面向云存儲系統(tǒng)的高能效技術研究

目錄
第1章 引言 1
1.1 研究背景 2
1.1.1 云計算技術及其框架 2
1.1.2 云存儲系統(tǒng)及其框架 4
1.2 云存儲系統(tǒng)的能耗現狀 5
1.3 研究內容和主要貢獻 6
1.4 研究思路和本書結構安排 8
1.4.1 研究思路 8
1.4.2 本書的結構安排 8
第2章 云計算能效的國內外研究現狀綜述 11
2.1 云計算系統(tǒng)中降耗技術概覽 11
2.2 存儲系統(tǒng)中能耗技術的國內外研究現狀 11
2.3 云計算相關環(huán)境中的降耗技術研究綜述的分類 15
2.3.1 面向整個云計算系統(tǒng)不同角度的能效技術綜述 15
2.3.2 云計算系統(tǒng)特定層面或特定部分的降耗技術綜述 17
2.3.3 云計算系統(tǒng)中各種降耗技術的綜述 19
2.3.4 云計算系統(tǒng)特定能效技術的綜述 20
2.3.5 其他的能效技術綜述 21
2.3.6 綜述分類的總結及觀察 22
2.4 云存儲環(huán)境中能耗感知的數據管理策略綜述 25
2.4.1 能耗感知的數據分類策略 25
2.4.2 能耗感知的數據放置策略 27
2.4.3 能耗感知的數據備份策略 30
2.4.4 能耗感知的數據管理策略綜述的總結及觀察結果 35
2.5 本章小結 37
第3章 基于數據訪問特性的聚類存儲方法 39
3.1 數據訪問的特性 39
3.1.1 數據的生命周期特性 40
3.1.2 數據訪問的潮汐特性 42
3.1.3 數據的季節(jié)性特性 47
3.1.4 小結 49
3.2 聚類分析方法 49
3.2.1 聚類分析概述 49
3.2.2 相似性度量 50
3.3 基于K-means的能耗感知的數據聚類存儲方法(K-ear) 54
3.3.1 分類數據集的描述 54
3.3.2 數據的預處理 81
3.3.3 數據的分類實現及其結果 82
3.3.4 基于K-means的能耗感知的數據分類算法(K-ear) 105
3.4 模擬實驗 131
3.4.1 不同的高速磁盤利用率與系統(tǒng)利用率的比值對比實驗 133
3.4.2 不同的季節(jié)性特性數據比例的對比實驗 138
3.4.3 不同潮汐特性數據比例的對比實驗 144
3.4.4 不同冷熱數據比例的對比實驗結果 151
3.5 本章小結 156
第4章 能效自適應的數據副本管理策略E2ARS 157
4.1 面向降耗的副本管理策略的相關研究 157
4.2 能效自適應的副本管理策略E2ARS的設計與實現 158
4.2.1 E2ARS系統(tǒng)框架 158
4.2.2 E2ARS算法 159
4.3 E2ARS能效性的數學分析 163
4.4 模擬實驗評估 165
4.4.1 不同的請求到達率對三種性能指標的影響 166
4.4.2 不同的預期響應時間對三種性能指標的影響 168
4.4.3 不同的副本個數對三種性能指標的影響 170
4.4.4 不同的數據塊平均并行度對三種性能指標的影響 171
4.4.5 E2ARS的額外開銷定性分析 173
4.5 本章小結 173
第5章 多樣化QoS約束的磁盤調度策略 174
5.1 QoS要求和多樣化的QoS 要求 174
5.2 相關術語及其定義 175
5.3 相關工作 176
5.4 多樣化QoS約束的磁盤調度策略MQDS的設計與實現 178
5.4.1 MQDS的系統(tǒng)框架 178
5.4.2 MQDS性能分析及評估 185
5.5 本章小結 195
第6章 總結與展望 197
6.1 總結 197
6.2 展望 198
6.2.1 現有工作的深入和完善 199
6.2.2 研究計劃 199
6.3 本章小結 206
參考文獻 208
附錄 217
編后記 241
彩圖