前言：我們精心挑選了數篇優質云計算技術的分類文章，供您閱讀參考。期待這些文章能為您帶來啟發，助您在寫作的道路上更上一層樓。

第1篇

關鍵詞： 點云數據；樹冠；分形維數；計盒維數

中圖分類號：TP301.6 文獻標識碼：A 文章編號：1006-4311（2014）01-0190-02

0 引言

Mandelbrot（1975）[1]正式提出與建立的分形理論，主要研究分形體的維數及自相似性規律[2]，分形維數是分形幾何的核心，通過計算分形維數，可以對不規則的自相似幾何形體（如植被根系、樹木分枝結構、樹冠、葉片分布特性及種群分布格局等）的復雜程度進行定量分析[3-6]。樹冠作為樹木自身遺傳特性和環境影響的綜合體，決定著林木外部形態以及對光能的截獲、水分和養分的分布，既是樹木生長發育的結構基礎，又直接影響種群的三維空間分布格局。此外，不同的樹種本身的樹枝、葉片分布情況也不盡相同。前人研究表明林冠結構的復雜性和動態是影響森林生態系統結構和功能的主要因素之一，分形維數反應復雜形體占有空間的有效性，它是復雜形體不規則性的度量。所以文中以激光雷達點云數據為基礎，計算單個樹冠的三維空間的分維數。本文從分維角度細致解析樹冠的分維結構為進一步研究不同樹冠分形維數測算提供依據、經營與

管理。

1 數據及研究方法

1.1 數據來源 利用地面三維激光雷達掃描儀Reigl VZ-1000進行單站點掃描，數據格式存儲為LAS格式，對獲取的點云數據進行裁剪，只保留樹冠部分的信息。

1.2 數據預處理 激光雷達點云數據屬于維數等于3維的數據集，數據文件為las格式的文件，數據是海量級別的，單棵一般的樹冠包含幾十萬個點，數據量太大，再進行相關的研究時，計算會耗費大量的時間，而這樣做事沒有必要的。故先對數據進行抽稀處理，抽稀方法為：先進行一定的隨機抽稀處理，再采用格網抽稀法進一步抽稀，從而簡化樹冠點云數據。先將LAS格式的二進制文件點云數據轉化為所需的文本文件TXT格式，再利用MATLAB軟件進行算法實現。數據預處理步驟如下：

①利用ENVI軟件的擴展功能BCAL LiDAR讀取原始LAS格式的二進制文件點云數據，并將其存儲為shp格式輸出；

②在ArcGIS10.0中讀取（1）中輸出的shp文件，打開相應的屬性表，將其轉儲為txt文件格式并輸出；

③在MATLAB中讀取2）中txt格式的點云數據，同時利用自編的MATLAB程序對讀取的點云數據進行抽稀處理，處理后的結果保存到一個F中，文中后續的計算都是以F為研究對象。

圖2所示的三棵樹冠點云，分別呈現了經過上述預處理后點云的分布情況。注意，三棵樹冠均屬于不同類型的樹種，它們不僅冠形率不同，樹冠內部結構分布也不同。

1.3 樹冠分形維數的計算 點云樹冠的分形維數D就是計算樹冠點數據集的分形維數。根據吳新玲和周國強（2011）[7]提到的數據集分形維數的計算方法，采用計盒維數法計算點云樹冠的分形維。計盒維數是目前應用最普遍的分形維數之一，計算分形維數的數盒子方法，又稱為覆蓋法，它適用于簡單分形，也適用于復雜分形。實踐中計算D最常用的方法就是采用計盒方式。數盒子法的實質是改變粗視話程度。對圖形進行測量，通常先從數大盒子開始，一次減小盒子的尺度，只計算那些“非空”盒子數。越不光順、越不規則的圖形具有更大的分維。圖形越規則，越光順，其對應的分維就越小。對于空間數據集來說也是如此。即將點云數據F所在的三維空間劃分為δ邊長為的三維格網單元，計算格網中每個單元包含的數據點數，假設樹冠點云數據集為F，Sδ（F）是δ下F的測量值，即

此時Sδ（F）表示覆蓋F的邊長為δ的立方體盒子的個數。由于假設數據集是自相似集，那么s可以通過δ在一個有限的范圍（δ1，δ2）內lnSδ（F）與lnδ形成的雙對數圖對應直線部分的斜率來估算。其常量斜率即為F的盒維數Dδ（F）。算法步驟如下：

