DE112011103291T5

DE112011103291T5 - Datenumwandlungsverfahren und Datenumwandler

Info

Publication number: DE112011103291T5
Application number: DE112011103291T
Authority: DE
Inventors: Li Li; Bo Yang; Liang Liu; Peini Liu; Ying Chen
Original assignee: International Business Machines Corp
Current assignee: International Business Machines Corp
Priority date: 2010-09-30
Filing date: 2011-09-22
Publication date: 2013-08-29
Anticipated expiration: 2031-09-23
Also published as: CN102446197A; US9110660B2; US20150316972A1; GB2497905B; JP2014501951A; DE112011103291B4; JP5754824B2; US20180260010A1; US9996136B2; WO2012041763A1; US20120084583A1; GB2497905A; GB201306865D0; CN102446197B; US10324511B2

Abstract

Die vorliegende Erfindung stellt ein Datenumwandlungsverfahren und einen Datenumwandler bereit, wobei das Verfahren aufweist: Importieren einer Datenumwandlungsregel; Entnehmen einer Quelldatendefinition, einer Zieldatendefinition und einer Definition der Datenumwandlungsregel aus der Datenumwandlungsregel; Prognostizieren der Energieverbrauchsparameter der Ressourcen eines Knotenservers für Datenumwandlung je nach Quelldatendefinition, Zieldatendefinition und Definition der Datenumwandlungsregel; und Umsetzen einer Richtlinie zum Optimieren des Energieverbrauchs der Ressourcen des Knotenservers für Datenumwandlung je nach den prognostizierten Energieverbrauchsparametern der Ressourcen des Knotenservers für Datenumwandlung.

