云计算数据中心的能耗成本建模与优化研究

发布时间：2017-04-28 05:02

  本文关键词：云计算数据中心的能耗成本建模与优化研究，，由笔耕文化传播整理发布。

【摘要】：云计算从概念到大规模推广应用,短短数年间获得了迅猛发展。它与诸多行业深度融合,带来了颠覆性的创新,凸显出巨大的应用价值和发展前景。为了满足对计算、存储及网络等资源日益增长的需求,云计算数据中心的规模越来越大,同时也引发了大型数据中心能耗成本居高不下,已经成为制约企业发展的瓶颈。因此,在保证云计算数据中心正常业务开展及安全可靠运行的同时,有效利用能源,最大限度地降低能耗成本,提升市场竞争力,对云服务提供商显得尤为重要。近年来,云计算数据中心能耗成本控制问题已经吸引了工业界和学术界的广泛关注,成为当前的研究热点。 本文研究了大规模云计算数据中心能耗成本的建模、控制和优化问题,这些研究工作可概括如下： 1)研究了在开放电能市场环境下,利用系统储能设备(如UPS)中多余的容量,最小化云计算数据中心电能成本的问题,并将该优化问题转化为一个折扣成本的马尔可夫决策模型。由于系统负载和电价的先验信息事先未知,我们设计了基于Q学习的动态能量存储控制策略用于减小电能成本,并运用Speedy Q学习理论加速算法的收敛。同时,我们将该问题所对应的离线优化问题刻画为一个混合整形线性规划(MILP)问题,其最优解作为所提出算法的性能边界。最后,基于实际的负载和电价数据集验证了所提出算法的有效性。 2)研究了处于开放电能市场环境中,在任务队列延迟约束条件下,根据负载和电价的波动,通过自适应地调整云计算数据中心中处于休眠／激活状态的服务器数,以实现电能成本的最优控制,并将该问题建模为带约束的马尔可夫决策过程。在关于系统随机过程信息可用性的多种假设下,分别研究了在线优化、学习理论以及离线优化等算法。我们采用GMM对负载分布进行估计,并引入基于PDS的学习算法,该算法能够充分利用所估计的负载分布改善系统性能,提高收敛速度。同时,我们也构造了离线优化模型,其最优解作为所提出学习算法的评价基准。最后,通过设计和执行基于实际负载和电价数据集的实验验证了所提出算法的有效性。 3)为了实现绿色数据中心的目标,在云计算数据中心能耗成本节约问题中引入可再生能源(如太阳能、风能等)。针对负载以及可再生能源的变化,自适应地调整休眠／激活服务器数,以减少系统的能耗。本文提出了基于大偏差原理的过载概率估计的自适应服务器资源配置算法,该算法不依赖于负载和可再生能源发电量的先验信息,而是依据当前的观测信息做出决策,并提供以过载概率表示的QoS保证,同时,为了获得较为平滑的服务器资源配置,我们采用迭代策略调整休眠/激活服务器的数量。最后,设计并执行了基于Thunder集群和Intrepid集群的实际负载、以及基于50Hertz的可再生能源发电量数据集的仿真实验,验证了所提出算法的性能。
【关键词】：云计算 数据中心 能耗成本控制 可再生能源 绿色数据中心 大偏差原理 随机优化 强化学习
【学位授予单位】：中国科学技术大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP308
【目录】：