①計算樹冠點云的最小包圍盒，劃分三維格網，格網尺寸為0.05m；

②對F中每個數據點d，作尺寸r從1到30的盒子，分別計算非空盒子的個數Sδ（F）；

③對δ=0.05*r分別計算ln（δ）；

④生成ln（Sδ（F））與ln（δ）的雙對數圖；

⑤D是圖中直線部分的斜率；利用最優六分割法提取曲線中的最長直線部分。

計算結果呈現在圖3。圖2中的（a）、（b）、（c）分別對應三個樹冠點云數據集的雙對數圖。

三棵樹冠的分形維數情況如下：

D1=2.2605；D2=2.3025；D3=2.0393。

2 結果與分析

分形維數越小，表示樹冠內部分布越光順和規則。格網劃分尺度越細精度越高，r的尺度變換較緩時比變化較快時盒維數D的精度高。三棵樹冠分形維數的對比可知：分形維數越高，樹冠的分枝結構越復雜，其占據和利用生態環境空間的能力越強。具有比較典型的分形特征，分形維數是否獨立于尺度。個體樹冠具有自相似性，可用分形維數來刻畫其結構特征，以統計空間填充能力為基礎的樹冠分數維度值為：盒維數與冠型的關系，分形維數較高，揭示出其分枝結構十分復雜。三棵樹冠的分形維數關系為：D2>D1>D3，結果符合實際，從真實的樹冠和點云數據顯示可看出樹冠（b）確實是最不光順的和最不規則的。

3 結語

分形維數是分形幾何在許多領域應用的測評工具，采用數盒子法計算分形維數是常用方法，理論簡單易于實現，因此利用它的計算點云樹冠的分形維數是方便的。 本文以點云數據形式的樹冠為對象，計算其盒維數，實驗數據表明：利用雙對數圖估算樹冠點云數據集的分形維數是有效的。

參考文獻：

[1]Kenneth F.分形幾何數學基礎及其應用[M].北京：人民郵電出版社，2007.

[2]劉瓊，李世銀，王秀娟.自相似網絡流量建模及分析[J].微電子學與計算機，2009，25（11）：131-134.

[3]婁莉，劉天時.基于小波與分形相結合的圖像壓縮優化算法[J].微電子學與計算機，2010，27（6）：145-148.

[4]Traina C， Traina A， Wu L， et al. Fast feature selection using fractal dimension [J]. Journal of Information and data Management. 2010，1（1）：1-15.

[5]Belussi A， Faloutsos C. Estimating the selectivity of spatial queries using the Correlation Fractal dimension[J]. Proceeding s of the 21st international conference on very large data bases，1995（2）： 299-310.

第2篇

隨著高職教學改革的深入，云計算技術被廣泛應用于日常學習生活中。學生對于云計算技術已經有了一定的認識，本調查的主要目的是希望能通過調查問卷，進一步了解藝術類學生應用云計算新技術學習的情況以及教師應用云計算技術進行網絡教學產生的教學效果。本調查結束后，將調查報告的分析結果提交給廣西演藝職業學院廣大教師和學生參考，希望能對于今后在教學工作中深入使用云計算網絡教學，提高課堂效率提供幫助。

二、調查對象與方法

1.調查對象

參加本次調查的對象是廣西演藝職業學院藝術工程系2014級環境藝術設計、服裝設計、廣告設計與制作和建筑工程管理四個專業的學生，總共140人。所有被調查的對象已經在上學期同時學習了“計算機應用基礎”課程。其中環境藝術設計和服裝設計專業70名學生采用的是基于云計算網絡教學方式進行“計算機應用基礎”課程學習，而廣告設計與制作和建筑工程管理兩個專業70名的學生是采用原有教學模式進行“計算機應用基礎”課程學習。

2.調查方法

向以上四個專業140名學生發放了140份問卷，進行問卷調查。問卷全部收回，有效率100%。調查結束后，使用EXCEL函數及其圖形工具，對調查的數據進行了統計分析。

