案综合考虑了绿色云数据中心中不同服务器、不同应用请求到达率、请求损失率和不同地域的电力价格差异等因素对于绿色云数据中心提供商的平均电力成本的影响，本发明能够将绿色云数据中心多个延迟敏感型应用的请求进行智能地调度，实现对分布式绿色云数据中心能耗的优化，从而最小化其平均电力成本。
附图说明
下面结合附图对本发明的具体实施方式作详细的说明：
图1给出混沌多重宇宙的分布式绿色云数据中心能耗优化方法流程图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域内的技术人员应当理解，下面所具体描述的内容是均为说明性的而非限制性的，不应以此限制本发明的保护范围。
如图1所示，本发明公开的一种混沌多重宇宙的分布式绿色云数据中心能耗优化方法，包括如下步骤：
S1、建立适用于绿色云数据中心的电力成本的计算模型：
所采用的绿色云数据中心j的电力成本cj(t)的计算方式为：
cj(t)＝sj(t)yj(t)
其中，cj(t)表示在t时间间隔内绿色云数据中心j的电力成本，sj(t)表示在t时间间隔内绿色云数据中心j消耗的电能，yj(t)表示在t时间间隔内绿色云数据中心j的电力价格。
所采用的在t时间间隔内绿色云数据中心j消耗的电能sj(t)计算方式为：
Figure BDA0002202826820000073
其中，N表示绿色云数据中心中应用的个数，
Figure BDA0002202826820000074
表示绿色云数据中心j中对应于应用n的每个服务器的平均闲时功率，表示绿色云数据中心j中对应于应用n的每个服务器的平均峰时功率，γj表示绿色云数据中心j的PUE(Power Usage Effectiveness)值，
Figure BDA0002202826820000081
表示在时间间隔t内绿色云数据中心j中开启的对应于应用n的服务器的个数，
Figure BDA0002202826820000082
表示绿色云数据中心j中每个开启的对应于应用n的服务器单位时间内处理的请求的个数，
Figure BDA0002202826820000083
表示在时间间隔t内绿色云数据中心j中应用n的请求到达率，
Figure BDA0002202826820000084
表示绿色云数据中心j中对应于应用n的请求队列的最大容量，L表示每个时间间隔的长度，
Figure BDA0002202826820000085
表示在t时间间隔内数据中心j中对应于应用n的请求损失率。
所采用的在t时间间隔内绿色云数据中心j中对应于应用n的请求损失率
Figure BDA0002202826820000086
的具体计算方式为：
Figure BDA0002202826820000088
Figure BDA0002202826820000089
其中，k表示一个临时变量。
S2、建立分布式绿色云数据中心的平均电力成本的计算模型：
所采用的优化目标是最小化分布式绿色云数据中心的平均电力成本，计算方式为：
Figure BDA00022028268200000810
其中，J表示绿色云数据中心的个数。
