توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 فایل ورد کامل تحقیق راهکارهای ارائه شده در مدیریت کارآمد توان و انرژی ۲۶ صفحه در word دارای ۲۶ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

لطفا نگران مطالب داخل فایل نباشید، مطالب داخل صفحات بسیار عالی و قابل درک برای شما می باشد، ما عالی بودن این فایل رو تضمین می کنیم.

فایل ورد فایل ورد کامل تحقیق راهکارهای ارائه شده در مدیریت کارآمد توان و انرژی ۲۶ صفحه در word  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی فایل ورد کامل تحقیق راهکارهای ارائه شده در مدیریت کارآمد توان و انرژی ۲۶ صفحه در word،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن فایل ورد کامل تحقیق راهکارهای ارائه شده در مدیریت کارآمد توان و انرژی ۲۶ صفحه در word :

بخشی از فهرست مطالب فایل ورد کامل تحقیق راهکارهای ارائه شده در مدیریت کارآمد توان و انرژی ۲۶ صفحه در word

۱-۱-مقدمه
۱-۲-ادغام پویای ماشین های مجازی در راستای مصرف کارآمد انرژی
۲-۲-راهکارهای ارائه شده در مدیریتِ کارآمد توان و انرژی
۲-۳-زمان بندی ماشین های مجازی با آگاهی از توان الکتریکی و گرما
۲-۴-روشهای اکتشافیِ آگاه از انرژی در تخصیص منابع
۲-۵-پشتیبانی نیازمندیهای امنیتی برای مدیریت منابع در محیط رایانش ابری
۲-۶-زمانبند شبکه آگاه و انرژی کارای مراکز داده
۲-۷-زمانبند قفسه آگاه در مراکز داده
مراجع و منابع

 منابع

[۱] K. Jonathan G., “Growth in data center electricity use 2005 to 2010,” The New York Times, vol. 49, no. 3,

[۲] I. Gartner, “Gartner Estimates ICT Industry Accounts for 2 Percent of Global CO2 Emissions,” 26 4 2007. [Online]. Available: http://www.gartner.com/newsroom/id/503867. [Accessed 6/2/2014]

[۳] B. Luiz André and H. Urs, “The case for energy-proportional computing,” IEEE computer, vol. 40, no. 12, pp. 33-37,

[۴] F. Xiaobo, W. Wolf-Dietrich and B. Luiz Andre, “Power provisioning for a warehouse-sized computer,” ACM SIGARCH Computer Architecture News, vol. 35, no. 2, pp. 13-23,

[۵] H. Fabien, L. Xavier, M. Jean-Marc, M. Gilles and L. Julia, “Entropy: a consolidation manager for clusters,” in Proceedings of the 2009 ACM SIGPLAN/SIGOPS international conference on Virtual execution environments, New York, NY, USA,

[۶] V. Akshat, A. Puneet and N. Anindya, “pMapper: power and migration cost aware application placement in virtualized systems,” in Middleware 2008, Springer Berlin Heidelberg,

[۷] K. Dara, K. Jeffrey O., H. James E., K. Nagarajan and J. Guofei, “Power and performance management of virtualized computing environments via lookahead control,” Cluster computing, vol. 12, no. 1, pp. 1-15,

[۸] R. Ramya, R. Parthasarathy, T. Vanish, W. Zhikui and Z. Xiaoyun, “No power struggles: Coordinated multi-level power management for the data center,” ACM SIGARCH Computer Architecture News, vol. 36, no. 1, pp. 48-59,

[۹] N. Ripal and S. Karsten, “VirtualPower: Coordinated power management in virtualized,” ACM SIGOPS Operating Systems Review, vol. 41, no. 6, pp. 265-278,

[۱۰] C. Clark, K. Fraser, S. Hand, J. G. Hansen, E. Jul, C. Limpach, I. Pratt, and A. War eld. “Live Migration of Virtual Machines”, in Proceedings of the 2nd ACM/USENIX Symposium on Networked Systems Design and Implementation (NSDI), Boston, MA, May

[۱۱] B. Anton, B. Rajkumar, L. Young Choon and Z. Albert, “A taxonomy and survey of energy-efficient data centers and cloud computing systems.,” Advances in Computers, vol. 82, no. 2, pp. 47-111,

[۱۲] S. Devadas and S. Malik, “A survey of optimization techniques targeting low power VLSI circuits,” in Proceedings of the 32nd ACM/IEEE conference on Design automation conference – DAC  ’۹۵, pp. 242–۲۴۷, ۱۹۹۵

[۱۳] V. Venkatachalam and M. Franz, “Power Reduction Techniques For Microprocessor Systems,” vol. 37, no. 3, pp. 195–۲۳۷, ۲۰۰۵

[۱۴] S. Ching-Long, T. Chi-Ying and D. Alvin M., “Saving power in the control path of embedded processors,” IEEE Design & Test, vol. 11, no. 4, pp. 24-30,

[۱۵] V.Tiwari, P. Ashar and S.Malik, “Technology mapping for low power,” in Design Automation, 30th Conference on,  pp 74-79,

[۱۶] P. Ong and R. Yan, “Power-conscious software design-a framework for modeling software on hardware,” in Proceedings of 1994 IEEE Symposium on Low Power Electronics,  no. 908, pp. 36–۳۷, ۱۹۹۴

[۱۷] T. Vivek, M. Sharad and W. Andrew, “Compilation techniques for low energy: An overview,” in Low Power Electronics,Digest of Technical Papers., IEEE Symposium,

  ۱-۱- مقدمه

رایانش ابری[۱]با توانایی در ارائه خدمات رایانشی بر حسب تقاضا، تحول عظیمی در فنآوری اطلاعات و ارتباطات[۲] (ICT) به وجود آورده است. سازمان­ها می توانند از یک دید با سپردن منابع رایانشی مورد نیاز خود به ابر، از سرمایه گذاری بسیار در فراهم آوری زیرساخت های رایانشی به صورت خصوصی و به دنبال آن هزینه های نگهداری و به روز رسانی آن ها جلوگیری کنند؛ و از دید دیگر می توانند با ساخت یک ابر خصوصی[۳] (یا به عبارت دیگر، مرکز داده[۴]خصوصی)، در مدیریت منابع و تأمین فرآیند های سازمان خود پیشرفت نمایند

ازدیاد روز افزون استفاده از سرویس های رایانش ابری به دلیل مزایای آن، باعث ایجاد مراکز داده ای با مقیاس بزرگ در نقاط مختلف جهان شده است که هر کدام متشکل از هزاران سرور می باشند. با این وجود، مراکز داده مقادیر زیادی از انرژی الکتریکی را مصرف کرده که نتیجه آن، هزینه بالای عملیاتی و انتشار دی اکسیدکربن در محیط زیست می باشد. همانطور که در شکل ۱-۱ نمایش داده شده است میزان مصرف برق مراکز داده سراسر جهان از سال ۲۰۰۵ تا ۲۰۱۰ میلادی، به میزان ۵۶% افزایش داشته است و در سال ۲۰۱۰ مقداری برابر با ۱۱ تا ۱۵ درصد از کل برق مصرفی جهان را به خود اختصاص داده است [۱]. پیش از این نیز، میزان انتشار دی اکسید کربن توسط صنعت ICT ، هم اکنون حدود ۲ درصد تخمین زده شده است که مقداری برابر با صنعت هوانوردی می باشد و سهم قابل توجهی در اثر گلخانه ای دارد[۲]

امروزه رشد مصرف انرژی الکتریکی در مراکز داده نیاز به راه حل های پیشرفته ای در راستای مدیریت منابع به منظور مصرف کارآمد انرژی الکتریکی دارد

برای حل مشکل مصرف بالای انرژی، باید در راه برق رسانی به منابع رایانشی و چگونگی بهره وری از منابع رایانشی برای سرویس دهی به کارهای تقاضا شده، از ناکارآمدی و اتلاف بیهوده انرژی الکتریکی جلوگیری  شود. این امر می تواند با بهبود زیرساخت های فیزیکی مراکز داده و یا استفاده از راهکارهای مدیریت و  تخصیص منابع انجام گردد

یک منشأ اساسی در اتلاف انرژی الکتریکی، استفاده ناکارآمد از منابع رایانشی می باشد. داده های جمع آوری شده در ۶ ماه از بیش از ۵۰۰۰ سرور، نشان می دهد که سرورها اگر چه در بسیاری از مواقع بیکار نیستند ولی به ندرت بهره وری از پردازنده آن ها به ۱۰۰% می رسد [۳]. بیشتر اوقات فقط از ۱۰ تا ۵۰ درصد از کل توان سرورها استفاده می شود و این عاملی بر پیدایش هزینه های اضافی به دلیل تأمین بیش از نیاز منابع می باشد[۳]. بیش از این نیز مدیریت و نگهداری این منابع اضافی باعث افزایش هزینه برای مالک منابع می گردد. علاوه بر موارد گفته شده، بازه کوچک مصرفِ توان الکتریکی پویا در سرور ها، مسأله بهره وری پایین در سرورها را تشدید می کند: یک سرور در وضعیت کاملا بیکار، حدود ۷۰ درصد از حداکثرِ توان الکتریکی خود را مصرف می کند[۴] . بنابراین از دیدگاه مصرف انرژی الکتریکی، بهره وری پایین سرورها بسیار ناکارآمد می باشد

تمرکز این مقاله بر روی مسأله مدیریت منابع در راستای مصرف کارآمد انرژی الکتریکی می باشد که از یک سو با کاهش هزینه برق مصرفی، سود بیشتری را برای فراهم کنندگان ابر به ارمغان می­آورد و از سوی دیگر مخاطرات ناشی شده از تولید برق برای محیط زیست را کاهش می­دهد. این عمل با استفاده بهینه از منابع رایانشی به منظور سرویس دهی به مشتریان و در راستای کاهش انرژی الکتریکی به گونه ای انجام شده است که سرویس های ارائه شده کیفیتی مطلوب و منظقی داشته باشند

۱-۱- ادغام پویای ماشین های مجازی در راستای مصرف کارآمد انرژی

 یک راه ایده آل برای حل مصرف ناکارآمد انرژی الکتریکی، پیاده سازی یک سیستم رایاناشی با مصرف متناسبِ انرژی می­باشد؛ به این معنی که مصرف انرژی الکتریکی متناسب با بار کاری اعمال شده بر سیستم باشد. چنین راهکاری به طور ناقص با استفاده از شیوه پر کاربرد مقیاس پذیریِ پویای ولتاژ و فرکانس (DVFS) [1]پیاده سازی شده است.DVFS ، اجازه تنظیم پویای میزان ولتاژ و فرکانس پردازنده را بر اساس میزان تقاضای منابع در هر زمان، می­دهد. به عنوان نتیجه این امر، پردازنده های موجود در رایانه های رو میزی و سرورها، در حالت های کم قدرت می توانند مصرفی کمتر از ۳۰ درصد از حداکثر مصرف خود را داشته باشند؛ که این دلیلی بر دامنه ۷۰ درصدیِ توان الکتریکی پویا در پردازنده می­باشد[۳]

میزان انرژی مصرفی پردازنده میزبانان بسیار حائز اهمیت­ تر از سایر مولفه­ های میزبانان است. به عنوان مثال بازه­های زمانی مورد استفاده شدن از سایر اجزای میزبانان بدین قرار است: کمتر از ۵۰% برای حافظه با دسترسی تصادفی پویا (DRAM) [2]،۲۵% برای دیسک درایوها [۳]۱۵% سوئیچ های شبکه [۴]و مقادیر ناچیزی برای دیگر اجزاء است[۴]. دلیل این مسئله این است که فقط  پردازنده ها از حالت های کم مصرف پشتیبانی می­کنند و بقیه اجزا یا به طور کامل و یا قسمتی از آن ها باید خاموش شود؛ ضمناً سربار زیادی بر روی عملکرد اجزاء سخت افزاری، در تغییر حالت از فعال به غیر فعال و بر عکس، وجود دارد. برای مثال یک دیسک درایو در حالت خواب عمیق[۵]، تقریبا هیچ برقی مصرف نمی­کند؛ اما تغییر حالت آن به حالت فعال، تأخیری معادل با ۱۰۰۰ برابر یک دسترسی معمولی ایجاد می­کند. اتلاف انرژی در اجزای سرور (غیر از پردازنده)  در زمان هایی که سرور کاری برای انجام دادن ندارد باعث می شود که بازه توان مصرفی پویای کل سرور کوچکتر شود که این مقدار حدوداً ۳۰% می­باشد. به عبارت دیگر حتی در زمانی که یک سرور کاملا بیکار است حدوداً ۷۰% از اوج برق مصرفی خود را استفاده می­کند

یکی از روشهای بهبود میزان بهره وری از منابع و کاهش مصرف انرژی، که کارآمد بودن آن در این مسیر اثبات شده است؛ ادغام پویای ماشین های مجازی می باشد [۵, ۶, ۷, ۸, ۹]. مجازی سازی به فراهم آورندگان ابر، این اجازه را می­دهد که با اجرای چندین ماشین مجازی بر روی یک سرور، استفاده از منابع را بهینه کرده و میزان سود خود را افزایش دهند. کاهش مصرف انرژی الکتریکی با قرار دادن سرور های بیکار در حالت های کم مصرف انرژی، مثل خواب و به دنبال آن حذف توان مصرفی ایستا[۶] امکان پذیر است. همانطور در که در شکل ۱-۲ نشان داده شده است با بهره­گیری از مجازی سازی امکان اجرای چندین ماشین مجازی بر روی یک میزبان فراهم شده است و بدین شکل زمان­هایی که میزبانی دارای بارکاری چندان قابل توجهی نیست این امکان وجود دارد که بارکاری آن­را به سایر میزبانان انتقال داده و میزبان مذکور را نیز به صورت پویا به حالت خواب انتقال داد

مهاجرت زنده ماشینهای مجازی، قابلیت دیگری می باشد که مجازی سازی آن را ممکن می­­کند. با استفاده از مهاجرت زنده [۱۰] ، ماشین های مجازی می­توانند در هر زمانی از اجرای خود از یک سرور فیزیکی به دیگری انتقال یابند؛ و این عمل می تواند در راستای استفاده بهینه از منابع و کاهش سرورهای فعال استفاده گردد

[۱] Dynamic Voltage and Frequency Scaling

[۲] Dynamic Random Access Memory

[۳] Disk Drivers

[۴] Network Switches

[۵] Deep Sleep

[۶] Static Power Consumption

[۱] Cloud Computing

[۲] Information and Communication Technology

[۳] Private Cloud

[۴] Data Center