第一節 環境設置
本學位論文使用第二章第三節介紹過的Load Balancing（free CPU ratio）作為實驗 比較的資源管理方法對象；另一方面，我們所提出的使用預測機制的資源管理方法則 是將Load Balancing（free CPU ratio）加上預測機制。模擬實驗是以Java語言寫成的雲 端系統模擬平台，模擬一資料中心內有數台實體機器同時運行的狀況。一台實體機器 上能夠同時處理多個虛擬機器，一個運算任務可能需要耗費多台虛擬機器的資源處理，
且假定運算任務在同一台實體機器上須完成所有的處理。抵達資料中心的運算任務擁 有抵達時間、運行時間、工作負載等三項給定參數（當然，部分參數係採用估計的方 式所給定）。運算任務抵達雲端系統的頻率使用指數分佈（Exponential distribution）
隨機生成，其參數λ設定的範圍為0.2~1.4，每個數值間隔0.2，共七種數值。工作任 務的負載量為實體機器總資源的10%~100%隨機生成，每個數值間隔10%，共十種數 值。工作任務的運行時間為1~200的單位時間隨機生成。模擬實驗每一次輸入2000個 隨機生成的運算任務至雲端系統模擬平台運行處理，直到所有運算任務完成處理，方
第二節 實驗結果
比較Load Balancing與本學位論文所提出之Load Balancing加上預測機制此二種不 同的資源管理方法，其在不同實體機器上限的條件限制下的平均電能消耗。
於實體機器上限為20及30台的條件之下（如圖１１、１２所示），在生成運算任 務抵達間距的λ數值較低時，按指數分佈其定義，是抵達的運算任務較為稀疏的狀況，
我們所提出的預測方法有優於Load Balancing的結果，然而在實體機器上限為50、100 台的條件之下（如圖１３、１４所示），使用預測機制的方法則有比較明顯的降低電 能消耗的成果，
圖１５表示在不同實體機器上限之情形（20台、30台、50台及100台），與平均 耗電量的結果互相對照，在預測結果被使用的次數低於10次時，兩方法相差無幾；而 在預測次數較多的情況則有著較低的耗能結果，於50台、100台的條件中，預測次數 平均被維持在200~250次之間，當預測結果被使用的次數大幅上升，耗能減少的幅度 也相對的明顯。
圖 11：上限為二十台實體機器時的平均耗電量
22
圖 12：上限為三十台實體機器時的平均耗電量
圖 13：上限為五十台實體機器時的平均耗電量
23
圖 14：上限為一百台實體機器時的平均耗電量
當運算任務抵達的頻率到達一定程度時，為了處理運算任務雲端將可能長期處於 滿載狀態，這樣的情形導致即使使用預測機制，被提出的節能假設也無法成立，使得 預測機制被使用的次數一落千丈，可以在圖１５中20台實體機器於運算任務抵達頻率 是0.4時、30台實體機器於運算任務抵達頻率是0.6時、50台實體機器於運算任務抵達 頻率是1時見到曲線往下落的現象。
圖 15：預測機制被使用的次數平均
24