S3、建立多云数据中心中最小化绿色云数据中心提供商的平均电力成本的混合整数非线性规划模型：
该混合整数非线性规划模型的约束包括下述(1)～(4)：
(1)：在时间间隔t内应用n的请求到达率等于所有绿色云数据中心接收到的应用n的请求到达率之和：
Figure BDA00022028268200000811
其中，Ln(t)表示在时间间隔t内应用n的请求到达率。
(2)：在时间间隔t内绿色云数据中心j中开启的对应于应用n的服务器的个数
Figure BDA0002202826820000091
必须小于绿色云数据中心j中对应于应用n的服务器的最大可用个数。此外，应用n的请求队列需满足稳定性条件：
Figure BDA0002202826820000092
Figure BDA0002202826820000093
其中，
Figure BDA0002202826820000094
表示绿色云数据中心j中对应于应用n的服务器的最大可用个数。
(3)：在时间间隔t内，应用n的请求的延迟时间必须小于规定的最大延迟时间：
Figure BDA0002202826820000095
其中，
Figure BDA0002202826820000096
表示规定的应用n的请求的最大延迟时间。
(4)：在时间间隔t内，绿色云数据中心j消耗的电能必须小于其最大可用的能量ωj，在t时间间隔内绿色云数据中心j中开启的对应于应用n的服务器的个数
Figure BDA0002202826820000097
必须是正整数，在t时间间隔内绿色云数据中心j中应用n的请求到达率
Figure BDA0002202826820000098
必须大于等于0：
sj(t)≤ωj
Figure BDA0002202826820000099
Figure BDA00022028268200000910
S4、采用基于宇宙智能的混沌多重宇宙优化算法求解该模型，实现多云数据中心电力成本的优化方法：
该算法中的解表示为一个宇宙，而一个宇宙的部分(物体)在解中被视为一个变量。该算法的适应度函数的值为宇宙的膨胀率，而如果宇宙中的膨胀率很高，它就可以通过一个白洞将物体发送到另一个宇宙；否则，这个宇宙可以通过它的黑洞接收物体。此外，任何宇宙中的物体，都可以根据宇宙中具有最佳膨胀率(即适应值)的物体，通过虫洞更新其位置，找出当前最优解和最优值。以此循环，直到在新一轮迭代之后，最优解和最优值保持不变或与上一次迭代之后得到的解和值的差在0.001内，即最优解和最优值保持稳定，则认为迭代可以终止，从而最小化分布式绿色云数据中心的平均电力成本。
显然，本发明的上述具体实施方式仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的具体限定。对于本发明所属领域的普通技术人员来讲，在本文上述说明的实施方式的基础上还可以做出其它多样的不同形式的变化或变动，这里无法对所有的实施方式予以穷举列出，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (7)