Description

TECHNISCHES GEBIET
Die vorliegende Erfindung bezieht sich auf Datenumwandlung und insbesondere auf ein Datenumwandlungsverfahren und einen Datenumwandler, die energiesparend sind.
BESCHREIBUNG DES STANDS DER TECHNIK
Datenumwandlung ist ein bei Verwaltungssoftware weit verbreitetes Verfahren, um Daten von einer Darstellungsform in eine andere Darstellungsform umzuwandeln. Eine umfassende Aktualisierung der Software führt zum Beispiel zu einer umfassenden Aktualisierung der Datenbank, und jede Software ist im Hinblick auf ihre Hintergrundarchitektur der Datenbank und ihre Datenspeicherform anders, so dass Daten häufig importiert, exportiert und umgewandelt werden müssen. Des Weiteren kommt zum Beispiel hinzu, dass die ursprüngliche Konzeption der Datenarchitektur angesichts einer wachsenden Zunahme der Datenmenge nicht mehr angemessen ist und die Anforderungen verschiedener Aspekte nicht erfüllen kann; aufgrund der Ersetzung von Datenbank und Datenstruktur ist eine Datenumwandlung per se erforderlich. Die Datenumwandlung ist besonders im Prozess der Integration von Daten von unterschiedlichen Produkten wichtig, um eine Integration von Software-Produkten sicherzustellen.
Da der Energieverbrauch der Ressourcen des Systems bei der Datenumwandlung hoch ist, stellt die Frage, wie der Energieverbrauch des Systems während der Datenumwandlung verringert werden kann, ein kritisches Problem dar. Zur Zeit entwickeln Wissenschaftler zahlreiche Energiespartechniken, die in zwei Kategorien unterteilt werden können: dynamische Techniken und statische Techniken. Die statischen Techniken ermöglichen es dem System, in einen Zustand mit niedrigem Energieverbrauch zu gehen, indem ein Betriebsmodus mit niedrigem Energieverbrauch eingestellt wird, so werden zum Beispiel Taktgeber oder Stromquellen verschiedener Komponenten im Chip mit einem Schalter zum Einstellen eines Modus mit niedrigem Energieverbrauch bereitgestellt. Der statische Modus kann jedoch den Energieverbrauch der Ressourcen je nach den Nutzungsbedingungen der Ressourcen nicht dynamisch anpassen. Die dynamischen Techniken prognostizieren die künftigen Lastbedingungen nach Maßgabe einer protokollierten Last des Systems und skalieren die Betriebsfrequenz und Spannung des Chips dynamisch, zum Beispiel durch die Technik der dynamischen Skalierung von Spannung und Frequenz (dynamic voltage and frequency scaling, DVFS), wodurch das Ziel der Energieeinsparung erreicht wird. Die dynamischen Techniken müssen die Last jedoch je nach protokollierter Last für einen nächsten Zeitraum prognostizieren und damit die Art und Weise der Skalierung von Spannung und Frequenz festlegen. Verschiedene Prognosealgorithmen unterscheiden sich in Bezug auf die Genauigkeit stark, und häufig besteht ein relativ großer Unterschied zwischen der protokollierten Last und der tatsächlichen Last, so dass das prognostizierte Ergebnis bei einer tatsächlichen Anwendung sehr ungenau sein kann.
Aus diesem Grund wird ein wirksameres, genaueres Verfahren zur Kontrolle des Energieverbrauchs für die Datenumwandlung benötigt.
ZUSAMMENFASSUNG DER ERFINDUNG
Im Hinblick auf die oben genannten Probleme stellt die vorliegende Erfindung ein Datenumwandlungsverfahren und einen Datenumwandler bereit.
Gemäß einem ersten Aspekt der Erfindung wird ein Datenumwandlungsverfahren bereitgestellt, das aufweist: Importieren einer Datenumwandlungsregel; Entnehmen einer Quelldatendefinition, einer Zieldatendefinition und einer Definition der Datenumwandlungsregel aus der Datenumwandlungsregel; Prognostizieren der Energieverbrauchsparameter der Ressourcen eines Knotenservers für Datenumwandlung je nach Quelldatendefinition, Zieldatendefinition und Definition der Datenumwandlungsregel; und Umsetzen einer Richtlinie zum Optimieren des Energieverbrauchs der Ressourcen eines Knotenservers für Datenumwandlung je nach den prognostizierten Energieverbrauchsparametern der Ressourcen des Knotenservers für Datenumwandlung.
Gemäß einem zweiten Aspekt der Erfindung wird ein Datenumwandler bereitgestellt, der aufweist: ein Importmittel, das so konfiguriert ist, dass es eine Datenumwandlungsregel importiert; ein Entnahmemittel, das so konfiguriert ist, dass es eine Quelldatendefinition, eine Zieldatendefinition und eine Definition der Datenumwandlungsregel aus der Datenumwandlungsregel entnimmt; ein Prognosemittel, das so konfiguriert ist, dass es die Energieverbrauchsparameter der Ressourcen eines Knotenservers für Datenumwandlung je nach Quelldatendefinition, Zieldatendefinition und Definition der Datenumwandlungsregel prognostiziert; und ein Umsetzungsmittel, das so konfiguriert ist, dass es eine Richtlinie zum Optimieren des Energieverbrauchs der Ressourcen eines Knotenservers für Datenumwandlung je nach den prognostizierten Energieverbrauchsparametern der Ressourcen des Knotenservers für Datenumwandlung umsetzt.
Das Datenumwandlungsverfahren und der Datenumwandler gemäß der Erfindung prognostizieren die Energieverbrauchsparameter der Ressourcen des Knotenservers für Datenumwandlung je nach der Datenumwandlungsregel und können somit die Energieverbrauchsparameter der Ressourcen des Knotenservers für Datenumwandlung wirksamer und genauer prognostizieren, wobei eine Richtlinie zum Optimieren des Energieverbrauchs der Ressourcen des Knotenservers für Datenumwandlung umgesetzt wird.
KURZE BESCHREIBUNG DER ZEICHNUNGEN
Die Erfindung als solche, bevorzugte Ausführungsformen davon sowie Aufgaben und Vorteile der Erfindung werden mit Bezug auf die Beschreibung der folgenden veranschaulichenden Ausführungsformen in Verbindung mit beigefügten Zeichnungen besser verstanden, wobei
1 ein Datenumwandlungsverfahren gemäß einer Ausführungsform der Erfindung zeigt;
2 ein Ablaufplan ist, der ein Datenumwandlungsverfahren gemäß einer Ausführungsform der Erfindung zeigt;
3 ein Ablaufplan ist, der eine Analyse der Quelldatendefinition und der Zieldatendefinition zeigt;
4 ein Ablaufplan ist, der eine Analyse der Definition der Datenumwandlungsregel zeigt; und
5 ein Blockschaltbild ist, das einen Datenumwandler gemäß einer Ausführungsform der Erfindung zeigt.
AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORM
Die Aufgaben und Vorteile der Erfindung werden durch die Beschreibung des Verfahrens gemäß den nachfolgenden Ausführungsformen der Erfindung in Verbindung mit den beigefügten Zeichnungen besser verstanden.
Das Datenumwandlungsverfahren gemäß den Ausführungsformen der Erfindung unterteilt die Datenumwandlung in drei Phasen: Datenextraktionsphase, Datenverarbeitungsphase und Datenspeicherphase. Eine Richtlinie zum Energiesparen der Ressourcen wird umgesetzt, indem die Energieverbrauchsparameter der Ressourcen in den drei Phasen analysiert werden. Die Datenextraktionsphase und die Datenspeicherphase wirken sich in erster Linie auf Lasten des Quellknotenservers und des Zielknotenservers aus, und die Datenverarbeitungsphase wirkt sich im Wesentlichen auf eine Last des Knotenservers für Datenumwandlung aus, so dass der jeweilige Energieverbrauchsbedarf der Ressourcen des Quellknotenservers, des Knotenservers für Datenumwandlung und des Zielknotenservers je nach den Lastbedingungen in den drei Phasen bewertet werden kann, wobei eine Richtlinie zum Optimieren des Energieverbrauchs festgelegt wird.
1 zeigt ein Datenumwandlungsverfahren gemäß einer Ausführungsform der Erfindung, das aufweist: einen Schritt S101 zum Importieren einer Datenumwandlungsregel; einen Schritt 102 zum Entnehmen einer Quelldatendefinition, einer Zieldatendefinition und einer Definition der Datenumwandlungsregel aus der Datenumwandlungsregel; einen Schritt S103 zum Prognostizieren der Energieverbrauchsparameter der Ressourcen eines Knotenservers für Datenumwandlung je nach Quelldatendefinition, Zieldatendefinition und Definition der Datenumwandlungsregel; und einen Schritt S104 zum Umsetzen einer Richtlinie zum Optimieren des Energieverbrauchs der Ressourcen eines Knotenservers für Datenumwandlung je nach den prognostizierten Energieverbrauchsparametern der Ressourcen des Knotenservers für Datenumwandlung.
Gemäß der Ausführungsform der Erfindung beinhalten die Energieverbrauchsparameter der Ressourcen mindestens den Energieverbrauch der CPU und/oder die Speichernutzungsrate und/oder die Platten-E/A-Nutzungsrate. Unter einer Datendefinition sind Daten zum Beschreiben von Daten und zum Beschreiben von Informationen zu verstehen, die sich auf Inhalt, Abdeckung, Qualität, Verwaltungsmodus, Eigentümer der Daten, Datenbereitstellungsmodus von Elementen, Datensätze oder eine Reihe von Datensätzen usw. beziehen. Je nach unterschiedlichem Objekt, das von der Datendefinition beschrieben wird, unterscheidet die vorliegende Erfindung zwischen ”Quelldatendefinition” und ”Zieldatendefinition”, um eine Datendefinition zum Beschreiben der Datenquelle bzw. eine Datendefinition zum Beschreiben eines Datenspeicherziels zu kennzeichnen.
Die Datenumwandlungsregel wird verwendet, um zu spezifizieren, wie die Daten von der durch die Quelldatendefinition beschriebenen Form in die durch die Zieldatendefinition beschriebene Form umgewandelt werden. Typische Datenumwandlungsregeln beinhalten mindestens: einen Bezeichner der Umwandlungsregel (optional), ein Quelldatenobjekt, ein Zieldatenobjekt und einen Operationstyp. Im Folgenden wird eine Definition der Klasse BNF für die Datenumwandlungsregel veranschaulicht:
