CN111597030A - 一种基于任务属性可适应因子能耗优化方法 - Google Patents

一种基于任务属性可适应因子能耗优化方法 Download PDF

Info

Publication number
CN111597030A
CN111597030A CN202010435985.6A CN202010435985A CN111597030A CN 111597030 A CN111597030 A CN 111597030A CN 202010435985 A CN202010435985 A CN 202010435985A CN 111597030 A CN111597030 A CN 111597030A
Authority
CN
China
Prior art keywords
task
idle time
energy consumption
calculating
factor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010435985.6A
Other languages
English (en)
Other versions
CN111597030B (zh
Inventor
张忆文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaqiao University
Original Assignee
Huaqiao University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huaqiao University filed Critical Huaqiao University
Priority to CN202010435985.6A priority Critical patent/CN111597030B/zh
Publication of CN111597030A publication Critical patent/CN111597030A/zh
Application granted granted Critical
Publication of CN111597030B publication Critical patent/CN111597030B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • G06F9/4893—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues taking into account power or heat criteria
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/5021—Priority
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Power Sources (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于任务属性可适应因子能耗优化方法，包括以下步骤:建立基于任务属性的周期任务模型；根据所采用的调度策略，计算调度策略因子；利用任务的属性，计算任务产生的空闲时间；利用任务的可适应因子分配空闲时间，计算能耗最优的处理器速度。本发明的方法通过任务属性计算空闲时间，能够有效地降低计算空闲时间的开销，通过可适应因子分配空闲时间，确定处理器速度能够有效地降低***能耗。