1.一种混沌多重宇宙的分布式绿色云数据中心能耗优化方法，其特征在于，该方法包括如下步骤：
S1、建立适用于绿色云数据中心的电力成本的计算模型；
S2、建立分布式绿色云数据中心的平均电力成本的计算模型；
S3、建立多云数据中心中最小化绿色云数据中心提供商的平均电力成本的混合整数非线性规划模型；
S4、采用基于宇宙智能的混沌多重宇宙优化算法求解该模型，实现多云数据中心电力成本的优化方法；
所述绿色云数据中心j的电力成本cj(t)计算方式，具体为：
cj(t)＝sj(t)yj(t)
其中，cj(t)表示在时间间隔t内分布式绿色云数据中心的平均电力成本，sj(t)表示在时间间隔t内绿色云数据中心j消耗的电能，yj(t)表示绿色云数据中心j的电力价格；
所述在时间间隔t内绿色云数据中心j消耗的电能sj(t)的计算方式，具体为：
Figure FDA0002202826810000011
Figure FDA0002202826810000013
其中，N表示绿色云数据中心中应用的个数，
Figure FDA0002202826810000014
表示绿色云数据中心j中对应于应用n的每个服务器的平均闲时功率，
Figure FDA0002202826810000015
表示绿色云数据中心j中对应于应用n的每个服务器的平均峰时功率，γj表示绿色云数据中心j的PUE即Power Usage Effectiveness值，
Figure FDA0002202826810000016
表示在时间间隔t内绿色云数据中心j中开启的对应于应用n的服务器的个数，
Figure FDA0002202826810000017
表示绿色云数据中心j中每个开启的对应于应用n的服务器单位时间内处理的请求个数，
Figure FDA0002202826810000018
表示在时间间隔t内绿色云数据中心j中应用n的请求到达率，表示绿色云数据中心j中对应于应用n的请求队列的最大容量，L表示每个时间间隔的长度，
Figure FDA00022028268100000110
表示在时间间隔t内数据中心j中对应于应用n的请求损失率；
所述在时间间隔t内绿色云数据中心j中对应于应用n的请求损失率
Figure FDA00022028268100000111
的计算方式，具体为：
Figure FDA0002202826810000021
Figure FDA0002202826810000022
Figure FDA0002202826810000023
其中，k表示一个临时变量。
2.根据权利要求1所述的混沌多重宇宙的分布式绿色云数据中心能耗优化方法，其特征在于，所述优化的目标是最小化分布式绿色云数据中心的平均电力成本的计算方式，具体为：
Figure FDA0002202826810000024
其中，J表示绿色云数据中心的个数。
3.根据权利要求1所述的混沌多重宇宙的分布式绿色云数据中心能耗优化方法，其特征在于，所述在时间间隔t内应用n的请求到达率等于所有绿色云数据中心接收到的应用n的请求到达率之和，具体为：
Figure FDA0002202826810000025
其中，Ln(t)表示在时间间隔t内应用n的请求到达率。
4.根据权利要1所述的混沌多重宇宙的分布式绿色云数据中心能耗优化方法，其特征在于，所述在时间间隔t内绿色云数据中心j中开启的对应于应用n的服务器的个数
Figure FDA0002202826810000026
必须小于绿色云数据中心j中对应于应用n的服务器的最大可用个数；此外，应用n的请求队列需满足稳定性条件，具体为：
Figure FDA0002202826810000027
Figure FDA0002202826810000028
其中，表示绿色云数据中心j中对应于应用n的服务器最大可用个数。
5.根据权利要求1所述的混沌多重宇宙的分布式绿色云数据中心能耗优化方法，其特征在于，所述应用n的请求的延迟时间必须小于规定的最大延迟时间，具体为：
Figure FDA0002202826810000031
其中，
Figure FDA0002202826810000032
表示规定的应用n的请求的最大延迟时间。
6.根据权利要求1所述的混沌多重宇宙的分布式绿色云数据中心能耗优化方法，其特征在于，在时间间隔t内绿色云数据中心j消耗的电能必须小于其最大可用的能量ωj，在时间间隔t内绿色云数据中心j中开启的对应于应用n的服务器的个数
Figure FDA0002202826810000033
必须是正整数，在时间间隔t内绿色云数据中心j中应用n的请求到达率必须大于等于0，具体为：
Sj(t)≤ωj
Figure FDA0002202826810000035
Figure FDA0002202826810000036
7.根据权利要求1所述的混沌多重宇宙分布式绿色云数据中心能耗优化方法，其特征在于：该算法中的解表示为一个宇宙，而一个宇宙的部分即物体在解中被视为一个变量；该算法的适应度函数的值为宇宙的膨胀率，任何宇宙中的物体，都能根据宇宙中具有最佳膨胀率即适应值的物体，通过虫洞更新其位置，找出当前最优解和最优值；以此循环，直到在新一轮迭代之后，最优解和最优值保持不变或与上一次迭代之后得到的解和值的差在0.001内，即最优解和最优值保持稳定，则认为迭代可以终止，从而最小化分布式绿色云数据中心的平均电力成本。
CN201910871037.4A 2019-09-16 2019-09-16 混沌多重宇宙的分布式绿色云数据中心能耗优化方法 Pending CN110689175A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910871037.4A CN110689175A (zh) 2019-09-16 2019-09-16 混沌多重宇宙的分布式绿色云数据中心能耗优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910871037.4A CN110689175A (zh) 2019-09-16 2019-09-16 混沌多重宇宙的分布式绿色云数据中心能耗优化方法