三、研究工具

采用筆者自行設計的“云計算網絡教學調查問卷”的方法進行調查。調查問卷包含16個問題（其中開放性問題一個），主要圍繞學生對云計算學習的認識、對云計算網絡學習的接受程度以及云計算網絡教學實施效果等方面進行設計，同時根據統計學要求，對調查問卷進行信度和效度的檢驗。

四、云計算網絡教學調查結果與分析

1.學生對云計算學習的認識

藝術類學生思想活躍，個性較強，比較樂于接受新生事物，是新技術使用的生力軍，通過調查“你認為什么是云計算學習”“云計算學習的優點”等問題，發現學生對云計算技術知識的了解主要來自互聯網，能夠完全正確或比較正確地回答的占68%、回答“不清楚”的占32%。這一數據說明學生對云計算學習關注度比較高，而且隨著新技術的不斷推廣應用，學生對云計算的了解會越來越深入。

2.學生對云計算網絡教學的接受程度

學生對問卷中的“同學們希望老師在教學過程中，運用云計算網絡教學方式進行教學嗎？”問題做出選擇時，非常希望的占65%、比較希望的占30%、不希望的占5%。在“課堂上，同學們利用手機上云計算應用程序進行學習是否利大于弊？”問題上，選擇“是”的占70%，選擇“否”的占9%，選擇“不清楚”的占21%。說明學生們接受云計算網絡教學的意愿還是比較高的。

3.云計算網絡教學實施效果

（1）問卷調查分析。在云計算網絡教學實施效果的調查中，我們對在教?W過程中采用云計算網絡教學的班級和采用傳統教學的班級進行對比分析。我們把采用云計算網絡教學方式的環境藝術設計和服裝設計專業班級，簡稱實驗班。采用傳統教學模式的廣告設計與制作和建筑工程管理專業班級，簡稱對照班。我們分別對實驗班和對照班進行問卷調查，調查內容為實驗班在云計算的網絡教學方式下，學生學習成績是否有所提高。實驗班和對照班對“計算機應用基礎”課程學習的興趣如何？課后是否會進行拓展學習？對教學內容的掌握情況如何？協作交流能力和團隊合作能力如何？自主學習能力是否提高？通過這些問題來對實驗班和對照班的整體學習情況進行對比。

問卷調查表明，實驗班96%的學生對云計算網絡學習持肯定態度，4%持否定態度，說明絕大多數學生對云計算網絡學習持肯定態度，如表1所示：

實驗班和對照班對課程學習興趣的對比，問卷調查中顯示，實驗班學生對前兩項感興趣的占94%，對照班只有65%，數據說明實驗班對課程的學習興趣比對照班有明顯提升，如表2所示：

實驗班對照班課下拓展學習對比，問卷調?酥惺笛榘嗑?常進行拓展學習的學生比例為52%，對照班只有6%，可見基于云計算網絡教學方式對學生進行拓展學習很有幫助，如表3所示：

實驗班對照班對教學內容掌握程度對比，問卷調?訟允臼笛榘嘌?生對教學內容的掌握情況要明顯優于對照班，如表4所示：

實驗班對照班溝通交流協作能力對比，調查問卷顯示實驗班的溝通交流協作能力要明顯優于對照班，如表5所示：

實驗班對照班自主學習能力對比，調查問卷顯示實驗班與對照班相比自主學習能力也有一定程度的提高，如表6所示：

（2）考試結果分析。2014級藝術工程系四個專業的實驗班和對照班的人數都為70人，實驗班的教學過程是基于云計算網絡開展教學，對照班采用的則是原有教學模式，即老師圍繞課本內容進行知識講解，然后在實驗實訓室練習操作，學習資源相對比較單一。

通過“計算機應用基礎”課程期末考試成績數據統計表，如表7所示，實驗班的成績比對照班的成績有明顯的提高。

五、云計算網絡教學調查的總結

學生對教學中采用云計算技術持肯定態度，并渴求在教學中使用云計算技術進行學習。教師通過運用云計算技術實施網絡教學取得顯著效果。

1.基于云計算的網絡教學提高學生的學習興趣和自主學習能力。通過豐富的教學資源可以讓學生找到自己感興趣的資源來進行學習，與傳統的教學方式比起來更容易讓學生接受并產生學習興趣。

