王静莲,龚 斌,刘 弘,李少辉

1(鲁东大学 信息与电气工程学院,山东 烟台 264025)

2(山东大学 软件学院,山东 济南 250101)

3(山东省高性能计算中心,山东 济南 250101)

4(山东师范大学 信息科学与工程学院,山东 济南 250014)

近年来,虚拟云聚合广域分布的各类硬件资源(同构或异构集群、存储设备及高级仪器等),形成对用户相对透明、虚拟的高性能环境,深受世界青睐.然而,自 2010 年开始,信息通信技术(information communication technology,简称ICT)领域因其全球25%能耗之巨,及当年跟全世界航空运输业相当的CO2排放量,成为第五大耗能产业[1];另有数据显示,ICT 产业存在很大能源浪费:中国数据中心PUE(power usage effectiveness)普遍大于2.2(同期资料显示:美国数据中心的PUE 也基本保持在1.9).随着全球能源短缺、极端天气频现以及低碳经济或人类可持续发展的迫切需要,虚拟云高性能向高效能计算的演进,已引起国内外各界广泛关注[2].

目前,相关研究大致集中在硬件和软件两个层面.

通常,云物理层可采用嵌入低功耗组件改变系统架构方法,实现操作过程中能耗监管和优化调节.这种方法一定程度有效,但设计和更换费用过于昂贵[3,4].

事实上,云效能的高低很大程度上由调度中间件决定,即基于服务质量(quality of service,简称QoS)指标,在一组具有任意特性的云处理器中进行资源分配和任务排序.元启发式(meta-heuristics)优化算法(如遗传算法、人工免疫算法等)是调度引擎核心,其基于QoS 指标定义的个体适应度或免疫亲和度函数,是仿生群体迭代进化、更新模拟的内驱力[5,6].

这里,将硬件云不……