TransformationRule::={[RulelD]”:”<SourceDataAttribute>”:”<DestinationDataAttribute >”:”<Operation>}
Operation::={DirectCopy|TypeConvert|Macro}
Die Definition der Datenumwandlungsregel beinhaltet eine Vielzahl von Datenumwandlungsoperationen, um die Art und Weise der Umwandlung von der Quelldatendefinition in die Zieldatendefinition zu beschreiben.
[Ein Beispiel für die Quelldatendefinition]
Das folgende Beispiel beschreibt die Quelldatendefinition ”ke9_crac_data” in einer Form von XML-Schema, das einen komplexen Datentyp bestehend aus der Reihenfolge ”Node”, ”Begin_Time”, ”Description” und ”Ambient_Temp” aufweist, dessen Typen ”varchar”, ”string”, ”varchar” bzw. ”real” sind.
[Ein Beispiel für die Zieldatendefinition]
Das folgende Beispiel beschreibt die Zieldatendefinition ”CRAC_dynamic” in einer Form von XML-Schema, das einen komplexen Datentyp bestehend aus der Reihenfolge ”node”, ”begin”, ”description” und ”ambient_Temp” aufweist, dessen Typen ”varchar”, ”Date”, ”varchar” bzw. ”real” sind.
[Ein Beispiel für die Definition der Datenumwandlungsregel]
Das folgende Beispiel beruht auf den beiden oben genannten Beispielen und beschreibt die Art und Weise der Umwandlung der Quelldatendefinition ”ke9_crac_data” in die Zieldatendefinition ”CRAC_dynamic” in einer XML-Form. Das Beispiel bezieht sich auf vier Datenumwandlungsregeln, um ”Node”, ”Begin_Time”, ”Description” und ”Ambient_Temp” im Quelldatentyp jeweils in ”node”, ”begin”, ”description” und ”ambient_Temp” in der Zieldatendefinition umzuwandeln, und die Umwandlungsoperationen sind jeweils ”equal”, ”timestampConvert”, ”equal” und ”equal”, dies belegt, dass für ”Begin_Time” die Operation Datentypkonvertierung durchgeführt wird und für die anderen Datentypen die Operation direktes Kopieren durchgeführt wird.
</Transformation Definition>
2 ist ein Ablaufplan, der ein Datenumwandlungsverfahren gemäß einer Ausführungsform der Erfindung zeigt. In Schritt S201 wird eine Datenumwandlungsregel importiert, zum Beispiel die Datenumwandlungsregel in dem oben aufgeführten Beispiel für die Datenumwandlungsregel, die die Art und Weise beschreibt, wie die Quelldatendefinition ”Ke9_crac_data” in die Zieldatendefinition ”CRAC_dynamic” in einer XML-Form umgewandelt wird, um ”Node”, ”Begin_Time”, ”Description”, ”Ambient_Temp” in der Quelldatendefinition in ”node”, ”begin”, ”description” und ”ambient_Temp” in der Zieldatendefinition umzuwandeln.
In Schritt S202 wird eine Quelldatendefinition, eine Zieldatendefinition und eine Definition der Datenumwandlungsregel aus der Datenumwandlungsregel übernommen, zum Beispiel die Quelldatendefinition ”ke9_crac_data”, die Zieldatendefinition ”CRAC_dynamic” und die Definition der Datenumwandlungsregel, die die Art und Weise beschreibt, wie die Quelldatendefinition ”Ke9_crac_data” in die Zieldatendefinition ”CRAC_dynamic” umgewandelt wird, werden von dem oben genannten Beispiel für eine Datenumwandlungsregel übernommen.
In den Schritten S203 und S204 werden die Quelldatendefinition bzw. die Zieldatendefinition analysiert. 3 ist im Besonderen ein Ablaufplan, der die Analyse der Quelldatendefinition und der Zieldatendefinition in den Schritten S203 und S204 zeigt. In Schritt S302 werden zuerst ein Quelldatentyp und ein Zieldatentyp identifiziert. In Schritt S302 wird bewertet, ob der Quelldatentyp und der Zieldatentyp einfache Datentypen sind, zu diesem Zweck wird der Datentyp in einen einfachen Datentyp und einen komplexen Datentyp aufgeteilt, wobei der einfache Datentyp nur einen einfachen Wert darstellt, bei dem es sich um einen Wert handelt, der in der niedrigsten abstrakten Schicht gespeichert wird und eine relativ schnelle Arbeitsgeschwindigkeit aufweist. Zu häufig vorkommenden einfachen Datentypen gehören der ganzzahlige Typ, der Gleitkommatyp, der Zeichentyp (Char), der Datentyp ”doppelt”, der Dezimalzahltyp, der Typ ”große binäre Objekte” (Binary Large Object, BLOB) und der Aufzählungstyp (Enum) usw. Der komplexe Datentyp ist eine organische Gesamtheit, die durch die Kombination einer Vielzahl von miteinander verbundenen einfachen Datentypen gebildet wird. Wenn das Ergebnis der Bewertung nein lautet, wird der komplexe Datentyp anschließend in Schritt S303 aufgeteilt und der Prozess kehrt zu Schritt S301 zur Identifizierung zurück, bis der komplexe Datentyp in einfache Datentypen aufgeteilt ist. Wenn das Ergebnis der Beurteilung nein lautet, wird der Datentyp anschließend in Schritt S304 aufgezeichnet. In Schritt S305 wird die Größe der jedes Mal gelesenen und geschriebenen Daten für den identifizierten einfachen Datentyp berechnet, wobei die Größe von der diesbezüglichen Typdefinition bestimmt wird und allgemein zugängliches Wissen ist. Für Java-Datentypen zum Beispiel betragen die Datengrößen einfacher Datentypen wie ganzzahliger Typ, Gleitkommatyp, Zeichentyp (Char) 32 Bit, 32 Bit bzw. 16 Bit; da der identifizierte komplexe Datentyp aus einer Vielzahl von miteinander verbundenen einfachen Datentypen gebildet wird, ist die Größe der jedes Mal gelesenen und geschriebenen Daten jedoch eine Summe der Datengrößen der einfachen Datentypen.
In Schritt S205 wird die Definition der Datenumwandlungsregel analysiert. 4 ist im Besonderen ein Ablaufplan, der eine Analyse der Definition der Datenumwandlungsregel zeigt. In Schritt S401 wird zuerst ein Operationstyp der Datenumwandlungsregel identifiziert. Wenn in Schritt S402 festgestellt wird, dass der Operationstyp der Datenumwandlungsregel direktes Kopieren ist, werden die ressourcencharakteristischen Parameter für direktes Kopieren auf der Grundlage der Analyseergebnisse für die Quelldatendefinition und die Zieldatendefinition berechnet. Die ressourcencharakteristischen Parameter für direktes Kopieren beinhalten insbesondere einen Bezeichner der Umwandlungsregel, eine Größe der jedes Mal gelesenen und geschriebenen Daten, einen Zählwert der direkten Kopiervorgänge und eine CPU-Last. Wenn in Schritt S403 festgestellt wird, dass der Operationstyp der Datenumwandlungsregel Datentypumwandlung ist, werden die ressourcencharakteristischen Parameter für die Datentypumwandlung auf der Grundlage der Analyseergebnisse für die Quelldatendefinition und die Zieldatendefinition berechnet. Die Datentypumwandlung ist insbesondere eine Umwandlung zwischen Datentypen, und die ressourcencharakteristischen Parameter für die Datentypumwandlung beinhalten einen Bezeichner der Datentypumwandlungsregel, eine Größe der jedes Mal gelesenen und geschriebenen Daten, einen Zählwert der Datentypumwandlung und eine CPU-Last. Wenn in Schritt S404 festgestellt wird, dass der Operationstyp der Datenumwandlungsregel Makrokonvertierung ist, werden die ressourcencharakteristischen Parameter für die Makrokonvertierung auf der Grundlage der Analyseergebnisse für die Quelldatendefinition und die Zieldatendefinition berechnet. Die ressourcencharakteristischen Parameter für die Makrokonvertierung beinhalten insbesondere einen Bezeichner der Makrokonvertierungsregel, eine Größe der jedes Mal gelesenen und geschriebenen Daten, eine CPU-Last für die Makrooperation, einen Zählwert der Makrooperation, einen Zählwert der Grundoperationen, die in einer Einheitenzeit durchgeführt werden, und eine CPU-Last zum Durchführen einer Grundoperation.
Der Prozess geht zu Schritt S206 weiter, um die Energieverbrauchsparameter der Ressourcen eines Knotenservers für Datenumwandlung zu prognostizieren. Im Hinblick auf die Datenumwandlungsregel werden insbesondere die Energieverbrauchsparameter der Ressourcen des Knotenservers für Datenumwandlung in der Datenextraktionsphase, der Datenverarbeitungsphase bzw. der Datenspeicherphase prognostiziert.
Wenn gemäß einer Ausführungsform der Erfindung festgestellt wird, dass der Datenumwandlungstyp direktes Kopieren ist, werden die Energieverbrauchsparameter der Ressourcen des Knotenservers für Datenumwandlung in der Datenextraktionsphase, der Datenverarbeitungsphase und der Datenspeicherphase je nach den ressourcencharakteristischen Parametern für direktes Kopieren prognostiziert. Da keine Berechnungsressourcen für das direkte Kopieren in den drei Phasen gebraucht werden, kann prognostiziert werden, dass die CPU-Lasten in allen drei Phasen niedrig (L) sind und dass der Energieverbrauch der CPU niedrig (L) ist. Da darüber hinaus keine Speicher- und Plattenressourcen für das direkte Kopieren in der Datenverarbeitungsphase belegt werden, kann prognostiziert werden, dass sowohl die Speichernutzungsrate als auch die Platten-E/A-Nutzungsrate niedrig (L) sind. In der Datenextraktionsphase und der Datenspeicherphase stehen die Speichernutzungsrate und die Platten-E/A-Nutzungsrate im Zusammenhang mit der Anzahl der jedes Mal gelesenen und geschriebenen Bytes (Größe), einem Zählwert der Lese- und Schreibvorgänge (Zählwert) und den Eigenschaften der Festplatte. Hier werden die Auswirkungen der Größe der jedes Mal gelesenen und geschriebenen Daten (Größe) und des Zählwerts der Lese- und Schreibvorgänge (Zählwert) auf die Speichernutzungsrate und Platten-E/A-Nutzungsrate berücksichtigt. Wenn eine Höchstgeschwindigkeit der Platte nicht erreicht wird, gilt, dass je höher die Anzahl der jedes Mal gelesenen und geschriebenen Bytes (Größe) ist oder je höher der Zählwert der Lese- und Schreibvorgänge (Zählwert) ist, desto höher sind die Speichernutzungsrate und die Platten-E/A-Nutzungsrate. Gemäß einer Ausführungsform der Erfindung kann je nach Größe der jedes Mal gelesenen und geschriebenen Daten (Größe) und