2.基于云計算的網絡教學提高了學生的溝通交流與協作能力。通過云計算的網絡教學中的協作學習，每個學生都能參與到溝通交流當中，相互協作、相互幫助，增進團隊協作能力和溝通交流能力。

3.基于云計算的網絡教學提高了學生的自主學習能力和學習成績。基于云計算的網絡教學提供了豐富的學習資源，提出了云在線學習任務和要求，學生們積極主動完成學習任務，提高了自主學習能力和學習的積極性，學習成績也有了明顯的提高。

第3篇

關鍵詞：云存儲；MapReduce；數據分類；節能算法；存儲模型

中圖分類號： TP393.09； TP274

文獻標志碼：A

Abstract： Constant expansion and that energy consumption factors are ignored with its design process， bring the problem of high energy consumption and low efficiency of the cloud storage system. And this problem has become a main bottleneck in the development of cloud computing and big data. Most of previous studies had been mostly used to adjust the entire storage node to the lowpower mode to save energy. According to the repetition of data and access rules， new storage model based on data classification was proposed. The storage area was divided into HotZone， ColdZone and ReduplicationZone so as to divisionally store the data according to the repetition and activity factor characteristics of each data file. Based on the new storage model， an energyefficient storage algorithm was designed and a new storage model was constructed. The experimental results show that， the new storage model improves the energy utilization rate of the distributed storage system nearly 25%， especially when the system load is lower than the given threshold.

Key words： cloud storage； MapReduce； data classification； energyefficient algorithm； storage model

0引言

據文獻[1]統計，2007年全球數據量達到281EB，而2007年到2011年這5年時間內，全球數據量增長了10倍。數據量的高速增長伴隨而來的是存儲系統規模的不斷擴大，這使得運營成本不斷提高，其成本不僅包括硬件、機房、冷卻設備等固定成本，還包括IT設備與冷卻設備的電能消耗等其他開銷；并且，系統的高能耗將導致過量溫室氣體的排放并引發環境問題。在能源價格上漲、數據中心存儲規模不斷擴大的今天，高能耗已逐漸成為制約大數據快速發展的一個主要瓶頸[2]。據文獻[3]統計，目前IT領域的二氧化碳排放量占全球的2%，而到2020年這一比例將翻番。2008年路由器、交換機、服務器、冷卻設備、數據中心等互聯網設備總共消耗8680億度電，占全球總耗電量的5.3%。紐約時報與麥肯錫在經過一年的聯合調查，最終在《紐約時報》上發表了“Power，pollution and the Internet”[4]，調查顯示Google數據中心年耗電量約3000000W，而Facebook則達到了600000W，而巨大的能耗中卻只有6%～12%的能耗被用于響應是相應，還是響應，請明確。用戶的請求。云存儲系統是云計算的重要組成部分，是各種云計算服務的基礎，云存儲在云計算中心的整個能耗組成中占有相當大的比例。據文獻[5-6]，云存儲系統占整個云計算中心能耗的27%～40%，所以無論從降低大數據服務提供商的運營成本，還是從降低能耗以保護環境的角度出發，研究云存儲系統中的節能技術都具有很大的現實意義與應用前景。

1相關研究

分布存儲系統一方面通過超額的資源供給與冗余設計以保障多維服務質量（Quality of Service， QoS）與系統可靠性；另一方面系統負載均衡算法專注于將用戶請求平均分發給系統中所有的服務器以提高系統的可用性。這些設計原則都沒有考慮到存儲系統的能耗因素，導致云存儲系統的能量利用日益暴露出高能耗、低效率的問題。

