1 مقدمه

2 مدل سیستم EATS

3 مدل زمان بندی برنامه ریزی غیرخطی

4 زمینه و آثار مرتبط

5 تحلیل عملکرد

5-1 محیط آزمایشی

5-2 آزمایشات

5-3 تحلیل نتایج آزمایشی

6 نتیجه گیری و آثار آینده

The increasing cost in power consumption in data centers, and the corresponding environmental threats have raised a growing demand in energy-efficient computing. Despite its importance, little work was done on introducing models to manage the consumption efficiently. With the growing use of Cloud Computing, this issue becomes very crucial. In a Cloud Computing, the services run in a data center on a set of clusters that are managed by the Cloud computing environment. The services are provided in the form of a Software as a Service (SaaS), Platform as a Service (PaaS), and Infrastructure as a Service (IaaS). The amount of energy consumed by the underutilized and overloaded computing systems may be substantial. Therefore, there is a need for scheduling algorithms to take into account the power consumption of the Cloud for energy-efficient resource utilization. On the other hand, Cloud computing is seen as crucial for high performance computing; for instance for the purpose of Big Data processing, and that should not be much compromised for the sake of reducing energy consumption. In this work, we derive an energy-aware tasks scheduling (EATS) model, which divides and schedules a big data in the Cloud. The main goal of EATS is to increase the application efficiency and reduce the energy consumption of the underlying resources. The power consumption of a computing server was measured under different working load conditions. Experiments show that the ratio of energy consumption at peak performance compared to an idle state is 1.3. This shows that resources must be utilized correctly without scarifying performance. The results of the proposed approach are very promising and encouraging. Hence, the adoption of such strategies by the cloud providers result in energy saving for data centers.

هزینه فزایندۀ مصرف انرژی در مراکز داده و تهدیدات متناظر محیطی باعث شده اند که تقاضای محاسبه انرژی کارآمد افزایش یابد. علی رغم اهمیت آن، آثار کمی روی معرفی مدل ها برای مدیریت مصرف مؤثر انجام شده بود. با افزایش کاربرد محاسبات ابری، این موضوع از اهمیت بالایی برخوردار گشت. در محاسبات ابری، سرویس هایی در مرکز داده روی مجموعه ای از خوشه ها راه اندازی می شود که توسط محیط محاسبات ابری مدیریت می شوند. این سرویس به شکل نرم افزار به عنوان سرویس (SaaS)، پلتفرم به عنوان سرویس (PaaS) و زیرساخت به عنوان سرویس (IaaS) ارائه شده اند. مقدار انرژی مصرف شده توسط سیستم های محاسباتی که به مقدار کم و یا بسیار زیاد مورد استفاده قرار گرفته، ممکن است قابل توجه باشد. بنابراین، برای توجه به مصرف انرژی در بهره برداری از منابع انرژی کارآمد ابری، به الگوریتم های زمان بندی نیاز داریم. به عبارت دیگر، محاسبات ابری برای عملکرد محاسباتی بالا مهم به نظر می رسد؛ به عنوان مثال، برای پردازش داده های بزرگ و به خاطر کاهش مصرف انرژی نباید زیاد به خطر بیفتند. در این مقاله، از مدل زمان بندی وظایف آگاه از انرژی (EATS) استفاده می کنیم، که داده بزرگ را در سیستم ابری تقسیم و زمان بندی می کند. هدف اصلی EATS افزایش کارآیی این برنامه و کاهش مصرف انرژی از منابع زیرساختی است. مصرف انرژی سرور محاسباتی تحت شرایط مختلف بار کاربردی/مجاز اندازه گرفته شده بود. آزمایشات نشان می دهند که نسبت مصرف انرژی در بالاترین میزان، با یک حالت ساکن 3/1 مقایسه می شود. این نشان می دهد که از منابع باید صحیح و بدون شکافتن استفاده شوند. نتایج حاصل از رویکرد ارائه‌شده بسیار امیدوارکننده و دلگرم کننده است. از این رو، اتخاذ چنین استراتژی هایی توسط ارائه دهندگان ابر به صرفه جویی در انرژی برای مراکز داده منجر می شود.