Description

一种基于任务属性可适应因子能耗优化方法
技术领域
本发明涉及嵌入式***低能耗实时调度，特别涉及一种基于任务属性可适 应因子能耗优化方法。
背景技术
随着计算机技术的不断发展，嵌入式***在生产与生活中的应用越来越广 泛，几乎渗透到生产与生活的每一个角落。常见的嵌入式***如智能手机、平 板电脑、移动POS机等都是采用电池供电，由于受体积和重量的限制，电池的 供电能力有限。此外，电池技术的发展速度也落后于能耗的增加速度。因此， 能耗对于嵌入式***至关重要。
现有的能耗优化方法，计算空闲时间的开销过大，且采用贪婪或者平均的 策略分配空闲时间，导致空闲时间的利用率低，节能的效果差。本发明通过任 务的属性，计算任务产生的空闲时间，可以有效地降低空闲时间的计算开销； 利用可适应因子来分配空闲时间，可以提高空闲时间的利用率，取得更好的节 能效果。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于任务属性 可适应因子能耗优化方法，该方法通过任务属性计算空闲时间，利用可适应因 子分配空闲时间，有效地降低***能耗。
本发明采用如下技术方案：
提出一种基于任务属性可适应因子能耗优化方法包括如下步骤：
建立基于任务属性的周期任务模型；
根据所采用的调度策略，计算调度策略因子；
利用任务的属性，计算任务产生的空闲时间；
利用任务的可适应因子分配空闲时间，计算能耗最优的处理器速度。
具体的，所述建立基于任务属性的周期任务模型，包括：
考虑包含n个任务的周期任务模型，任务用Ti(1≤i≤n,i为整数)表示，任务Ti的属性由(ci,pi,di,ai,fi)表示，其中ci，pi分别是任务Ti的最大处理器速度下最坏情况下 执行时间和周期；di是任务Ti的相对截止期限且pi≤di；ai和fi分别是任务Ti的到 达时间和可适应因子。
具体的，所述根据所采用的调度策略，计算调度策略因子；包括：
对于任务的调度，所采用的调度策略可以分为两类：其一，动态优先级调 度策略；其二，固定优先级调度策略。动态优先级策略是指任务在执行过程中 其优先级会发生变化，最早截止期限优先策略是最优的动态优先级策略。所谓 的最早截止期限策略是指任务的优先级由其截止期限确定，截止期限越早其优 先级越高，截止期限越晚其优先级越低。固定优先级策略是指任务在执行过程 中其优先级一直保持不变，单调速率策略是最优的固定优先级策略。所谓的单 调速策略是指任务的优先级由其周期决定，周期越短，其优先级越高；周期越 长其优先级越低，任务的优先级一旦确定就一直保持不变。调度策略因子F由下 式计算：
F＝Utot×upper
其中，Utot是周期任务模型的利用率；其值由下式计算：
Figure BDA0002502269430000021
其中，ci，pi分别是任务Ti的最大处理器速度下最坏情况下执行时间和周期；upper是调度策略可行的利用率上界；当采用动态优先级调度策略时，upper＝1；当采用 固定优先级调度策略时，
Figure BDA0002502269430000031
其中n为周期任务模型中任务的个数。
具体的，利用任务的属性，计算任务产生的空闲时间；包括：
任务Ti产生的空闲时间Ii由下式计算：
Ii＝(ci-Ai)/F
其中，ci和Ai分别是任务Ti的最大处理器速度下最坏情况下执行时间和真实执行时间；需要注意的是，真实执行时间只能在任务完成执行时确定；F是调度策略 因子，其值由下式计算：
F＝Utot×upper
其中，Utot是周期任务模型的利用率；其值由下式计算：
Figure BDA0002502269430000032
其中，ci，pi分别是任务Ti的最大处理器速度下最坏情况下执行时间和周期；upper是调度策略可行的利用率上界；当采用动态优先级调度策略时，upper＝1；当采用 固定优先级调度策略时，
Figure BDA0002502269430000033
其中n为周期任务模型中任务的个数。
具体的，所述利用任务的可适应因子分配空闲时间，计算能耗最优的处理 器速度；包括：
分配空闲时间之前得先计算任务的可利用空闲时间I，其值由下式计算：
Figure BDA0002502269430000034
其中，T是已经完成执行且其空闲时间没有被使用的任务的集合，Ii是任务Ti产 生的空闲时间，其值由下式计算：
Ii＝(ci-Ai)/F
其中，ci和Ai分别是任务Ti的最大处理器速度下最坏情况下执行时间和真实执行时间；需要注意的是，真实执行时间只能在任务完成执行时确定；F是调度策略 因子，其值由下式计算：
F＝Utot×upper
其中，Utot是周期任务模型的利用率；其值由下式计算：
Figure BDA0002502269430000041
其中，ci，pi分别是任务Ti的最大处理器速度下最坏情况下执行时间和周期；upper是调度策略可行的利用率上界；当采用动态优先级调度策略时，upper＝1；当采用 固定优先级调度策略时，
Figure BDA0002502269430000042
其中n为周期任务模型中任务的个数； 能耗最优的处理器速度Si可以由公式(1-4)确定：
min{P·ci/Si} (1)
Figure BDA0002502269430000043
Smin≤Si≤Smax (3)
0＜fi≤1 (4)
其中公式(1)中的P是处理器的功耗，其值由下式计算：
Figure BDA0002502269430000044
其中Pind是处理器与速度无关的功耗，
Figure BDA0002502269430000045
是处理器的动态功耗，θ是处理器静态功耗和动态功耗的比值，Si是处理器速度；ci是任务Ti的最大处理器速度下最 坏情况下执行时间，min代表求最小值；公式(2)中的I是任务的可利用空闲时 间，fi是任务Ti的可适应因子，其取值范围由公式(4)给出；公式(3)中的Smin和Smax分别代表处理器能够提供的最小速度和最大速度。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
(1)本发明方法与贪婪策略分配空闲时间和平均分配空闲时间方法相比分 别节约33.7％和12.86％的能耗；
(2)***能耗的降低，可以降低产品的生产成本，延长设备的使用时间， 减少电池的更换周期；
附图说明
图1为本发明方法的流程图示意图；
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
参见图1，本发明提供的一种基于任务属性可适应因子能耗优化方法，包括 如下步骤：
步骤101：建立基于任务属性的周期任务模型。
考虑包含n个任务的周期任务模型，任务用Ti(1≤i≤n,i为整数)表示，任务Ti的属性由(ci,pi,di,ai,fi)表示，其中ci，pi分别是任务Ti的最大处理器速度下最坏情况下 执行时间和周期；di是任务Ti的相对截止期限且pi≤di；ai和fi分别是任务Ti的到 达时间和可适应因子。