Zählwert der Lese- und Schreibvorgänge (Zählwert) zuvor eine Zuordnungstabelle der Ressourceneigenschaften in Tabelle 1 gebildet werden, wobei ein erster Schwellenwert S1 und ein zweiter Schwellenwert S2 für die Größe der jedes Mal gelesenen und geschriebenen Daten (Größe) voreingestellt werden, und ein erster Schwellenwert C1 und ein zweiter Schwellenwert C2 für den Zählwert der Lese- und Schreibvorgänge (Zählwert) voreingestellt werden, wobei M die Speichernutzungsrate darstellt, D die Platten-E/A-Nutzungsrate darstellt und L, M und H niedrig, mittel bzw. hoch in Bezug auf die Speichernutzungsrate und die Platten-E/A-Nutzungsrate darstellen. Aus Tabelle 1 geht hervor, dass, wenn die Größe s der jedes Mal gelesenen und geschriebenen Daten kleiner ist als der erste Schwellenwert S1 und der Zählwert der Lese- und Schreibvorgänge kleiner ist als der erste Schwellenwert C1, die Speichernutzungsrate niedriger ist und auch die Platten-E/A-Nutzungsrate niedriger ist, da die Größe der jedes Mal gelesenen und geschriebenen Daten kleiner ist und der Zählwert der Lese- und Schreibvorgänge niedriger ist, so dass M und D auf ”L” eingestellt werden. Mit wachsender Datengröße s und höher werdendem Zählwert des Kopiervorgangs steigen auch die Anforderungen an die Speichernutzungsrate und die Platten-E/A-Nutzungsrate. Es zeigt sich, dass, wenn die Größe der jedes Mal gelesenen und geschriebenen Daten S1 <= s <= S2 beträgt und der Zählwert der Lese- und Schreibvorgänge C1 <= c <= C2 beträgt, M bzw. D auf ”M” eingestellt werden; wenn die Größe der jedes Mal gelesenen und geschriebenen Daten s > S2 beträgt und der Zählwert der Lese- und Schreibvorgänge c > C2 beträgt, werden M bzw. D auf ”H” eingestellt. Die Schwellenwerte S1 und S2 sowie C1 und C2 können je nach den tatsächlichen Nutzungsbedingungen der Ressourcen eingestellt werden, und die Standards für die Speichernutzungsrate M und die Platten-E/A-Nutzungsrate D können je nach den unterschiedlichen Standards auf hoch (H), mittel (M) oder niedrig (L) eingestellt werden, so ist eine Speichernutzungsrate unter 10% zum Beispiel ”L” und eine Speichernutzungsrate größer als 80% ”H”. Durch Vergleichen der Größe der jedes Mal gelesenen und geschriebenen Daten und des Zählwerts der Lese- und Schreibvorgänge in den ermittelten ressourcencharakteristischen Parametern für direktes Kopieren mit den ressourcencharakteristischen Parametern in der Zuordnungstabelle können die Speichernutzungsrate und die Platten-E/A-Nutzungsrate als hoch, mittel oder niedrig festgelegt werden.
Tabelle 1 Zuordnungstabelle der Ressourceneigenschaften von Speicher und Platte
Wenn gemäß einer Ausführungsform der Erfindung festgestellt wird, dass der Datenumwandlungstyp Datentypkonvertierung ist, werden die Energieverbrauchsparameter der Ressourcen des Knotenservers für Datenumwandlung in der Datenextraktionsphase, der Datenverarbeitungsphase und der Datenspeicherphase je nach den ressourcencharakteristischen Parametern für die Datentypkonvertierung prognostiziert. Da in der Datenextraktionsphase und der Datenspeicherphase weniger CPU-Ressourcen für die Datentypkonvertierung benötigt werden, wird der Energieverbrauch der CPU auf niedrig ”L” eingestellt. In der Datenverarbeitungsphase der Datentypkonvertierung kann die Energieverbrauchsbedingung der CPU für eine spezifische Datentypkonvertierung je nach der spezifischen Datentypkonvertierung festgelegt werden. Bei einer Konvertierung zwischen numerischen Typen, z. B. einer Konvertierung von einem ganzzahligen Typ (int) in einen Datentyp ”Doppelt” kann prognostiziert werden, dass der Energieverbrauchsbedarf der CPU niedrig ”L” da nicht zu viele Berechnungsressourcen gebraucht werden. Bei einer Konvertierung zwischen einem numerischen Typ und einem Zeichentyp, z. B. einer Konvertierung von einem ganzzahligen Typ (int) in einen Zeichenkettentyp oder von einem Zeichenkettentyp in einen ganzzahligen Typ (int), kann prognostiziert werden, dass der Energieverbrauchsbedarf der CPU mittel ”M” ist, da mehr Berechnungsressourcen gebraucht werden. Bei einer besonderen Ausführung können die Bedingungen für den Energieverbrauchsbedarf der CPU in Bezug auf die gegebenenfalls verwendete Datentypkonvertierung zuvor als eine Wissensdatenbank aufgezeichnet werden. Durch Abrufen der Wissensdatenbank können die Bedingungen für den Energieverbrauchsbedarf der CPU in Bezug auf einen spezifischen Datenumwandlungstyp entnommen werden. In Bezug auf die Energieverbrauchsbedingungen von Speicher und Platten-E/A können die Speichernutzungsrate und die Platten-E/A-Nutzungsrate auf niedrig ”L” werden, da Speicher- und Plattenressourcen in der Datenverarbeitungsphase nicht belegt sind; Speicher- und Plattenressourcen müssen in der Datenextraktionsphase und der Datenspeicherphase belegt werden, so dass die Speichernutzungsrate und die Platten-E/A-Nutzungsrate je nach Größe der jedes Mal gelesenen und geschriebenen Daten und Zählwert der Lese- und Schreibvorgänge festgelegt werden müssen.
Gemäß einer Ausführungsform der Erfindung kann eine Zuordnungstabelle der Ressourceneigenschaften z. B. wie in Tabelle 1 dargestellt zuvor angelegt werden, und der erste Schwellenwert S1 und der zweite Schwellenwert S2 für die Größe der jedes Mal gelesenen und geschriebenen Daten und der erste Schwellenwert C1 und der zweite Schwellenwert C2 für den Zählwert der Datentypkonvertierung können voreingestellt werden, und die Speichernutzungsrate und die Platten-E/A-Nutzungsrate können je nach empirischen Werten als hoch, mittel und niedrig eingestuft werden. Durch Vergleichen der Größe der jedes Mal gelesenen und geschriebenen Daten und des Zählwerts der Datentypkonvertierung in den ermittelten ressourcencharakteristischen Parametern für die Datentypkonvertierung mit den ressourcencharakteristischen Parametern in der Zuordnungstabelle können die Speichernutzungsrate und die Platten-E/A-Nutzungsrate als hoch, mittel oder niedrig festgelegt werden.
Wenn gemäß einer Ausführungsform der Erfindung festgestellt wird, dass der Datenumwandlungstyp Makrokonvertierung ist, werden die Energieverbrauchsparameter der Ressourcen des Knotenservers für Datenumwandlung in der Datenextraktionsphase, der Datenverarbeitungsphase und der Datenspeicherphase je nach den ressourcencharakteristischen Parametern für die Makrokonvertierung prognostiziert. Zum Berechnen von Ressourcen in der Verarbeitungsphase wird zuerst die CPU-Last berechnet; um den Zählwert von Grundoperationen im Rahmen der Makrooperation zu erhalten, kann die Makrooperation semantisch analysiert werden, um einen Syntaxbaum zu erzeugen, wobei die Knoten in dem Syntaxbaum Programmknoten, Grundoperationsknoten und Operandenknoten aufweisen; durch die Ermittlung statistischer Daten für die Grundoperationsknoten und ihre Teilung durch eine Ausführungszeit ist es möglich, einen Zählwert jeder Grundoperation zu erhalten, die in einer Einheitenzeit ausgeführt wird. Für eine CPU-Last zum Durchführen einer Grundoperation kann die zum Durchführen der Grundoperation benötigte CPU-Last unter Verwendung einer bestimmten Sprache in einer spezifischen Operationsumgebung in Bezug auf die implementierte Grundoperation bewertet werden, so kann eine Pentium-CPU zum Beispiel eine Additionsoperation auf der Grundlage von C-Sprache in einer Taktperiode durchführen. Durch Multiplizieren des Zählwerts jeder in einer Einheitenzeit ausgeführten Grundoperation mit der zum Durchführen der einen Grundoperation benötigten CPU-Last ist es möglich, eine zum Durchführen aller Grundoperationen in einer Einheitenzeit benötigte CPU-Last zu erhalten. Durch gewichtete Summierung der CPU-Lasten aller Grundoperationen der Makrooperation kann des Weiteren die CPU-Last der Makrooperation ermittelt werden. Das heißt, eine von der Makrooperation benötigte CPU-Last wird dadurch ermittelt, dass jeweils die CPU-Last jeder Grundoperation im Rahmen der Makrooperation in der Datenverarbeitungsphase je nach den Ergebnissen des Syntaxbaums berechnet wird und die CPU-Lasten aller Grundoperationen gewichtet summiert werden.
Im Folgenden wird ein Beispiel einer Datenumwandlungsregel für eine Koordinatenkonvertierung (x, y, z → x', y', z') gemäß einer Ausführungsform der Erfindung vorgestellt, wobei der Operationstyp der Datenumwandlungsregel eine Makrooperation ist und der Zählwert der Makrooperation 2 beträgt.
Wenn (Richtung'=Richtung; Ursprung=Ursprung'), dann X' = (x + Offset_x)·2·0,3048; Y' = (Breite + Offset_y – y)·2·0,3048; Z' = Z* 4.445/100 + angehobene_Höhe
Die oben genannte Makrooperation wird semantisch analysiert, um einen Syntaxbaum zu erzeugen, der einen Wenn-Knoten, einen Additionsknoten, einen Subtraktionsknoten, einen Multiplikationsknoten und einen Divisionsknoten aufweist, und das endgültige statistische Ergebnis lautet, dass der Additionszählwert 3, der Subtraktionszählwert 1, der Multiplikationszählwert 5 und der Divisionszählwert 1 beträgt. Da der Gleitkommatyp mehr Multiplikations- und Divisionsoperationen sowie Additions- und Subtraktionsoperationen in einer bestimmten Hardware-Umgebung aufweist, verzeichnet die Datenumwandlungsregel in der Verarbeitungsphase eine höhere CPU-Last.