• 摘要5-7
• ABSTRACT7-10
• 目录10-13
• 插图索引13-15
• 算法索引15-16
• 主要符号对照表16-17
• 第一章 绪论17-33
• 1.1 研究背景17-21
• 1.1.1 云计算概述17-18
• 1.1.2 云计算数据中心18-21
• 1.2 研究现状21-30
• 1.2.1 硬件和固件层22-23
• 1.2.2 操作系统层23-24
• 1.2.3 虚拟化层24-25
• 1.2.4 集群层25-30
• 1.3 本文的工作30-31
• 1.4 本文的组织结构31-33
• 第二章 相关优化理论33-43
• 2.1 Markov决策过程及强化学习33-38
• 2.1.1 一般Markov决策模型33-35
• 2.1.2 约束Markov决策模型35-37
• 2.1.3 Q学习37-38
• 2.2 大偏差原理38-41
• 2.3 小结41-43
• 第三章 基于能量存储的云计算数据中心能耗成本优化43-63
• 3.1 引言43-45
• 3.2 系统模型45-51
• 3.2.1 能量管理系统架构45-46
• 3.2.2 基本数学模型46-49
• 3.2.3 基于MDP的成本管理问题49-51
• 3.3 基于Q学习的动态能量存储控制策略51-54
• 3.4 动态能量存储控制离线最优算法54-55
• 3.4.1 离线优化问题54
• 3.4.2 MILP问题转化54-55
• 3.5 实验与性能评估55-61
• 3.5.1 实验设置55-57
• 3.5.2 实验结果及分析57-61
• 3.6 小结61-63
• 第四章 能耗成本感知的云计算数据中心服务资源动态供应63-87
• 4.1 引言63-65
• 4.2 系统模型65-71
• 4.2.1 能耗成本感知的系统架构65-66
• 4.2.2 基本数学模型66-68
• 4.2.3 带约束MDP的服务器资源供应问题68-71
• 4.3 已知系统动态的在线优化算法71-72
• 4.4 基于Q学习的算法72-73
• 4.5 PDS学习算法73-79
• 4.5.1 负载到达分布的估计74-76
• 4.5.2 PDS状态定义76-77
• 4.5.3 基于PDS的动态规划77-78
• 4.5.4 基于PDS的学习算法78-79
• 4.6 离线优化算法79-80
• 4.7 实验与性能评估80-84
• 4.7.1 实验设置80-81
• 4.7.2 实验结果及分析81-84
• 4.8 小结84-87
• 第五章 面向绿色数据中心的能耗成本优化87-103
• 5.1 引言87-89
• 5.2 系统模型89-92
• 5.2.1 绿色数据中心系统结构89-90
• 5.2.2 数学模型描述90-92
• 5.3 过载概率的估计92-95
• 5.3.1 过载概率估计模型92-94
• 5.3.2 过载概率的在线估计94-95
• 5.4 自适应服务器资源配置算法95-97
• 5.5 实验与性能评估97-100
• 5.5.1 实验设置97-99
• 5.5.2 实验结果与分析99-100
• 5.6 小结100-103
• 第六章 总结与展望103-105
• 6.1 本文总结103-104
• 6.2 研究展望104-105
• 参考文献105-113
• 致谢113-115
• 在读期间发表的学术论文与取得的研究成果115-117

【共引文献】

中国期刊全文数据库 前10条

1 宋巧娜;唐德善;;基于灰色马尔可夫模型的农业用水量预测[J];安徽农业科学;2007年06期

2 冯奇;周雪忠;黄厚宽;张小平;;POMDP基于点的值迭代算法中一种信念选择方法[J];北京交通大学学报;2009年05期

3 张冬梅;刘强;;一种基于强化学习的传感器网络应用重构决策方法[J];北京交通大学学报;2010年03期

4 杨萍;毕义明;孙淑玲;;具有自主决策能力的机动单元智能体研究[J];兵工学报;2007年11期

5 赵晓华;李振龙;于泉;张杰;;基于切换模型的两交叉口信号灯Q学习协调控制[J];北京工业大学学报;2007年11期

6 孙若莹;李忱;赵刚;;基于强化学习的牛鞭效应对策模型[J];北京信息科技大学学报(自然科学版);2011年01期

7 王华;崔晓婷;刘向东;张宇河;;基于Q-学习的卫星姿态在线模糊神经网络控制[J];北京理工大学学报;2006年03期

8 毕金波,吴沧浦;有效的自适应λ即时差异学习(英文)[J];Journal of Beijing Institute of Technology(English Edition);1999年03期

9 童亮;陆际联;;Multi-Agent Reinforcement Learning Algorithm Based on Action Prediction[J];Journal of Beijing Institute of Technology(English Edition);2006年02期

10 魏轶华;李向军;;考虑仓库容量扩张的多周期随机存贮模型——折扣准则[J];纯粹数学与应用数学;2006年04期

中国博士学位论文全文数据库 前10条

1 王作为;具有认知能力的智能机器人行为学习方法研究[D];哈尔滨工程大学;2010年

2 高延增;超小型水下机器人关键性能提升技术研究[D];华南理工大学;2010年

3 黄正行;临床过程分析与优化技术研究[D];浙江大学;2010年

4 曹晓刚;原材料价格波动下的生产—库存管理研究[D];武汉大学;2009年

5 林龙信;仿生水下机器人的增强学习控制方法研究[D];国防科学技术大学;2010年

6 冯奇;POMDP近似解法研究及在中医诊疗方案优化中的应用[D];北京交通大学;2011年

7 孙祥;大学生就业区域流向及引导策略研究[D];合肥工业大学;2011年

8 杨洁;开放量子系统的建模及其控制[D];中国科学技术大学;2011年

9 陈学松;强化学习及其在机器人系统中的应用研究[D];广东工业大学;2011年

10 赵浩;感知无线电系统中机会频谱接入技术的研究[D];北京邮电大学;2010年

  本文关键词：云计算数据中心的能耗成本建模与优化研究，由笔耕文化传播整理发布。

本文编号：332131