To evaluate the energy savings of A

To evaluate the energy savings of Algorithm 1, we consider the following small OpenNebula pool of just 4 servers. Each server within the pool is a 2.6Ghz Intel Core i7 920 with 12GB of RAM. We assume each server can hold 8 VMs as it has 8 virtual cores. At idle, they consume 105 Watts of power and under 100% load they consume 170 Watts (see Figure 5). If we execute the default OpenNebula scheduler to schedule 8 virtual machines each running CPU-bound tasks, each server would gain 2 VMs and would consume 138 Watts with a total pool power consumption of 552 Watts. However when Algorithm 1 is used, all the VMs are scheduled to the first machine in the

pool. This one machine operates at the full 170 Watts, however all other machines idle at 105 Watts, resulting in a pool power consumption of 485 Watts. Therefore, using our power based scheduling algorithm, we conserve 12% of the system’s power on only 4 machines on a normal load, as seen in Figure 7. While this experiment is only with 4 nodes, the results are clearly scalable to a large cluster and will be magnified as higher node core counts are deployed. If the live migration and shutdown strategy is also deployed, some servers could be dynamically shutdown to further conserve energy

Kết quả (Việt) 1:

Để đánh giá các khoản tiết kiệm năng lượng của thuật toán 1, chúng tôi xem xét các hồ bơi sau nhỏ OpenNebula chỉ cách đó 4 máy chủ. Mỗi máy chủ trong hồ bơi là một 2.6Ghz Intel Core i7 920 với 12GB RAM. Chúng tôi giả sử mỗi máy chủ có thể giữ 8 máy ảo như nó có 8 lõi ảo. Tại nhàn rỗi, họ tiêu thụ 105 Watts của quyền lực và dưới 100% tải họ tiêu thụ 170 Watts (xem hình 5). Nếu chúng ta thực hiện trình lập lịch biểu OpenNebula mặc định để lên lịch 8 máy ảo mỗi nhiệm vụ chạy CPU-bound, mỗi máy chủ sẽ đạt được 2 máy ảo và sẽ tiêu thụ 138 Watts với một tiêu thụ điện năng tất cả ngoài trời là 552 watt. Tuy nhiên khi 1 thuật toán được sử dụng, tất cả các máy ảo được lên kế hoạch cho máy đầu tiên trong các ngoài trời. Này một máy hoạt động ở đầy đủ 170 Watts, Tuy nhiên tất cả các máy nhàn rỗi tại Watts 105, kết quả là một tiêu thụ điện năng ngoài trời là 485 watt. Vì vậy, bằng cách sử dụng sức mạnh của chúng tôi dựa trên thuật toán lập lịch trình, chúng tôi tiết kiệm 12% năng lượng của hệ thống trên máy chỉ có 4 ngày một tải bình thường, như nhìn thấy trong hình 7. Trong khi thử nghiệm này là chỉ với 4 nút, kết quả là rõ ràng khả năng mở rộng để một cụm lớn và sẽ được phóng đại như cao node lõi đếm được triển khai. Nếu chiến lược di chuyển và tắt máy sống cũng được triển khai, một số máy chủ có thể là tự động tắt máy để tiếp tục bảo tồn năng lượng

Kết quả (Việt) 2:

Để đánh giá các khoản tiết kiệm năng lượng của thuật toán 1, chúng ta xem xét các hồ bơi OpenNebula nhỏ sau đây của chỉ 4 máy chủ. Mỗi máy chủ trong các hồ bơi là một 2.6GHz Intel Core i7 920 với 12GB bộ nhớ RAM. Chúng tôi giả định mỗi máy chủ có thể giữ 8 máy ảo như nó có 8 lõi ảo. Lúc nhàn rỗi, họ tiêu thụ 105 Watts của quyền lực và dưới 100% tải trọng họ tiêu thụ 170 Watts (xem hình 5). Nếu chúng ta thực thi OpenNebula lịch mặc định lịch trình 8 máy ảo mỗi nhiệm vụ chạy CPU-bound, mỗi máy chủ sẽ nhận được 2 máy ảo và sẽ tiêu thụ 138 Watts với tổng điện năng tiêu thụ hồ bơi của 552 Watts. Tuy nhiên khi Algorithm 1 được sử dụng, tất cả các máy ảo đang lên kế hoạch để máy đầu tiên trong hồ bơi. Một máy này hoạt động ở đầy đủ 170 Watts, tuy nhiên tất cả các máy khác nhàn rỗi ở 105 Watts, dẫn đến tiêu thụ điện năng bơi của 485 Watts. Vì vậy, sử dụng năng lượng dựa trên thuật toán lập lịch trình của chúng tôi, chúng tôi bảo tồn 12% điện năng của hệ thống trên chỉ có 4 máy trên một tải bình thường, như đã thấy trong hình 7. Trong khi thí nghiệm này chỉ là với 4 nút, các kết quả rõ ràng là khả năng mở rộng tới một cụm lớn và sẽ được phóng đại như đếm lõi nút cao được triển khai. Nếu di cư sinh sống và chiến lược shutdown cũng được triển khai, một số máy chủ có thể tự động tắt máy để tiếp tục bảo tồn năng lượng