Die Bedingungen des Energieverbrauchs der CPU für die Makrooperation in der Datenextraktionsphase und der Datenspeicherphase können durch die CPU-Last in der Datenextraktionsphase oder der Datenspeicherphase ermittelt werden. Gemäß einer Ausführungsform der Erfindung kann eine Zuordnungstabelle der CPU-Ressourceneigenschaften, z. B. wie in Tabelle 2 dargestellt, zuvor angelegt werden, und der Ressourcenbedarf der CPU wird ermittelt, indem die von einer Makrooperation benötigte CPU-Last und der Zählwert der Makrooperation verwendet werden, wobei die von einer Makrooperation benötigte CPU-Last durch folgendes Verfahren ermittelt werden kann: das heißt, die von einer Makrooperation benötigte CPU-Last kann ermittelt werden, indem jeweils die CPU-Last jeder Grundoperation im Rahmen der Makrooperation in der Datenextraktionsphase oder der Datenspeicherphase je nach den Ergebnissen des Syntaxbaums berechnet wird und indem die CPU-Lasten in der Datenextraktionsphase und der Datenspeicherphase gewichtet summiert werden. Der erste Schwellenwert X1 und der zweite Schwellenwert X2 der von einer Makrooperation benötigten CPU-Last und der erste Schwellenwert C1 und der zweite Schwellenwert C2 für den Zählwert der Makrooperation sind voreingestellt, und die CPU-Last kann je nach empirischen Werten als hoch, mittel und niedrig eingestuft werden. Durch Vergleichen der CPU-Last einer Makrooperation in der Datenextraktionsphase oder der Datenspeicherphase und des Zählwerts der Makrooperation mit dem ersten Schwellenwert X1 und dem zweiten Schwellenwert X2 der CPU-Last bzw. dem ersten Schwellenwert und dem zweiten Schwellenwert des Zählwerts der Makrooperation in Tabelle 2 kann der Energieverbrauch der CPU als hoch (H), mittel (M) oder niedrig (L) festgelegt werden.
Anhand des Beispiels der Datenumwandlungsregel für eine Koordinatenkonvertierung (x, y, z → x', y', z') zeigt sich, dass der Berechnungsaufwand in der Datenextraktionsphase und der Datenspeicherphase geringer ist, da es keine numerischen Operationen gibt, so dass die CPU-Last gering ist, da der Zählwert der Makrooperation kleiner als der voreingestellte erste Schwellenwert C1 ist.
Tabelle 2 Zuordnungstabelle der CPU-Ressourceneigenschaften
Für die Energieverbrauchsbedingungen in Bezug auf Lese-/Schreibvorgänge von Speicher und Platte für die Makrooperation in der Datenextraktionsphase und der Datenspeicherphase kann die Zuordnungstabelle der Ressourceneigenschaften von Speicher und Platte wie in Tabelle 3 dargestellt angelegt werden, wobei die Datengröße jeweils der Größe der jedes Mal in der Datenextraktionsphase und der Datenspeicherphase gelesenen und geschriebenen Daten entspricht und der Zählwert der Anzahl der extrahierten und gespeicherten numerischen Werte entspricht, die anhand des Syntaxbaums ermittelt werden können. Für die Größe der jedes Mal gelesenen und geschriebenen Daten werden der erste Schwellenwert S1 und der zweite Schwellenwert S2 eingestellt, und für den Zählwert der Grundoperationen werden der erste Schwellenwert C1 und der zweite Schwellenwert C2 eingestellt. Die Schwellenwerte S1 und S2 sowie C1 und C2 können je nach den tatsächlichen Nutzungsbedingungen der Ressourcen eingestellt werden, und die Standards für die Speichernutzungsrate M und die Platten-E/A-Nutzungsrate D können nach Maßgabe unterschiedlicher Standards auf hoch (H), mittel (M) oder niedrig (L) eingestellt werden. Durch Vergleichen der Größe der jedes Mal gelesenen und geschriebenen Daten und des Zählwerts der Datentypkonvertierung der Makrokonvertierung in den in der Datenextraktionsphase oder Datenspeicherphase ermittelten ressourcencharakteristischen Parametern mit den ressourcencharakteristischen Parametern in der Zuordnungstabelle können die Speichernutzungsrate M und die Platten-E/A-Nutzungsrate als hoch (H), mittel (M) oder niedrig (L) festgelegt werden.
Anhand des Beispiels der oben aufgeführten Datenumwandlungsregel für eine Koordinatenkonvertierung (x, y, z → x', y', z') zeigt sich mittels des Syntaxbaums, dass die Anzahl der in der Datenextraktionsphase extrahierten numerischen Werte 11 beträgt, die Anzahl der in der Datenspeicherphase gespeicherten numerischen Werte 3 beträgt, die Anzahl der in der Datenextraktions- und Datenspeicherphase verwendeten numerischen Werte kleiner ist, der Zählwert der Grundoperationen kleiner ist und auch die Größe der jedes Mal gelesenen und geschriebenen Daten kleiner ist, so dass sowohl die Speichernutzungsrate als auch die Platten-E/A-Nutzungsrate niedrig ist.
Tabelle 3 Zuordnungstabelle der Ressourceneigenschaften von Speicher und Platte
Da in der Datenverarbeitungsphase keine Plattenressourcen für die Makrooperation gebraucht werden, ist die Platten-E/A-Nutzungsrate niedrig ”L”, und die Speichernutzung wird je nach den spezifischen Bedingungen festgelegt. Gemäß einer Ausführungsform der Erfindung kann eine Zuordnungstabelle der Ressourceneigenschaften des Speichers wie in Tabelle 4 dargestellt angelegt werden, wobei die Speichernutzungsrate je nach Größe der jedes Mal gelesenen und geschriebenen Daten und Zählwert von Zwischenwerten in der Datenverarbeitungsphase als hoch, mittel oder niedrig festgelegt wird. Der Zählwert von Zwischenwerten kann anhand des Syntaxbaums ermittelt werden. Für die Größe der jedes Mal gelesenen und geschriebenen Daten werden der erste Schwellenwert S1 und der zweite Schwellenwert S2 eingestellt, und für den Zählwert der Zwischenwerte werden der erste Schwellenwert C1 und der zweite Schwellenwert C2 eingestellt. Die Schwellenwerte S1 und S2 sowie C1 und C2 können je nach den tatsächlichen Nutzungsbedingungen der Ressourcen eingestellt werden, und die Standards für die Speichernutzungsrate M können nach Maßgabe unterschiedlicher Standards auf hoch (H), mittel (M) oder niedrig (L) eingestellt werden. Durch Vergleichen der Größe der jedes Mal gelesenen und geschriebenen Daten und der Anzahl der Zwischenwerte in den bei der Makrokonvertierung ermittelten ressourcencharakteristischen Parametern mit den ressourcencharakteristischen Parametern in der Zuordnungstabelle kann die Speichernutzungsrate M als hoch (H), mittel (M) oder niedrig (L) festgelegt werden.
Anhand des Beispiels der oben aufgeführten Datenumwandlungsregel für eine Koordinatenkonvertierung (x, y, z → x', y', z') zeigt sich mittels des Syntaxbaums, dass die Anzahl der Zwischenwerte 6 beträgt, die Größe der jedes Mal gelesenen und geschriebenen Daten ebenfalls kleiner ist, so dass die Speichernutzungsrate niedrig ist.
Tabelle 4 Zuordnungstabelle der Ressourceneigenschatten des Speichers
Als nächstes geht der Prozess zu Schritt S207 weiter, um zu bewerten, ob die Verarbeitung der Umwandlungsregel abgeschlossen ist. Wenn das Ergebnis der Bewertung nein lautet, kehrt der Prozess zu Schritt S201 zurück, um eine neue Datenumwandlungsregel zur Analyse zu importieren; wenn das Ergebnis der Bewertung ja lautet, geht der Prozess zu einem Schritt S208 weiter, um eine Richtlinie zum Optimieren des Energieverbrauchs der Ressourcen des Knotenservers für Datenumwandlung je nach den prognostizierten Energieverbrauchsparametern der Ressourcen des Knotenservers für Datenumwandlung umzusetzen. Die prognostizierten Energieverbrauchsparameter der Ressourcen des Knotenservers für Datenumwandlung weisen insbesondere Energieverbrauchsparameter der Ressourcen in der Datenextraktionsphase, Datenverarbeitungsphase und Datenspeicherphase auf, und die Richtlinie zum Optimieren des Energieverbrauchs der Ressourcen des Knotenservers für Datenumwandlung wird je nach den Energieverbrauchsparametern der Ressourcen dieser drei Phasen umgesetzt. Es versteht sich, dass die Richtlinie zum Optimieren des Energieverbrauchs der Ressourcen eine beliebige Richtlinie nach dem Stand der Technik sein kann, mit der eine optimierte Verteilung des Energieverbrauchs der Ressourcen möglich ist.
Anhand des Beispiels der oben aufgeführten Datenumwandlungsregel für eine Koordinatenkonvertierung (x, y, z → x', y', z') erhält man durch die oben aufgeführte Analyse die in den drei Phasen prognostizierten Energieverbrauchsparameter der Ressourcen wie in Tabelle 5 dargestellt. Der Datenumwandlungs-Knotenserver kann die Richtlinien zum Optimieren des Energieverbrauchs von CPU, Speicher und Platte in den drei Phasen je nach den Energieverbrauchsparametern der Ressourcen in den drei Phasen umsetzen. Wie in Tabelle 5 dargestellt, ist der Energieverbrauch der CPU sowohl in der Datenextraktionsphase als auch in der Datenspeicherphase niedrig, so dass Spannung und Frequenz der CPU verringert werden können, um den Energieverbrauch zu senken; der Energieverbrauch der CPU in der Datenverarbeitungsphase ist hoch, so dass Spannung und Frequenz der CPU erhöht werden können, um den Energieverbrauch zu erhöhen; die Speichernutzungsrate in allen drei Phasen ist niedrig, so dass die Zugriffsfrequenz des Speichers verringert werden kann; die Platten-E/A-Nutzungsrate ist in der Datenextraktionsphase mittel (M) und in der Datenverarbeitungsphase und der Datenspeicherphase niedrig (L), und der Energieverbrauch der Platte kann erhöht oder verringert werden, indem der Stromversorgungszustand der Platte angepasst wird, wenn die Platte eine Vielzahl von Stromversorgungszuständen aufweist, und indem die Drehgeschwindigkeit der Platte angepasst wird, wenn die Platte mehrere Drehgeschwindigkeiten aufweist. Bei tatsächlichen Anwendungen kann der allgemeine Energieverbrauchsbedarf der Systemressourcen statistisch ermittelt werden und je nach den prognostizierten Energieverbrauchsparametern der Ressourcen der Datenumwandlungsregel sinnvoll angepasst werden, wodurch die Verteilung des Energieverbrauchs der Ressourcen optimiert wird.