步骤102：根据所采用的调度策略，计算调度策略因子。
对于任务的调度，所采用的调度策略可以分为两类：其一，动态优先级调 度策略；其二，固定优先级调度策略。动态优先级策略是指任务在执行过程中 其优先级会发生变化，最早截止期限优先策略是最优的动态优先级策略。所谓 的最早截止期限策略是指任务的优先级由其截止期限确定，截止期限越早其优 先级越高，截止期限越晚其优先级越低；当任务的截止期限相同时，到达时间 早的任务，其优先级越高；到达时间晚的任务其优先级越低；当任务的截止期 限与到达时间都相同时，下标小的任务其优先级越高，下标大的任务其优先级 越低。固定优先级策略是指任务在执行过程中其优先级一直保持不变，单调速 率策略是最优的固定优先级策略。所谓的单调速策略是指任务的优先级由其周 期决定，周期越短，其优先级越高；周期越长其优先级越低；当任务的周期相 同时，到达时间早的任务，其优先级越高；到达时间晚的任务其优先级越低； 当任务的周期与到达时间都相同时，下标小的任务其优先级越高，下标大的任 务其优先级越低；任务的优先级一旦确定就一直保持不变。调度策略因子F由下 式计算：
F＝Utot×upper
其中，Utot是周期任务模型的利用率；其值由下式计算：
Figure BDA0002502269430000061
其中，ci，pi分别是任务Ti的最大处理器速度下最坏情况下执行时间和周期；upper是调度策略可行的利用率上界；当采用动态优先级调度策略时，upper＝1；当采用 固定优先级调度策略时，
Figure BDA0002502269430000062
其中n为周期任务模型中任务的个数。
步骤103：利用任务的属性，计算任务产生的空闲时间。
任务Ti产生的空闲时间Ii由下式计算：
Ii＝(ci-Ai)/F
其中，ci和Ai分别是任务Ti的最大处理器速度下最坏情况下执行时间和真实执行时间；需要注意的是，真实执行时间只能在任务完成执行时确定；F是调度策略 因子，其值由下式计算：
F＝Utot×upper
其中，Utot是周期任务模型的利用率；其值由下式计算：
Figure BDA0002502269430000063
其中，ci，pi分别是任务Ti的最大处理器速度下最坏情况下执行时间和周期；upper是调度策略可行的利用率上界；当采用动态优先级调度策略时，upper＝1；当采用 固定优先级调度策略时，
Figure BDA0002502269430000064
其中n为周期任务模型中任务的个数。
步骤104：利用任务的可适应因子分配空闲时间，计算能耗最优的处理器速 度。
分配空闲时间之前得先计算任务的可利用空闲时间I，其值由下式计算：
Figure BDA0002502269430000071
其中，T是已经完成执行且其空闲时间没有被使用的任务的集合，Ii是任务Ti产 生的空闲时间，其值由下式计算：
Ii＝(ci-Ai)/F
其中，ci和Ai分别是任务Ti的最大处理器速度下最坏情况下执行时间和真实执行时间；需要注意的是，真实执行时间只能在任务完成执行时确定；F是调度策略 因子，其值由下式计算：
F＝Utot×upper
其中，Utot是周期任务模型的利用率；其值由下式计算：
Figure BDA0002502269430000072
其中，ci，pi分别是任务Ti的最大处理器速度下最坏情况下执行时间和周期；upper是调度策略可行的利用率上界；当采用动态优先级调度策略时，upper＝1；当采用 固定优先级调度策略时，
Figure BDA0002502269430000073
其中n为周期任务模型中任务的个数； 能耗最优的处理器速度Si可以由公式(1-4)确定：
min{P·ci/Si} (1)
Figure BDA0002502269430000074
Smin≤Si≤Smax (3)
0＜fi≤1 (4)
其中公式(1)中的P是处理器的功耗，其值由下式计算：
Figure BDA0002502269430000075
其中Pind是处理器与速度无关的功耗，
Figure BDA0002502269430000076
是处理器的动态功耗，θ是处理器静态功耗和动态功耗的比值，Si是处理器速度；ci是任务Ti的最大处理器速度下最 坏情况下执行时间，min代表求最小值；公式(2)中的I是任务的可利用空闲时 间，其值由下式计算：
Ii＝(ci-Ai)/F
其中，ci和Ai分别是任务Ti的最大处理器速度下最坏情况下执行时间和真实执行时间；需要注意的是，真实执行时间只能在任务完成执行时确定；F是调度策略 因子，其值由下式计算：
F＝Utot×upper
其中，Utot是周期任务模型的利用率；其值由下式计算：
Figure BDA0002502269430000081
其中，ci，pi分别是任务Ti的最大处理器速度下最坏情况下执行时间和周期；upper是调度策略可行的利用率上界；当采用动态优先级调度策略时，upper＝1；当采用 固定优先级调度策略时，
Figure BDA0002502269430000082
其中n为周期任务模型中任务的个数；fi是任务Ti的可适应因子，其取值范围由公式(4)给出；公式(3)中的Smin和Smax分别代表处理器能够提供的最小速度和最大速度。
本实施例中，周期任务集包含3个周期任务T1，T2和T3，其最坏情况下的执 行时间分别为2,1,2，即c1＝2,c2＝1,c3＝2；其周期分别为20,5,10，即p1＝20,p2＝5,p3＝10， 其到达时间都为0，即a1＝a2＝a3＝0；其真实执行时间分别为0.5，1，0.5。通过 计算可知周期任务模型的利用率Utot＝0.5。采用动态优先级策略调度该周期任务集， 通过计算可知调度策略因子F＝0.5。假设在时刻t，周期任务T1和T3完成执行，周 期任务T2准备执行。此时产生的可利用空闲时间I＝6。本实施例中的功耗模型 P＝0.1+0.2*S+S3，处理器提供的最小速度Smin＝0.1，最大速度Smax＝1。本实施例比较 三种方法，第一种方法，贪婪策略分配空闲时间，即周期任务T2以速度1/(1+6)＝0.14 执行；第二种方法，平均分配空闲时间，即任务T2以速度1/(1+3.5)＝0.22执行；第三 种方法，为本发明方法，通过计算可知周期任务T2的可适应因子f2＝0.29，其以速 度1/(1+6*0.29)＝0.36执行。这三种方法周期任务T2消耗的能耗分别为 0.92,0.70,0.61。因此，在此实施例中本发明方法与贪婪策略分配空闲时间和 平均分配空闲时间方法相比分别节约33.7％和12.86％的能耗。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡 利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行 为。