Publications (1)

Publication Number Publication Date
CN110689175A true CN110689175A (zh) 2020-01-14

Family

ID=69109327

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910871037.4A Pending CN110689175A (zh) 2019-09-16 2019-09-16 混沌多重宇宙的分布式绿色云数据中心能耗优化方法

Country Status (1)

Country Link
CN (1) CN110689175A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260146A (zh) * 2020-01-22 2020-06-09 华南理工大学 电力系统边缘云数据中心选址方法、装置、设备及介质
CN113673837A (zh) * 2021-07-29 2021-11-19 深圳先进技术研究院 一种云数据中心减碳排方法、系统、终端以及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834980A (zh) * 2015-05-26 2015-08-12 杭州天宽科技有限公司 一种用于优化绿色数据中心电费的负载调度方法
CN105445215A (zh) * 2015-12-02 2016-03-30 中北大学 基于离散多重宇宙优化算法的红外光谱波长选择方法
CN106209990A (zh) * 2016-06-29 2016-12-07 北京交通大学 一种分布异地云数据中心下成本可感知的请求调度方法
CN108123995A (zh) * 2017-11-17 2018-06-05 北京交通大学 分布式绿色云数据中心中空间觉察的请求调度与优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834980A (zh) * 2015-05-26 2015-08-12 杭州天宽科技有限公司 一种用于优化绿色数据中心电费的负载调度方法
CN105445215A (zh) * 2015-12-02 2016-03-30 中北大学 基于离散多重宇宙优化算法的红外光谱波长选择方法
CN106209990A (zh) * 2016-06-29 2016-12-07 北京交通大学 一种分布异地云数据中心下成本可感知的请求调度方法
CN108123995A (zh) * 2017-11-17 2018-06-05 北京交通大学 分布式绿色云数据中心中空间觉察的请求调度与优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邓维等: "云计算数据中心的新能源应用:研究现状与趋势", 《计算机学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260146A (zh) * 2020-01-22 2020-06-09 华南理工大学 电力系统边缘云数据中心选址方法、装置、设备及介质
CN111260146B (zh) * 2020-01-22 2022-03-25 华南理工大学 电力系统边缘云数据中心选址方法、装置、设备及介质
CN113673837A (zh) * 2021-07-29 2021-11-19 深圳先进技术研究院 一种云数据中心减碳排方法、系统、终端以及存储介质

Similar Documents

Publication Publication Date Title
CN109814951B (zh) 移动边缘计算网络中任务卸载及资源分配的联合优化方法
Lin et al. QoS-aware data replication for data-intensive applications in cloud computing systems
Huang et al. Dynamic virtual machine migration algorithms using enhanced energy consumption model for green cloud data centers
CN110096362B (zh) 一种基于边缘服务器协作的多任务卸载方法
CN111027736A (zh) 多目标优化下的微服务组合部署与调度方法
Zhang et al. Joint edge server placement and service placement in mobile-edge computing
CN111538570B (zh) 一种面向节能和QoS保障的VNF部署方法及装置
CN103077082A (zh) 一种数据中心负载分配及虚拟机迁移节能方法及系统
CN107423133B (zh) 一种降低电网网损的数据中心间数据网络负载分配方法
CN113254095B (zh) 云边结合平台的任务卸载、调度与负载均衡系统、方法
Tian et al. User preference-based hierarchical offloading for collaborative cloud-edge computing
CN110689175A (zh) 混沌多重宇宙的分布式绿色云数据中心能耗优化方法
Zhang Incorporating energy and load balance into virtual network embedding process
He et al. Server configuration optimization in mobile edge computing: A cost‐performance tradeoff perspective
CN113645076B (zh) 基于超图匹配算法的虚拟网络资源分配方法
CN113159539B (zh) 多层边缘计算系统中联合绿色能量调度和动态任务分配方法
Meng et al. Achieving energy efficiency through dynamic computing offloading in mobile edge-clouds
CN113032149B (zh) 基于演化博弈的边缘计算服务放置和请求分配方法及系统
CN112165721B (zh) 基于边缘计算的多服务任务的卸载和服务迁移方法
Beigrezaei et al. Minimizing data access latency in data grids by neighborhood‐based data replication and job scheduling
Yi et al. Energy‐aware disaster backup among cloud datacenters using multiobjective reinforcement learning in software defined network
Gayathri Green cloud computing
Aiwen et al. Energy-optimal task offloading algorithm of resources cooperation in mobile edge computing
CN112437468A (zh) 一种基于时延与能耗权重计算的任务卸载算法
CN106874108A (zh) 移动云计算中最小化微云使用个数技术

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