Das Datenumwandlungsverfahren gemäß einer Ausführungsform der Erfindung analysiert die Energieverbrauchsparameter der Ressourcen des Knotenservers für Datenumwandlung direkt je nach der zu verwendenden Datenumwandlungsregel, ohne dass die protokollierte Last analysiert werden muss, um die Energieverbrauchsparameter der Ressourcen zu prognostizieren, dadurch werden ungenaue Prognoseergebnisse aufgrund eines großen Unterschieds zwischen protokollierter Last und tatsächlicher Last vermieden und es kann eine genauere und wirksamere Prognose des Energieverbrauchs der Ressourcen bereitgestellt werden.

	Datenextraktionsphase	Datenverarbeitungsphase	Datenspeicherphase
Energieverbrauch der CPU	”L”	”H”	”L”
Platten-E/A-Nutzungsrate	”M”	”L”	”L”
Speichernutzungsrate	”L”	”L”	”L”

Tabelle 5 Beispiel zum Prognostizieren der Energieverbrauchsparameter der Ressourcen in den drei Phasen

Gemäß einer Ausführungsform der Erfindung können die von einer Vielzahl von Datenumwandlungsregeln in den drei Phasen prognostizierten Bedingungen zur Nutzung der Ressourcen analysiert und verglichen werden. Wenn das Ergebnis der Analyse ergibt, dass es eine Vielzahl von Datenumwandlungsregeln gibt, die mindestens einen identischen Energieverbrauchsparameter in den drei Phasen aufweisen, kann die Richtlinie zum Optimieren des Energieverbrauchs der Ressourcen des Knotenservers für Datenumwandlung einheitlich umgesetzt werden. Durch ein gemeinsames Integrieren der Vielzahl der Datenumwandlungsregeln für die Verarbeitung wird die Häufigkeit des Anpassens des Energieverbrauchs der Ressourcen verringert und die Wirksamkeit der Optimierung des Energieverbrauchs erhöht.
Gemäß einer Ausführungsform der Erfindung weist das Verfahren weiterhin auf: Prognostizieren der Energieverbrauchsparameter des Quellknotenservers in der Datenextraktionsphase je nach den prognostizierten Energieverbrauchsparametern des Knotenservers für Datenumwandlung in der Datenextraktionsphase sowie Prognostizieren der Energieverbrauchsparameter des Zielknotenservers in der Datenspeicherphase je nach dem prognostizierten Energieverbrauchsparameter des Knotenservers für Datenumwandlung in der Datenspeicherphase. Da die in der Datenextraktionsphase extrahierten Daten vom Quellknotenserver stammen und die Daten in der Datenspeicherphase in den Zielknotenserver geschrieben werden sollen, geben die Größe der jedes Mal gelesenen Daten und die Größe der jedes Mal geschriebenen Daten auch die Datendurchsätze des Quellknotenservers bzw. des Zielknotenservers wieder; die CPU-Last in der Datenextraktionsphase und der Datenspeicherphase gibt auch die CPU-Last des Quellknotenservers und Zielknotenservers in der Phase wieder. Anhand des Beispiels der oben aufgeführten Datenumwandlungsregel für eine Koordinatenkonvertierung (x, y, z → x', y', z') können die Energieverbrauchsparameter des Quellknotenservers und des Zielknotenservers in der Datenextraktionsphase und der Datenspeicherphase je nach den Energieverbrauchsparametern des Knotenservers für Datenumwandlung in der Datenextraktionsphase und der Datenspeicherphase prognostiziert werden. Der Quellknotenserver und der Zielknotenserver können den Energieverbrauch der Ressourcen je nach den prognostizierten Bedingungen des Energieverbrauchs der Ressourcen anpassen, um die Richtlinie zum Optimieren des Energieverbrauchs der Ressourcen umzusetzen.

Quellknotenserver Zielknotenserver

CPU-Last ”L” ”L”

Platten-E/A-Nutzungsrate ”M” ”L”

Speichernutzungsrate ”L” ”L”

