面向云存储系统的高能效技术研究

大数据时代，数据中心的位置日趋重要，而数据中心消耗的能量巨大，由此造成的数据中心的运营成本增加和环境污染问题引起了国内外企业界与学术界的广泛关注。《面向云存储系统的高能效技术研究》主要探讨和研究如何降低数据中心的重要组成部分云存储系统的能耗。在深入分析和调研目前云存储系统中的降耗技术的基础上，针对现有降耗技术存在的问题，将存储系统层面、数据节点层面以及磁盘层面形成一个有机的整体，利用多种数据管理策略以层次递进的方式进行联合降耗。同时，针对云存储系统中不同层面的降耗技术还存在的问题，设计和提出了相应的解决方案，并利用数学分析和模拟实验的方式进行了降耗有效性的验证，对降低云存储系统中的能耗具有重要的指导意义和参考价值。

第1章 引言 1
1.1 研究背景 2
1.1.1 云计算技术及其框架 2
1.1.2 云存储系统及其框架 4
1.2 云存储系统的能耗现状 5
1.3 研究内容和主要贡献 6
1.4 研究思路和本书结构安排 8
1.4.1 研究思路 8
1.4.2 本书的结构安排 8
第2章 云计算能效的国内外研究现状综述 11
2.1 云计算系统中降耗技术概览 11
2.2 存储系统中能耗技术的国内外研究现状 11
2.3 云计算相关环境中的降耗技术研究综述的分类 15
2.3.1 面向整个云计算系统不同角度的能效技术综述 15
2.3.2 云计算系统特定层面或特定部分的降耗技术综述 17
2.3.3 云计算系统中各种降耗技术的综述 19
2.3.4 云计算系统特定能效技术的综述 20
2.3.5 其他的能效技术综述 21
2.3.6 综述分类的总结及观察 22
2.4 云存储环境中能耗感知的数据管理策略综述 25
2.4.1 能耗感知的数据分类策略 25
2.4.2 能耗感知的数据放置策略 27
2.4.3 能耗感知的数据备份策略 30
2.4.4 能耗感知的数据管理策略综述的总结及观察结果 35
2.5 本章小结 37
第3章 基于数据访问特性的聚类存储方法 39
3.1 数据访问的特性 39
3.1.1 数据的生命周期特性 40
3.1.2 数据访问的潮汐特性 42
3.1.3 数据的季节性特性 47
3.1.4 小结 49
3.2 聚类分析方法 49
3.2.1 聚类分析概述 49
3.2.2 相似性度量 50
3.3 基于K-means的能耗感知的数据聚类存储方法(K-ear) 54
3.3.1 分类数据集的描述 54
3.3.2 数据的预处理 81
3.3.3 数据的分类实现及其结果 82
3.3.4 基于K-means的能耗感知的数据分类算法(K-ear) 105
3.4 模拟实验 131
3.4.1 不同的高速磁盘利用率与系统利用率的比值对比实验 133
3.4.2 不同的季节性特性数据比例的对比实验 138
3.4.3 不同潮汐特性数据比例的对比实验 144
3.4.4 不同冷热数据比例的对比实验结果 151
3.5 本章小结 156
第4章 能效自适应的数据副本管理策略E2ARS 157
4.1 面向降耗的副本管理策略的相关研究 157
4.2 能效自适应的副本管理策略E2ARS的设计与实现 158
4.2.1 E2ARS系统框架 158
4.2.2 E2ARS算法 159
4.3 E2ARS能效性的数学分析 163
4.4 模拟实验评估 165
4.4.1 不同的请求到达率对三种性能指标的影响 166
4.4.2 不同的预期响应时间对三种性能指标的影响 168
4.4.3 不同的副本个数对三种性能指标的影响 170
4.4.4 不同的数据块平均并行度对三种性能指标的影响 171
4.4.5 E2ARS的额外开销定性分析 173
4.5 本章小结 173
第5章 多样化QoS约束的磁盘调度策略 174
5.1 QoS要求和多样化的QoS 要求 174
5.2 相关术语及其定义 175
5.3 相关工作 176
5.4 多样化QoS约束的磁盘调度策略MQDS的设计与实现 178
5.4.1 MQDS的系统框架 178
5.4.2 MQDS性能分析及评估 185
5.5 本章小结 195
第6章 总结与展望 197
6.1 总结 197
6.2 展望 198
6.2.1 现有工作的深入和完善 199
6.2.2 研究计划 199
6.3 本章小结 206
参考文献 208
附录 217
编后记 241
彩图