第二章 相關工作
第四節 能源管理（Energy Management）
虛擬化技術當中，虛擬機器能達到高效能且能達到省電的效果是重要之目標，因此 在工作任務到達時我們有必要依目前的負載狀況以及此一任務之特性來進行虛擬機器 的配置。然而，在進行資源配置時若將電力消耗納入考量，則平衡負載及虛擬機器整合 等二種設計重點，都將各有優點[6]。以下就此二個設計原則進行特點描述與分析：
1. 負載平衡（Load balancing）
由於VM 可動態地改變他們的資源需求，因此在不同的 PM 上則會產生不平衡的狀 態，有些的 PM 負載較重，而另一些則可能較輕負載（如圖 6 之上圖）。在資料中心的 PM 資源使用服務水平協議連續監測，假設在不同的 PM 有很大的差異時負載平衡會被 觸發，負載平衡涉及遷移的VM 從低負載的高負荷的 PM。一個超載的 PM 是不理想的，
因為它會導致服務的用戶請求延遲。同樣，負載較輕的 PM，則會導致資源利用效率降 低。
2. 伺服器整合（Consolidation）
整合的目標是為了避免服務的機器不斷蔓延下去，導致許多PM 都是處在低資源使 用VM 的狀況。事實上，若將較輕負載主機上的 VM 可以整合到更少的主機，以滿足資 源使用不浪費，整合後空下來的 PM 就可以關閉以達到節省電源的效果（如圖 6 之下 圖）。
圖6 平衡負載與整合 [6]
在文獻[5]中，作者 Yamini 在綠能的議題上導入雲端運算的能源模型。一般而言，
後端的雲端運算資料中心將會產生龐大的能源消耗，為了解決這個問題，雲端運算資料 中心的資源就要有完整配置的方式，因此推動節能雲端運算分配方法，在運算資源需要 分配時，不僅只是為了滿足使用者的服務品質（Quality of Service , QoS ）要求而已（如：
執行完成期限），也能減少能源的消耗。一個綠能的雲端運算平台的架構（如圖7 所示），
顯示該文獻所考慮之綠能雲端運算平台架構，其中Green Resource Allocator 將扮演節能 之雲端服務分配基礎設施。
圖7 綠能雲端運算架構示意圖 [5]
綠能雲端運算主要有三種方法，使雲端運算環境更環保。在實驗條件下，這些方法 的實際應用仍在研究中。其方法有如以下[5]：
1.動態電壓頻率調整（Dynamic Voltage Frequency Scaling Technique, DVFS）技術：
每一個實體電源電路，將會有一個與它相關聯的動作機械時鐘，將該時鐘的運行頻 率進行調整，使電源電壓調節。因此，這種方法很大程度上必須取決於硬體，根據不同 需要是難以控制的。與其他方法相比，此方法節省的功率較低，減少能耗費比也低。
2.運算資源的分配或虛擬機器遷移技術：
在雲端運算環境中每一個實體機器都承載著數個虛擬機器的應用程序在運行，這些 被轉移到各個主機上的虛擬機器可以根據不同的需要和可利用的資源進行調整。在這樣 的方式，電力消耗就會著重於虛擬機器的遷移過程，因此在虛擬機器轉移之下，相對電 源功率勢必會增加，但至少虛擬機器的轉移方法，可以選擇最有效的節能實體機器之上
圖 8 CPU 各使用率電源消耗功率 [5]
3.演算法的方法：
在文獻[5]已被實驗確定，的一個理想的伺服器消耗約 70％的充分利用運算資源所 使用的電源（如圖8 所示）。
在文獻[5]能源模型設計基礎上，作者是按照現階段 CPU 的使用率以及能源消耗的 線性關係進行任務的資源分配。電力消耗模型描述如下，首先，針對某資源 （或實體 機器）在任何時間時的使用率 被定義如下：
∑
（3）
其中 n 為該時間運行時的任務總數量， 為資源 在執行任務 j 的使用率。
則在某時間點資源 所消耗的電力（
）
定義如下：E P ‐P *U P （4）
其中 代表任一資源r 在未執行任何任務仍需耗費之基本電力值， 則是當該資源 滿載運行時所需耗費之最大電力。因此E 即是按負載比例 來定義電力消耗。
在文獻[5]所提之方法（Maximum utilization allocation , MaxUtil）的分配是依據某一 工作任務所需之使用率，檢查每個實體機器的資源使用剩餘比例來作為分配考量，選擇 剩餘比例最小且能容納該任務之實體機器並分配資源給此一任務執行，主要目標是希望 能將工作執行儘可能集中，以節省機器之使用。
在文獻[7]中，依據能源消耗任務整合（Energy-aware Task Consolidation, ETC）技術，
旨在優化雲端系統中虛擬機器集群的能源消耗，大多數雲端系統的CPU 使用率達 70％
時的情況，可利用整合虛擬機器群集之間的工作任務，假設某虛擬機器（或虛擬機器群 集）CPU 使用率未達 70%時，工作任務則盡量分配至此虛擬機器達 70%，若虛擬機器 已達70%時，則另尋虛擬機器分配，依據文獻[7]模擬結果顯示可以在分配工作任務雲端 系統整合時降低能源消耗，最高達17％的改善效能以提高資源的使用率。
文獻[7]亦以 CPU 使用率和網路的傳輸成本等二種作為工作任務如何進行分配的基 準考量，此外，它亦考慮到群集閒置狀態或即使在非常低負載時，能源消耗仍然是明顯 的，反之群集過載或停留在高使用率時，也可能導致能源消耗效率降低的情形。因此該 論文提出一個演算法來定義一個理想的CPU 使用率門檻，當 CPU 使用率低於預先定義 的門檻值時，就將工作任務平均分配，若 CPU 使用率高於門檻值，工作任務將被遷移 到其他適當群集資源之中（如圖9 所示）。
圖 9 雲端系統由多個群集節點組成示意圖[7]
在文獻[7]能源模型設計基礎上，作者是按照 CPU 的使用率及網路傳輸成本能源消 耗來進行資源分配。電力消耗模型描述如下，針對某資源 （或群集）在任何時間的 CPU 使用率所需計算的電力消耗（ ）定義如下：
（ ）
α watts/s, 閒置狀態
α β watts/s, if 0% CPU 使用率 50%
α 2β watts/s, if 50% CPU 使用率 70%
α 3β watts/s, if 70% CPU 使用率 80%
α 4β watts/s, if 80% CPU 使用率 90%
α 5β watts/s, if 90% CPU 使用率 100%
（5）
其中β為額外考慮的能源消耗，α則為閒置狀態的能源消耗。