Tabelle 6 Beispiel der Energieverbrauchsparameter des Quellknotenservers und des Zielknotenservers
Gemäß demselben erfinderischen Konzept schlägt die vorliegende Erfindung einen Datenumwandler vor. 5 ist ein Blockschaltbild 500, das einen Datenumwandler gemäß einer Ausführungsform der Erfindung zeigt. Der Datenumwandler weist auf: ein Importmittel 501, das so konfiguriert ist, dass es eine Datenumwandlungsregel importiert; ein Entnahmemittel 502, das so konfiguriert ist, dass es eine Quelldatendefinition, eine Zieldatendefinition und eine Definition der Datenumwandlungsregel aus der Datenumwandlungsregel entnimmt; ein Prognosemittel 503, das so konfiguriert ist, dass es die Energieverbrauchsparameter der Ressourcen eines Knotenservers für Datenumwandlung je nach Quelldatendefinition, Zieldatendefinition und Definition der Datenumwandlungsregel prognostiziert; und ein Umsetzungsmittel 504, das so konfiguriert ist, dass es eine Richtlinie zum Optimieren des Energieverbrauchs der Ressourcen des Knotenservers für Datenumwandlung je nach den prognostizierten Energieverbrauchsparametern der Ressourcen des Knotenservers für Datenumwandlung umsetzt, wobei die Energieverbrauchsparameter der Ressourcen mindestens den Energieverbrauch der CPU und/oder die Speichernutzungsrate und/oder die Platten-E/A-Nutzungsrate beinhalten.
Das Prognosemittel 503 ist weiterhin so konfiguriert, dass es die Energieverbrauchsparameter der Ressourcen des Knotenservers für Datenumwandlung in der Datenextraktionsphase, der Datenverarbeitungsphase und der Datenspeicherphase je nach Quelldatendefinition, Zieldatendefinition und Definition der Datenumwandlungsregel prognostiziert.
Gemäß einer Ausführungsform der Erfindung ist das Prognosemittel 503 so konfiguriert, dass es einen Operationstyp der Datenumwandlungsregel je nach der Definition der Datenumwandlungsregel identifiziert. Wenn festgestellt wird, dass der Operationstyp der Datenumwandlungsregel direktes Kopieren ist, werden die Energieverbrauchsparameter der Ressourcen des Knotenservers für Datenumwandlung in der Datenextraktionsphase, der Datenverarbeitungsphase und der Datenspeicherphase auf der Grundlage der Quelldatendefinition und der Zieldatendefinition prognostiziert. Da in den drei Phasen keine Berechnungsressourcen für das direkte Kopieren gebraucht werden, kann prognostiziert werden, dass der Energieverbrauch der CPU in allen drei Phasen niedrig (L) ist. Die Speichernutzungsrate und Platten-E/A-Nutzungsrate des Knotenservers für Datenumwandlung in der Datenextraktionsphase und der Datenspeicherphase können je nach den jedes Mal geschriebenen Daten und je nach Zählwert der Schreibvorgänge prognostiziert werden. Da darüber hinaus in der Datenverarbeitungsphase keine Speicher- und Plattenressourcen für das direkte Kopieren belegt werden, kann prognostiziert werden, dass sowohl die Speichernutzungsrate als auch die Platten-E/A-Nutzungsrate niedrig (1) sind.
Wenn gemäß einer Ausführungsform der Erfindung festgestellt wird, dass der Operationstyp des Datenumwandlungstyps Datentypkonvertierung ist, werden die Energieverbrauchsparameter der Ressourcen des Knotenservers für Datenumwandlung in der Datenextraktionsphase, der Datenverarbeitungsphase und der Datenspeicherphase auf der Grundlage der Quelldatendefinition und der Zieldatendefinition prognostiziert. Da in der Datenextraktionsphase und der Datenspeicherphase weniger CPU-Ressourcen für die Datentypkonvertierung benötigt werden, wird der Energieverbrauch der CPU auf niedrig ”L” eingestellt. In der Datenverarbeitungsphase der Datentypkonvertierung kann die Energieverbrauchsbedingung der CPU für eine spezifische Datentypkonvertierung je nach der spezifischen Datentypkonvertierung festgelegt werden. Da Speicher- und Plattenressourcen in der Datenverarbeitungsphase jedoch nicht belegt sind, können die Speichernutzungsrate und die Platten-E/A-Nutzungsrate auf niedrig ”L” eingestellt werden; da Speicher- und Plattenressourcen darüber hinaus in der Datenextraktionsphase und der Datenspeicherphase belegt werden müssen, müssen die Speichernutzungsrate und die Platten-E/A-Nutzungsrate je nach Größe der jedes Mal im Rahmen der Datenumwandlung gelesenen und geschriebenen Daten und Zählwert der Lese- und Schreibvorgänge festgelegt werden.
Wenn gemäß einer Ausführungsform der Erfindung festgestellt wird, dass der Datenumwandlungstyp Makrokonvertierung ist, werden die Energieverbrauchsparameter der Ressourcen des Knotenservers für Datenumwandlung in der Datenextraktionsphase, der Datenverarbeitungsphase und der Datenspeicherphase auf der Grundlage der Quelldatendefinition und der Zieldatendefinition prognostiziert. Die Energieverbrauchsbedingungen der CPU für die Makrooperation in den drei Phasen können durch die CPU-Lasten in den drei Phasen ermittelt werden. Da in der Datenverarbeitungsphase keine Plattenressourcen für die Makrooperation benötigt werden, ist die Platten-E/A-Nutzungsrate gering ”L”, und die Speichernutzungsrate des Knotenservers für Datenumwandlung kann in der Datenverarbeitungsphase je nach Größe der jedes Mal gelesenen und geschriebenen Daten und Anzahl der Zwischenwerte prognostiziert werden. Die Energieverbrauchsbedingungen in Bezug auf Lese-/Schreibvorgänge von Speicher und Platte in der Datenextraktionsphase und der Datenspeicherphase können je nach Größe der jedes Mal in der Datenextraktionsphase und der Datenspeicherphase gelesenen und geschriebenen Daten und Anzahl der numerischen Werte, die der Datenextraktionsphase und der Datenspeicherphase entsprechen, prognostiziert werden.
Gemäß einer Ausführungsform der Erfindung ist das Prognosemittel 503 weiterhin so konfiguriert, dass es die Energieverbrauchsparameter des Quellknotenservers in der Datenextraktionsphase je nach den prognostizierten Energieverbrauchsparametern des Knotenservers für Datenumwandlung in der Datenextraktionsphase sowie die Energieverbrauchsparameter des Zielknotenservers in der Datenspeicherphase je nach dem prognostizierten Energieverbrauchsparameter des Knotenservers für Datenumwandlung in der Datenspeicherphase prognostiziert.
Gemäß einer Ausführungsform der Erfindung ist das Umsetzungsmittel 504 weiterhin so konfiguriert, dass es für eine Vielzahl von Datenumwandlungsregeln, die mindestens einen identischen Energieverbrauchsparameter unter den in der Datenextraktionsphase, der Datenverarbeitungsphase und der Datenspeicherphase prognostizierten Energieverbrauchsparametern aufweisen, die Richtlinie zum Optimieren des Energieverbrauchs der Ressourcen der Vielzahl von Datenumwandlungsregeln in dem Datenumwandlungs-Knotenserver einheitlich umsetzt.
Für den Fachmann ist offensichtlich, dass zumindest einige Aspekte der vorliegenden Erfindung alternativ als ein Programmprodukt ausgeführt werden können. Die Programme, die die Funktionen der vorliegenden Erfindung definieren, können zu einem Datenspeichersystem oder Computersystem über verschiedene signaltragende Medien übertragen werden, darunter ein nicht beschreibbares Speichermedium (z. B. CD-ROM), ein beschreibbares Speichermedium (z. B. eine Diskette, Festplattenlaufwerk, lesbare/beschreibbare CD-ROM, optisches Medium) und ein Datenübertragungsmedium wie beispielsweise Computer- und Telefonnetzwerke einschließlich Ethernet, ohne darauf beschränkt zu sein. Es versteht sich daher, dass ein solches signaltragendes Medium, wenn es Verwaltungsfunktionen des Verfahrens der vorliegenden Erfindung weiterleitet oder mit computerlesbaren Befehlen kodiert, alternative Ausführungsformen der vorliegenden Erfindung darstellt. Die vorliegende Erfindung kann in Form von Hardware, Software, Firmware oder der Kombination davon ausgeführt werden. Die vorliegende Erfindung kann in einem Computersystem auf integrierte Weise realisiert oder in verteilter Weise ausgeführt werden, wobei die verschiedenen Komponenten in mehreren miteinander verbundenen Computersystemen verteilt sind. Beliebige Computersysteme oder sonstige Vorrichtungen, die geeignet sind, das in der vorliegenden Anwendung beschriebene Verfahren durchzuführen, sind zweckmäßig. Die vorliegende Erfindung ist vorzugsweise als Computer-Software in Kombination mit Universal-Computer-Hardware ausgeführt, und wenn das Computerprogramm geladen und ausgeführt wird, wird das Computersystem gesteuert, um das Verfahren der vorliegenden Erfindung durchzuführen, oder es bildet das System der vorliegenden Erfindung.
In der oben aufgeführten Beschreibung sind die bevorzugten Ausführungsformen der vorliegenden Erfindung zum Zwecke der Veranschaulichung vorgestellt worden. Die oben aufgeführte Beschreibung ist nicht erschöpfend und soll die vorliegende Erfindung nicht auf die offenbarten spezifischen Formen beschränken. Aus den oben ausgeführten Lehren ergibt sich, dass viele Abwandlungen und Änderungen möglich sind. Für Fachleute ist ersichtlich, dass diese Abwandlungen und Änderungen im Schutzumfang der vorliegenden Erfindung enthalten sind, die durch die beigefügten Ansprüche definiert wird.