研究分布式存儲系統節能方面，根據軟硬件角度進行劃分，可分為硬件節能與軟件節能兩個方面[7]。硬件節能主要通過低能耗高效率的硬件設備或體系結構，對現有的高能耗存儲設備進行替換，從而達到節能的目的。硬件節能方法效果立竿見影，且不需要復雜的能耗管理組件；但是對于已經部署的大規模應用系統，大批量的硬件替換面臨成本過高的問題。軟件節能通過對存儲資源的有效調度，在不影響系統性能的前提條件下將部分存儲節點調整到低能耗模式，以達到節能的目的。由于不需要對現有硬件體系進行改變，軟件節能是目前云存儲節能技術的研究熱點。軟件節能研究主要集中在基于節點管理與數據管理兩方面。節點管理主要研究如何選擇存儲系統中的部分節點或磁盤為上層應用提供數據服務，并讓其他節點進入低能耗模式以達到降低能耗的目的。節點管理中被關閉節點的選擇與數據管理技術緊密相關，而目前已有的數據管理技術主要有基于靜態數據放置、動態數據放置與緩存預取三種。其中：基于靜態數據放置的數據管理根據固定的數據放置策略將數據存儲到系統中各節點上后，將不再改變其存儲結構；基于動態數據放置的數據管理根據數據訪問頻度動態調整數據存放的位置，將訪問頻度高與頻度低的數據遷移到不同磁盤上，對存儲低頻度數據的磁盤進行節能處理以降低系統能耗；基于緩存預取的數據管理[8]借鑒內存中的數據緩存思想，將磁盤中的數據取到內存或其他低能耗輔助存儲設備并使原磁盤進入低能耗模式以此達到節能的目的。

為了提高分布存儲系統的能耗利用率，根據數據的重復性及訪問規律，本文將數據進行分類存儲，在新的存儲結構下設計了適應節能的數據存儲及讀取算法。已有文獻[9-15]大多采用的是節點級的節能策略，即將整個存儲節點調整到低能耗模式以達到節能的目的。本文則主要采用將磁盤調整到休眠模式以達到節能的模式。而現有的磁盤級的節能研究[16-20]又主要采用基于硬件節能改進的方法，并沒有與存儲系統或系統負載特點進行有機的結合。與節點級的節能策略相比，磁盤級的節能策略在節能效率上不如前者。這是因為節點級的節能策略是對整個節點實施節能，而磁盤級的節能策略則是對節點的部分存儲設備實施節能處理。

2適應節能的數據存儲結構及算法

2.1基于數據分類的存儲結構

文獻[10]中將Rack劃分為ActiveZone與SleepZone兩個存儲區域，根據不同數據的訪問頻率與規律計算活動因子以配置數據的存儲區域，通過數據中心負載規律適時對SleepZone區域中的服務器進行休眠處理以達到節能的目的，此方法屬于節點級的節能方法。節點級的節能方法通過對整個存儲節點進行節能處理達到節能的目的，為了不影響系統數據的可用性并適應數據塊的訪問規律，需要周期性地對系統存儲結構進行重配置，在存儲結構重配置的過程中需要在節點間進行大量的數據傳輸操作。當系統規模較為龐大時，網絡傳輸成本較高。將存儲結構重配置時的數據傳輸操作控制在同一個節點內，可以有效地節省網絡傳輸成本。另外，當本文對存儲系統中數據文件建立MD5值索引時，發現系統中存在著大量的重復數據。實際上，據文獻[21]研究發現，應用系統所保存的數據中高達60%是冗余的，而且隨著時間的推移越來越多。基于以上考慮，本文提出基于數據分類的存儲結構區域劃分方法（定義1），首先將數據按照數據文件重復性與數據塊活動因子[10]將數據分為3種：重復數據文件、熱數據塊與冷數據塊。將這3種類型的文件分別存儲到重復文件區、熱數據塊區與冷數據塊區，如圖1所示為一個擁有8塊磁盤的DataNode節點的存儲結構劃分方式，其中：熱數據塊區有4塊磁盤，冷數據塊區域重復文件區分別占2塊磁盤。

定義1基于數據分類的存儲結構。將基于數據分類的存儲區域劃分定義為三元組：

StorageZone=〈HotZone，ColdZone，ReduplicationZone〉

其中HotZone、ColdZone與ReduplicationZone分別表示系統中各存儲節點中處于熱數據塊區、冷數據塊區與重復文件區中所有磁盤的集合。節能模式下（系統負載較低時），系統可將ColdZone與ReduplicationZone中的磁盤進行休眠處理。ReduplicationZone中用于存儲冗余的數據文件的數據塊（ReduplicationZone中，如采用原文件存儲方式代替數據塊副本存儲機制可大幅度節約存儲資源）。對于判斷數據塊是應該存儲在ColdZone還是在HotZone區域的問題，采用文獻[10]中提出的數據塊活動因子與存儲結構重配置相互結合的方法，本文不對此問題進行進一步的討論。下文將對適應節能的數據存儲策略及適應節能的數據塊讀取策略進行介紹。

