基于随机Petri网的云数据中心能耗感知调度研究与(11)

图8 不同服务器个数下的平均资源利用率

图8说明了在不同时刻t系统中服务器个数对系统平均资源利用率的影响。当0 t 1时，只有1台服务器是资源利用率最高，最高可以达到98.39%；而当有两台服务器时，平均资源利用率约为48%，服务器有56.75%的概率以等级1和2提供服务。当服务器个数为3时，平均资源利用率约为69.04%，服务器有18.48%的概率以等级1和2提供服务。当服务器个数为4时，平均资源利用率约为78%，服务器仅有7.38%的概率以等级1和2提供服务。

结束语

本文基于DSSPN提出了一个全面的随机模型来分析云数据中心的性能和能源效率。“云”中的服务器使用DVFS来调节CPU在不同负载下的服务速率，从而降低系统能耗。本文提出的EAC模型建模了工作负载、虚拟机故障和恢复、服务器个数、虚拟机动态迁移以及DVFS调节策略之间的逻辑关系，然后提出了能耗感知虚拟机迁移（EAVMM）算法，并通过设臵EAC模型中变迁的可实施谓词与随机开关来建模EAVMM算法。最后，通过SPNP平台的仿真得到研究案例的性能参数解析解，进一步分析了系统的某些性能，如平均等待队列长度（即数据积压）、系统平均吞吐量和系统平均能耗。实验结果表明，与其他建模分析方法相比，DSSPN更加直观、便捷，即使系统状态达到上千个，仍然可以仿真出解析结果，而不需要用户进行大量复杂的分析与计算。

目前，对虚拟云数据中心的研究才刚刚起步，未来的研究工作将从以下几个方面进一步展开：

（1）本文在研究云数据中心数据中心时，仅简单提出了它的概念物理架构，并没有详细描述它的性质与运行机制，也没有考察网络体系结构对虚拟数据中心的影响。因此，下一步将考察云数据中心基于网络的详细体系架构，以及运行机制。

（2）本文在对研究云数据中心数据中心进行算法研究与性能评价时，仅从能耗和负载均衡的角度考虑调度算法，而没有考虑其他因素对它的优化调度的影响，因此，下一步将考虑任务多样性前提下，进行其他优化目标对云数据中心算法进行研究。

（3）由理论推导的算法性能分析结果与算法在实际系统中运行结果是有偏差的。例如，在本文中研究的虚拟机迁移策略，远远没有实际系统中的虚拟机迁移复杂，下一步工作中，将尽可能从现实数据中心的迁移策略出发，研究虚拟迁移对系统性能的影响。