Claims

Datenumwandlungsverfahren, aufweisend: Importieren einer Datenumwandlungsregel; Entnehmen einer Quelldatendefinition, einer Zieldatendefinition und einer Definition der Datenumwandlungsregel aus der Datenumwandlungsregel; Prognostizieren der Energieverbrauchsparameter der Ressourcen eines Knotenservers für Datenumwandlung je nach Quelldatendefinition, Zieldatendefinition und Definition der Datenumwandlungsregel; und Umsetzen einer Richtlinie zum Optimieren des Energieverbrauchs der Ressourcen des Knotenservers für Datenumwandlung je nach den prognostizierten Energieverbrauchsparametern des Knotenservers für Datenumwandlung.
Verfahren nach Anspruch 1, wobei die Energieverbrauchsparameter der Ressourcen mindestens den Energieverbrauch der CPU und/oder die Speichernutzungsrate und/oder die Platten-E/A-Nutzungsrate beinhalten.
Verfahren nach Anspruch 2, wobei das Prognostizieren der Energieverbrauchsparameter der Ressourcen eines Knotenservers für Datenumwandlung je nach Quelldatendefinition, Zieldatendefinition und Definition der Datenumwandlungsregel weiterhin aufweist: Prognostizieren der Energieverbrauchsparameter der Ressourcen des Knotenservers für Datenumwandlung in einer Datenextraktionsphase, einer Datenverarbeitungsphase und einer Datenspeicherphase je nach Quelldatendefinition, Zieldatendefinition und Definition der Datenumwandlungsregel.
Verfahren nach Anspruch 3, wobei das Prognostizieren der Energieverbrauchsparameter der Ressourcen eines Knotenservers für Datenumwandlung je nach Quelldatendefinition, Zieldatendefinition und Definition der Datenumwandlungsregel weiterhin aufweist: Identifizieren eines Operationstyps der Datenumwandlungsregel je nach der Definition der Datenumwandlungsregel.
Verfahren nach Anspruch 4, wobei der Operationstyp der Datenumwandlungsregel mindestens direktes Kopieren und/oder Datentypumwandlung und/oder Makrokonvertierung aufweist.
Verfahren nach Anspruch 5, das weiterhin aufweist: wenn festgestellt wird, dass der Operationstyp der Datenumwandlungsregel direktes Kopieren oder Datentypumwandlung ist, Prognostizieren der Speichernutzungsrate und der Platten-E/A-Nutzungsrate des Knotenservers für Datenumwandlung in der Datenextraktionsphase und der Datenspeicherphase je nach Größe der jedes Mal geschriebenen Daten und Zählwert der Schreibvorgänge.
Verfahren nach Anspruch 5, das weiterhin aufweist: wenn festgestellt wird, dass der Operationstyp der Datenumwandlungsregel Makrokonvertierung ist, Prognostizieren der Speichernutzungsrate und der Platten-E/A-Nutzungsrate in der Datenextraktionsphase und der Datenspeicherphase je nach Größe der jedes Mal gelesenen und geschriebenen Daten und Anzahl der in der Datenextraktionsphase bzw. Datenspeicherphase verarbeiteten numerischen Werte.
Verfahren nach Anspruch 5, das weiterhin aufweist: wenn festgestellt wird, dass der Operationstyp der Datenumwandlungsregel Makrokonvertierung ist, Prognostizieren der Speichernutzungsrate des Knotenservers für Datenumwandlung in der Datenverarbeitungsphase je nach Größe der jedes Mal in der Datenverarbeitungsphase gelesenen und geschriebenen Daten und Anzahl von Zwischenwerten.
Verfahren nach einem der Ansprüche 3 bis 7, das weiterhin aufweist: Prognostizieren von Energieverbrauchsparametern der Ressourcen des Quellknotenservers in der Datenextraktionsphase je nach den prognostizierten Energieverbrauchsparametern der Ressourcen des Knotenservers für Datenumwandlung in der Datenextraktionsphase.
Verfahren nach einem der Ansprüche 3 bis 7, das weiterhin aufweist: Prognostizieren von Energieverbrauchsparametern der Ressourcen des Zielknotenservers in der Datenspeicherphase je nach den prognostizierten Energieverbrauchsparametern der Ressourcen des Knotenservers für Datenumwandlung in der Datenspeicherphase.
Verfahren nach einem der Ansprüche 3 bis 8, das weiterhin aufweist: für eine Vielzahl von Datenumwandlungsregeln, die mindestens einen identischen Energieverbrauchsparameter unter den in der Datenextraktionsphase, der Datenverarbeitungsphase und der Datenspeicherphase prognostizierten Energieverbrauchsparametern der Ressourcen aufweisen, einheitliches Umsetzen der Richtlinie zum Optimieren des Energieverbrauchs der Ressourcen der Vielzahl von Datenumwandlungsregeln in dem Datenumwandlungs-Knotenserver.
Datenumwandler, aufweisend: Importmittel, das so konfiguriert ist, dass es eine Datenumwandlungsregel importiert; Entnahmemittel, das so konfiguriert ist, dass es eine Quelldatendefinition, eine Zieldatendefinition und eine Definition der Datenumwandlungsregel aus der Datenumwandlungsregel entnimmt; Prognosemittel, das so konfiguriert ist, dass es die Energieverbrauchsparameter der Ressourcen eines Knotenservers für Datenumwandlung je nach Quelldatendefinition, Zieldatendefinition und Definition der Datenumwandlungsregel prognostiziert; und Umsetzungsmittel, das so konfiguriert ist, dass es eine Richtlinie zum Optimieren des Energieverbrauchs der Ressourcen des Knotenservers für Datenumwandlung je nach den prognostizierten Energieverbrauchsparametern der Ressourcen des Knotenservers für Datenumwandlung umsetzt.
Datenumwandler nach Anspruch 12, wobei die Energieverbrauchsparameter der Ressourcen mindestens den Energieverbrauch der CPU und/oder die Speichernutzungsrate und/oder die Platten-E/A-Nutzungsrate beinhalten.
Datenumwandler nach Anspruch 13, wobei das Prognosemittel weiterhin so konfiguriert ist, dass es die Energieverbrauchsparameter der Ressourcen des Knotenservers für Datenumwandlung in der Datenextraktionsphase, der Datenverarbeitungsphase und der Datenspeicherphase je nach Quelldatendefinition, Zieldatendefinition und Definition der Datenumwandlungsregel prognostiziert.
Datenumwandler nach Anspruch 14, wobei das Prognosemittel weiterhin so konfiguriert ist, dass es einen Operationstyp der Datenumwandlungsregel je nach der Definition der Datenumwandlungsregel identifiziert.
Datenumwandler nach Anspruch 15, wobei der Operationstyp der Datenumwandlungsregel mindestens direktes Kopieren und/oder Datentypumwandlung und/oder Makrokonvertierung aufweist.
Datenumwandler nach Anspruch 16, wobei das Prognosemittel weiterhin so konfiguriert ist, dass es, wenn festgestellt wird, dass der Operationstyp der Datenumwandlungsregel direktes Kopieren oder Datentypumwandlung ist, die Speichernutzungsrate und die Platten-E/A-Nutzungsrate des Knotenservers für Datenumwandlung in der Datenextraktionsphase und der Datenspeicherphase je nach Größe der jedes Mal geschriebenen Daten und Zählwert der Schreibvorgänge prognostiziert.
Datenumwandler nach Anspruch 16, wobei das Prognosemittel weiterhin so konfiguriert ist, dass es, wenn festgestellt wird, dass der Operationstyp der Datenumwandlungsregel Makrokonvertierung ist, die Speichernutzungsrate und die Platten-E/A-Nutzungsrate in der Datenextraktionsphase und der Datenspeicherphase je nach Größe der jedes Mal gelesenen und geschriebenen Daten und Anzahl der in der Datenextraktionsphase bzw. der Datenspeicherphase verarbeiteten numerischen Werte prognostiziert.
Datenumwandler nach Anspruch 16, wobei das Prognosemittel weiterhin so konfiguriert ist, dass es, wenn festgestellt wird, dass der Operationstyp der Datenumwandlungsregel Makrokonvertierung ist, die Speichernutzungsrate des Knotenservers für Datenumwandlung in der Datenverarbeitungsphase je nach Größe der jedes Mal gelesenen und geschriebenen Daten und Anzahl von Zwischenwerten in der Datenverarbeitungsphase prognostiziert.
Datenumwandler nach einem der Ansprüche 14 bis 18, wobei das Prognosemittel weiterhin so konfiguriert ist, dass es die Energieverbrauchsparameter der Ressourcen des Quellknotenservers in der Datenextraktionsphase je nach den in der Datenextraktionsphase prognostizierten Energieverbrauchsparametern der Ressourcen des Knotenservers für Datenumwandlung prognostiziert.
Datenwandler nach einem der Ansprüche 14 bis 18, wobei das Prognosemittel weiterhin so konfiguriert ist, dass es die Energieverbrauchsparameter der Ressourcen des Zielknotenservers in der Datenspeicherphase je nach den prognostizierten Energieverbrauchsparametern der Ressourcen des Knotenservers für Datenumwandlung in der Datenspeicherphase prognostiziert.
Datenumwandler nach einem der Ansprüche 14 bis 19, wobei das Umsetzungsmittel weiterhin so konfiguriert ist, dass es für eine Vielzahl von Datenumwandlungsregeln, die mindestens einen identischen Energieverbrauchsparameter unter den in der Datenextraktionsphase, der Datenverarbeitungsphase und der Datenspeicherphase prognostizierten Energieverbrauchsparametern der Ressourcen aufweisen, die Richtlinie zum Optimieren des Energieverbrauchs der Ressourcen der Vielzahl von Datenumwandlungsregeln in dem Datenumwandlungs-Knotenserver einheitlich umsetzt.