2.2適應節能數據存儲策略

由于基于機架感知的數據塊存儲策略沒有考慮到節能狀態下的節點（或磁盤）的當前狀態、節能的存儲結構，出現與現有算法的不適應問題。在2.1節存儲結構區域劃分的基礎上，本節提出了適應節能的數據存儲算法，其中矩陣F表示文件分塊矩陣（文獻[10]定義3）。

4.2適應節能的磁盤級存儲結構分析

4.2.1ReduplicationZone存儲區域

由于ReduplicationZone中用于直接存儲冗余的數據文件，所以系統文件冗余率越高，ReduplicationZone區域磁盤數量越多。ColdZone與HotZone區域磁盤數量取決于平均活動因子[10]，而平均活動因子由數據塊的訪問頻率決定。系統中的數據塊訪問越頻繁，數據塊平均活動因子越大，HotZone區域磁盤數量越大，ColdZone區域磁盤數量越小；反之則相反。所以，為了測試存儲區域結構的劃分，實驗分為兩步：1）向實驗環境中隨機存儲有一定冗余率的數據文件，進行ReduplicationZone與HotZone存儲區域的劃分；2）模擬不同的數據塊訪問頻率，計算不同數據文件的活動因子，進行HotZone與ColdZone存儲區域的劃分。實驗利用CloudSim模擬出大量的DataNode節點，每個DataNode節點擁有多個磁盤。實驗中實現了ReduplicationZone區域基于副本的與原文件的兩種存儲方法，采用原文件存儲方式代替數據塊副本存儲機制可大幅度節約存儲資源。

4.2.2ColdZone存儲區域

文獻[10]中定義9對數據塊活動因子af進行了定義，活動因子af用于度量節能環境下數據文件的數據塊處于活動存儲節點（HotZone區域）中的備份數，當數據活躍程度越高（同一時間段內被訪問次數多）時，af值越高越能適應該數據塊的訪問性能；相反數據活動程度低時可通過調低活動因子來達到節能的目的。af可根據數據塊的訪問頻率或規律計算。系統平均活動因子af可用于度量系統中數據的整體活躍程度，af值越高說明系統中數據越活躍。

4.3節能效果分析

通過第3章能耗模型的分析可知，系統節能效率由處于節能狀態的磁盤數量與時間決定。其中磁盤數量為ColdZone與ReduplicationZone區域磁盤數之和，而時間由系統節能模式切換算法決定。通過上文分析可知，系統數據冗余率越高，系統平均活動因子af越小，可節能的磁盤數越大；系統一天中負載低于閾值μ的時間越長，節能模式時間越長，則系統節能效率越高。極端情況下，當系統整天負載都大于閾值μ時，系統不能進入節能模式，節能效率為0；當系統整天負載都小于閾值μ時，系統節能效率達到最大。

5結語

為了提高分布存儲系統的能耗利用率，根據數據的重復性及訪問規律，本文設計了基于數據分類的存儲模型，能夠有效地減小已有節能算法在存儲結構重配置過程中的數據傳輸成本。圍繞新的存儲模型，設計了適應節能的數據存儲算法并建立了能耗模型。實驗結果表明：新的存儲模型能夠提高系統磁盤級的能耗利用率，適應節能的數據存儲算法能夠很好地解決傳統算法對節能模式的適應問題。已有研究主要采用基于硬件節能改進的方法，并沒有與存儲系統或系統負載特點進行有機的結合。雖然，與節點級的節能策略相比，磁盤級的節能策略在節能效率上不如前者，但在實際的大數據應用環境下，節點級的節能策略需要考慮的不僅僅是數據存儲層的QoS保障問題，并且需要考慮任務執行層的QoS保障問題。因為節點級的節能策略使得數據存儲層（磁盤）與計算層（CPU與內存）同時不能立即響應任務的請求，這樣使得節點級的節能策略需要考慮的問題更多、更復雜。與此相反，磁盤級的節能策略在節能模式下系統中所有節點的CPU與內存都處于工作狀態，能夠對任務進行立即響應，并不需要關心任務執行層的QoS保障問題，這樣使得云存儲系統只需要考慮職責范圍內的數據存儲層的QoS保障問題即可，具有良好的功能任務分層控制，有利于工程實現。

參考文獻：

[1]GANTZ J， CHUTE C， MANFREDIZ A， et al. The diverse and exploding digital universe： an updated forecast of worldwide information growth through 2011 [EB/OL]. [20130525]. .