Claims (5)

1.一种基于任务属性可适应因子能耗优化方法，其特征在于：
建立基于任务属性的周期任务模型；
根据所采用的调度策略，计算调度策略因子；
利用任务的属性，计算任务产生的空闲时间；
利用任务的可适应因子分配空闲时间，计算能耗最优的处理器速度。
2.如权利要求1所述的一种基于任务属性可适应因子能耗优化方法，其特征在于：所述建立基于任务属性的周期任务模型；包括：
包含n个任务的周期任务模型，任务用Ti表示，1≤i≤n，任务Ti的属性由(ci,pi,di,ai,fi)表示，其中ci，pi分别是任务Ti的最大处理器速度下最坏情况下执行时间和周期；di是任务Ti的相对截止期限且pi≤di；ai和fi分别是任务Ti的到达时间和可适应因子。
3.如权利要求1所述的一种基于任务属性可适应因子能耗优化方法，其特征在于：所述根据所采用的调度策略，计算调度策略因子；包括：
对于任务的调度，所采用的调度策略分为两类：动态优先级调度策略和固定优先级调度策略因子F由下式计算：
F＝Utot×upper
其中，Utot是周期任务模型的利用率；upper是调度策略可行的利用率上界；当采用动态优先级调度策略时，upper＝1；当采用固定优先级调度策略时，
Figure FDA0002502269420000011
其中n为周期任务模型中任务的个数。
4.如权利要求1所述的一种基于任务属性可适应因子能耗优化方法，其特征在于：所述利用任务的属性，计算任务产生的空闲时间；包括：
任务Ti产生的空闲时间Ii由下式计算：
Ii＝(ci-Ai)/F
其中，ci和Ai分别是任务Ti的最大处理器速度下最坏情况下执行时间和真实执行时间；F是调度策略因子。
5.如权利要求1所述的一种基于任务属性可适应因子能耗优化方法，其特征在于：所述利用任务的可适应因子分配空闲时间，计算能耗最优的处理器速度；包括：
分配空闲时间之前先计算任务的可利用空闲时间I，具体计算为：
Figure FDA0002502269420000021
其中，T是已经完成执行且其空闲时间没有被使用的任务的集合，Ii是任务Ti产生的空闲时间；能耗最优的处理器速度Si由公式(1-4)确定：
min{P·ci/Si} (1)
Figure FDA0002502269420000022
Smin≤Si≤Smax (3)
0＜fi≤1 (4)
其中公式(1)中的P是处理器的功耗，ci是任务Ti的最大处理器速度下最坏情况下执行时间，min代表求最小值；公式(2)中的I是任务的可利用空闲时间，fi是任务Ti的可适应因子，其取值范围由公式(4)给出；公式(3)中的Smin和Smax分别代表处理器能够提供的最小速度和最大速度。
CN202010435985.6A 2020-05-21 2020-05-21 一种基于任务属性可适应因子能耗优化方法 Active CN111597030B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010435985.6A CN111597030B (zh) 2020-05-21 2020-05-21 一种基于任务属性可适应因子能耗优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010435985.6A CN111597030B (zh) 2020-05-21 2020-05-21 一种基于任务属性可适应因子能耗优化方法