[5]U.S. Environmental Protection Agency. EPA report on server and data center energy efficiency [EB/OL]. [20140118]. http：//energystar.gov/index.cfm？c=prod_development.server_efficiency_study.

[6]BATTLES B， BELLEVILLE C， GRABAU S， et al. Reducing data center power consumption through efficient storage [EB/OL]. [20140105]. http：//bnrg.eecs.berkeley.edu/～randy/Courses/CS294.F07/NetApp2.pdf.

[7]WANG X， WANG Y. Coordinating power control and performance management for virtualized server cluster [J]. IEEE Transactions on Parallel and Distributed Systems， 2011， 22（2）： 245-259.

[8]SONG Y， WANG H， LI Y， et al. Multitiered ondemand resource scheduling for VMbased data center [C]// CCGRID 2009： Proceedings of the 9th IEEE/ACM International Symposium on Cluster Computing and the Grid. Washington， DC： IEEE Computer Society： 148-155.

[9]LIAO B， YU J， ZHANG T， et al. Energyefficient algorithms for distributed file system HDFS [J]. Chinese Journal of Computers， 2013， 36（5）： 1047-1064.（廖彬，于炯，張陶，等.基于分布式文件系統HDFS的節能算法[J].計算機學報，2013，36（5）：1047-1064.）

[10]LIAO B， YU J， SUN H， et al. Energyefficient algorithms for distributed storage system based on data storage structure reconfiguration [J]. Journal of Computer Research and Development， 2013， 50（1）： 3-18.（廖彬，于炯，孫華，等.基于存儲結構重配置的分布式存儲系統節能算法[J].計算機研究與發展，2013，50（1）：3-18.）

[11]PINHEIRO E， BIANCHINI R， DUBNICKI C. Exploiting redundancy to conserve energy in storage systems [C]// Proceedings of the Joint International Conference on Measurement and Modeling of Computer Systems. New York： ACM Press， 2006： 15-26.

[12]COLARELLI D， GRUNWALD D. Massive arrays of idle disks for storage archives [C]// Proceedings of the 2002 ACM/IEEE Conference on Supercomputing. Washington， DC： IEEE Computer Society， 2002：1-11.

[13]HARNIK D， NAOR D， SEGALL I. Low power mode in cloud storage systems [C]// IPDPS 2009： Proceedings of the 2009 IEEE International Symposium on Parallel and Distributed Processing. Piscataway： IEEE Press， 2009： 1-8.

[14]LEVERICH J， KOZYRAKIS C. On the energy （in） efficiency of Hadoop clusters [J]. ACM SIGOPS Operating Systems Review. 2010， 44（1）： 61-65.

[15]NITESH M， NANDURI R， VARMA V. Dynamic energy efficient data placement and cluster reconfiguration algorithm for MapReduce framework [J]. Future Generation Computer Systems， 2011， 28（1）： 119-127.

[16]NARAYANAN D， DONNELLY A， ROWSTRON A. Write offloading： practical power management for enterprise storage [J]. ACM Transactions on Storage， 2008， 4（3）： 253-267.

[17]HAMILTON J. Cooperative Expendable MicroSlice Servers （CEMS）： low cost， low power servers for Internetscale services [EB/OL]. [20140111]. http：///jrh/talksandpapers/jameshamilton_cems.pdf.

[18]VASUDEVAN V， FRANKLIN J， ANDERSEN D， et al. FAWNdamentally powerefficient clusters [C]// Proceedings of the 12th Conference on Hot Topics in Operating Systems. Berkeley： USENIX Association， 2009： 22.

[19]SZALAYY A S， BELL G， HUANGZ H H， et al. Lowpower Amdahlbalanced blades for data intensive computing [J]. ACM SIGOPS Operating Systems Review， 2009， 44（1）： 71-75.

[20]LIM K， RANGANATHAN P， CHANG J， et al. Understanding and designing new server architectures for emerging warehousecomputing environments [C]// Proceedings of the 35th Annual International Symposium on Computer Architecture. Washington， DC： IEEE Computer Society， 2008： 315-326.