Publications (2)

Publication Number Publication Date
CN111597030A true CN111597030A (zh) 2020-08-28
CN111597030B CN111597030B (zh) 2023-03-24

Family

ID=72189074

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010435985.6A Active CN111597030B (zh) 2020-05-21 2020-05-21 一种基于任务属性可适应因子能耗优化方法

Country Status (1)

Country Link
CN (1) CN111597030B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140351819A1 (en) * 2013-05-22 2014-11-27 Massachusetts Institute Of Technology Multiprocessor scheduling policy
CN105893148A (zh) * 2016-03-30 2016-08-24 华侨大学 一种基于rm策略的偶发任务低能耗调度方法
CN109324880A (zh) * 2017-07-31 2019-02-12 沈阳高精数控智能技术股份有限公司 一种适用于实时***周期任务模型的低功耗调度方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140351819A1 (en) * 2013-05-22 2014-11-27 Massachusetts Institute Of Technology Multiprocessor scheduling policy
CN105893148A (zh) * 2016-03-30 2016-08-24 华侨大学 一种基于rm策略的偶发任务低能耗调度方法
CN109324880A (zh) * 2017-07-31 2019-02-12 沈阳高精数控智能技术股份有限公司 一种适用于实时***周期任务模型的低功耗调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张忆文等: "资源受限周期任务双速度调度算法", 《小型微型计算机***》 *

Also Published As

Publication number Publication date
CN111597030B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN105893148B (zh) 一种基于rm策略的偶发任务低能耗调度方法
CN104991830A (zh) 基于服务等级协议的yarn资源分配和节能调度方法及***
CN104199736A (zh) 云环境下的数据中心节能方法
CN109324880A (zh) 一种适用于实时***周期任务模型的低功耗调度方法
CN113672383A (zh) 一种云计算资源调度方法、***、终端以及存储介质
CN105389206A (zh) 一种云计算数据中心虚拟机资源快速配置方法
CN110633152A (zh) 用于实现业务集群水平伸缩的方法和装置
CN103970256B (zh) 一种基于内存压缩和cpu动态调频的节能方法及***
CN114710563A (zh) 一种集群节能方法及装置
CN106371916A (zh) 一种存储***io线程优化方法及其装置
CN114327811A (zh) 一种任务调度方法、装置、设备及可读存储介质
CN103023802B (zh) 一种面向web集群的低能耗调度***和方法
CN112905330B (zh) 一种固定优先级混合关键偶发任务能耗感知方法
CN108429784B (zh) 一种能效优先的云资源分配与调度方法
CN111597030B (zh) 一种基于任务属性可适应因子能耗优化方法
Dabbagh et al. Online assignment and placement of cloud task requests with heterogeneous requirements
CN116914799A (zh) 一种5g通信基站储能与电网互动方法
CN104298536A (zh) 基于动态调频调压技术的数据中心节能调度方法
WO2023005411A1 (zh) 一种制氢控制方法及其应用装置
Fan et al. GreenSleep: a multi-sleep modes based scheduling of servers for cloud data center
CN110149341B (zh) 基于休眠模式的云***用户接入控制方法
CN106227600B (zh) 一种基于能量感知的多维虚拟资源分配方法
CN112214295B (zh) 一种多cpu/gpu异构服务器集群的低能耗作业调度方法
CN110011351A (zh) 一种基于约束函数的效率控制方法
CN106933325B (zh) 一种固定优先级io设备能耗管理方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant