فرناز اسراری، لیلی فرزین‌وش، زهره طباطبایی
دیتاسنترها ستون فقرات جهان دیجیتالی مدرن هستند و با همه گیر شدن اینترنت، تعداد و اندازه آنها هم در حال افزایش است. دیتاسنترها به دلیل مصرف بالای برق و وابستگی به منابع انرژی دیزلی آلوده‌کننده‌ترین بخش صنعت فناوری اطلاعات بوده و باعث افزایش نگرانی‌های زیست‌محیطی شده‌اند. بهبود مصرف الکتریسته دیتاسنترها از چالش‌های مهم صنعت‌های فناوری اطلاعات در سال‌های اخیر بوده و مجازی‌سازی یکی از فناوری‌هایی است که از سمت شرکت‌های سازنده آن به عنوان راهی برای بهبود مصرف برق سرورها و دیتاسنترها تبلیغ می‌شود. در این مطالعه سعی شده است که تاثیر مجازی‌سازی بر روی مصرف برق سرورها مورد بررسی قرار گیرد و روش‌های صحیح پیاده‌سازی این فناوری بیان شود.
کلمات کلیدی دیتاسنتر، مجازی سازی، الکتریسته، سرور، ماشین مجازی، محیط زیست.
دیتاسنتر به گروه یا شبکه‌ای از کامپیوترها گفته می‌شود که سازمان‌ها برای ذخیره‌سازی و پردازش تعداد بالایی از داده‌ها به کار می‌برند. [1]با گسترش اینترنت و اپلیکیشن‌های آنلاین مانند شبکههای اجتماعی و تجهیزات هوشمندسازی[1] (IoT)، تعداد و اهمیت دیتاسنترها در حال افزایش است [2]. در حال حاضر نیمی از جمعیت جهان از اینترنت استفاده می‌کنند. این رقم از 1.1 میلیارد در سال 2010 به حدود 4.7 میلیارد در سال 2020 رسیده است که از این مقدار 91.5 درصد، کاربران گوشی‌های هوشمند هستند. پیش‌بینی می‌شود این مقدار با نرخ 9 درصد [3]در هر سال رشد کرده و تا 2025 تعداد کاربران گوشی‌های متصل به اینترنت به پنج میلیارد، دستگاه‌های IoT به 25 میلیارد [4]و ترافیک جهانی داده به 175 زتابایت برسد [5]. چنین گسترشی مستلزم رشد در زیرساخت‌های فناوری اطلاعات از جمله دیتاسنترها بوده که سبب نگرانی‌های زیست محیطی می‌شود. تنها یک دیتاسنتر میتواند به اندازه یک شهر برق مصرف کند [6]. تنها در یک مورد، دیتاسنتر شرکت مایکروسافت که در زمینی به بزرگی 4300 مترمربع در واشگنتن ساخته شده است به میزان 48 مگاوات برق مصرف میکند که این برابر مصرف برق 40 هزار خانه است [7]. مصرف کل الکتریسته دیتاسنترهای آمریکا در سال 2006 به مقدار معادل 1.5% کل مصرف برق این کشور رسید. [8]و پیش‌بینی می‌شود با رشد 20 درصدی ترافیک اینترنت در دهه آینده، میزان مصرف الکتریسته زیرساخت‌ها و دستگاه‌هایی که به مردم خدمات آنلاین ارائه می‌دهند، به 20 درصد کل مصرف الکتریسته جهان برسد [1]. با توجه به این که دیتاسنترها و تجهیزات شبکه بیشتر از کامپیوترهایی که به آنان متصل هستند، برق مصرف می‌کنند، لزوم توجه به بهینه‌سازی مصرف الکتریسته در دیتاسنترها بیشتر می‌شود [9]. در حال حاضر 90 درصد هزینه نگهداری یک دیتاسنتر را هزینه الکتریسته مصرفی تجهیزات آن تشکیل میدهد که نیمی از آن مصرف برق به تجهیزات سردکننده اختصاص دارد [10] [11]. تلاش برای کاهش مصرف الکتریسته دیتاسنترها به یکی از چالش‌های پیش رو صنعت فناوری اطلاعات تبدیل شده است. کاهش مصرف الکتریسته در دیتاسنترها جدا از مزایای اقتصادی، نقش مهمی در کاهش آلودگی زیست محیطی هم دارد [12]، چرا که سرورها و تجهیزات شبکه دیتاسنترها برای کار کردن مداوم، همچنین برای خنک و پایدار نگه داشتن دما و تنظیم رطوبت محیط دیتاسنتر به یک جریان دائمی و پایدار انرژی نیازمند هستند و نمی‌توانند از منابع تجدیدپذیر برق مثل جریان باد و نور آفتاب استفاده کنند و ناگزیرند که از برق دیزلی استفاده کنند که آن سبب افزایش گازهای گلخانه‌ای می‌شود [13]. در این گازهای گلخانه‌ای دیتاسنترها را به آلوده ترین بخش صنعت فناوری اطلاعات تبدیل کرده است. نظرسنجی که در سال 2008 توسط ICD[2] انجام شد نشان داد که هزینه بالای مصرف برق تجهیزات فناوری اطلاعات مهم‌ترین عامل در حرکت به سمت فناوری اطلاعات سبز است [14] [15]. فناوری اطلاعات سبز به معنی طراحی، ساخت و استفاده بهینه از تجهیزات کامپیوتری است که کمترین تاثیر سو بر محیط زیست را دارند [16].
هر چند تلاش‌های زیادی در بهینه‌سازی مصرف برق سرورها انجام شده است اما رشد سریع دیتاسنترها این تلاش‌ها را ناکام گذاشته است [17]. در حال حاضر بیشتر از هشت میلیون دیتاسنتر [18]با بیش از 30 میلیون عدد سرور [19]در سرتاسر جهان وجود دارد که به نسبت دهه گذشته شش برابر شده است [20]. راهکارهای گوناگونی در فناوری اطلاعات سبز برای کاهش مصرف برق دیتاسنترها پیشنهاد شده است، از جمله مدیریت برق شبکه، چندفرایند کردن چیپ‌ها، مدیریت برق حافظه‌ها، بازیافت تجهیزات، بهبود معماری نرم‌افزارها. که در میان تمام راهکارهای پیشنهادی، مجازی سازی توجه پژوهشگران به خود را جلب کرده است [21] [22]. میتوان با فرایند مجازی سازی که در سال 1960 برای بهینه سازی مصرف برق پردازنده مرکزی[3]شرکت IBM ابداع شد [23] [24]نرم‌افزار را از سخت‌افزار جدا نموده [25]و چند ماشین مجازی را روی یک کامپیوتر فیزیکی به راه انداخت. با این راهکار تعداد سرورها و در نتیجه میزان برق مصرفی آنها و حتی مساحت دیتاسنتر و هزینه‌های خرید سخت‌افزارها به میزان زیادی کاهش می‌یابد. مجازی‌سازی امکان استفاده از تکنیک مهاجرت زنده ماشین‌های مجازی[4]را نیز میدهد [26]. با مهاجرت زنده میتوان ماشین‌های مجازی را بین سرورها جابه‌جا کرده به شکلی که تعداد بیشتری ماشین مجازی روی یک سرور اجرا شود و امکانات سخت افزاری چند سرور آزاد و سرورهای بیکار[5]که هیچ وظیفه در حال اجرا ندارند خاموش شوند. یک سرور بیکار به اندازه 70 درصد از حالتی که با تمام قدرت در حال پردازش است برق مصرف میکند [27] [24]. در نتیجه خاموش کردن حتی یک سرور میتواند باعث صرفه جویی زیادی در مصرف برق دیتاسنترها شود. مطالعات نشان میدهد که سرورها در بیشتر زمان‌ها تا 90 درصد بیکار هستند [28]. تخمین‌ها نشان میدهد با پیاده‌سازی مجازی سازی میتوان مصرف برق را تا 30 درصد و خنک کنندگی را تا 15 درصد بهینه کرد [13]. اما نباید با ساده‌نگری از این موضوع گذشت. باید به خاطر داشت که اجرای هر نرم‌افزار مجازی ساز خود مستلزم استفاده از منابع سخت‌افزاری و مصرف انرژی مازاد است [29]و اگر این فناوری به درستی مدیریت و کنترل نشود، شاهد کمتر شدن مزیت‌هایش خواهیم بود [30].
در این پژوهش سعی شده است تاثیر مثبت مجازی‌سازی سرورها در کاهش مصرف الکتریسته دیتاسنترها، انرژی مصرفی مازاد که مجازی سازی روی سرورها ایجاد میکند و در نهایت تاثیر مجازی سازی در دقت عملکرد نرم‌افزارها مورد بررسی قرار گیرد.
مجازی‌سازی سخت‌افزار به معنی دسترسی به چندین منبع محاسباتی منطقی و اشتراک‌گذاری آنها بدون توجه به موقعیت جغرافیایی یا پیکربندی فیزیکی است. امروزه این فناوری به عنوان یکی از نقش‌های اصلی در پیشبرد صنعت فناوری سبز تبلیغ می‌شود. این فناوری توسط شرکت IBM در سال 1960 به عنوان روشی برای اشتراک گذاری mainframe شرکت ابداع و معرفی شد [23]. بعدها با معرفی یک لایه انتزاعی سخت افزاری یا به نام مانیتور ماشین مجازی (VMM) توسعه یافت که می‌توانست بین لایه های سخت افزاری و نرم افزاری تعامل برقرار کند [25]. فناوری فوق در سال 1990 توسط گروه VMware خریداری و به جای استفاده در mainframe، روی سخت‌افزار استاندارد صنعتی x86 به کار گرفته شد [31]. در نتیجه، یک سرور استاندارد x86 میتواند به چندین ماشین مجازی تقسیم شده و امکان پردازش همزمان سیستم‌های عامل مختلف و برنامه‌های نرم‌افزاری را به شیوه‌ای مستقل فراهم کند.
مجازی‌سازها به دو نوع کلی تقسیم می‌شوند که در شکل 2 نشان داده شده‌اند. هایپروایزرهای نوع اول که مستقیم روی سخت‌افزار سرور میزبان اجرا می‌شوند و در نقش سیستم‌عامل میزبان برای ماشین‌های مجازی، منابع سخت‌افزاری از جمله پردازنده، رم و کارت شبکه و ... را میان سیستم‌عامل‌های مهمان تقسیم می‌کنند [29] [32]. هایپروایزرهای نوع دوم که متداول‌تر هستند، به عنوان یک ماژول در محیط یک سیستم عامل میزبان که مدیریت منابع سخت‌افزاری را بر عهده دارد نصب شده و ماشین‌های مجازی در لایه بالاتر از منابع فیزیکی شروع به کار می‌کنند [29] [32]. نوع دوم انعطاف بیشتری دارد چرا که به اپلیکیشن‌ها اجازه نصب هم در سیستم عامل میزبان وهم در سیستم‌عامل‌های مهمان را میدهد [33]. مشکل این روش این هست که بهره‌وری را تا 30 درصد کاهش میدهد [34].
شکل 1 دو نوع مختلف هایپروایزر
مودجادی[6]و همکاران در سال 2019 در دانشگاه کلابات اندونزی، با مجازی‌سازی سرورهای یک دیتاسنتر ثابت کردند میتوان مصرف برق دیتاسنتر را تا 286.66% کاهش دهند [35].
دیتاسنتر دانشگاه کلابات از شانزده سرور فیزیکی تشکیل شده که هر کدام یک سرویس مجزا در شبکه ارائه میدهد. به دلایل امنیتی نام سرورها و سرویس‌های که ارائه می‌دهند در مقاله ذکر نشده است. این محققان با توجه به تناسب سرویس‌ها و قرار گرفتن آنها در یک سابنت[7]مشترک این دوازده ماشین مجازی را به شرح زیر به پنج گروه کلی تقسیم کردند و هر گروه را با فناوری مجازی سازی روی یک سرور فیزیکی اجرا کردند و هفت سرور فیزیکی را خاموش نمودند. سپس به مقایسه مصرف برق دیتاسنتر قبل و بعد از تجمیع ماشین‌ها پرداختند. آنان از نرم‌افزار OpenMosix برای مدیریت خوشه[8] روی سیستم عامل Linux Knoppix استفاده کردند که در جدول 1 مشخص شده است.
در این پژوهش از (1) برای محاسبه میزان برق مصرفی ماشین های مجازی استفاده شده است [36].
که در آن PVM: توان ماشین مجازی
PHostIdle : توان ماشین فیزیکی بیکار
#VM : تعداد ماشین‌های مجازی در حال اجرا
PHost : توانی که ماشین فیزیکی مصرف میکند.
CPU%Vm : مقدار فضای اختصاصی پردازنده برای هر ماشین مجازی
در این مطالعه مقدار توان‌های مصرفی هر ماشین ار فرمان powerstat موجود در ترمینال لینوکس با 30 نمونه در فاصله زمانی 300 ثانیه‌ای به دست آمد. محاسبات قبل و بعد از خوشه‌بندی دوازده سرور نشان داد که میزان برق مصرفی دیتاسنتر دانشگاه قبل از مجازی‌سازی برابر 230.95 وات است ولی بعد از مجازی سازی این میزان به 59.73 وات کاهش یافت که برابر است با 286.66 درصد کاهش در مصرف انرژی که مقدار قابل توجه‌ای است که در نمودار شکل 1 نشان داده شده است.
شکل2 نمودار مصرف برق
اجرای هایپروایزرها مستلزم استفاده از منابع سخت‌افزاری و مصرف انرژی است که بسته به نوع معماری متفاوت است. در سال 2013 تفاوت‌های دو مدل هایپروایزر در کاهش مصرف الکتریسته سرورها بررسی شد که در این مطالعه برای مدل نوع اول هایپروایزر منبع باز Xen و برای هایپروایزر مدل نوع دوم از KVM استفاده شد. هایپیروایزر Xen از دامنه صفر برای مدیریت کرنل سیستم‌های مهمان استفاده میکند، در حالی که هایپروایزر KVM مانند منابع سخت‌افزاری واقعی برای سیستم‌عامل‌های مهمان رفتار میکند. تفاوت این دو هایپروایزر در مدیریت ورودی/خروجی، زمان‌بندی پردازنده مرکزی و شبکه شدن به اختصار در جدول 2 آمده است [29].
در سال 2013، جین و همکاران آزمایشی با سه سرور Inspur 3060 طراحی و اجرا کردند تا تفاوت‌های دو نوع هایپروایزر را در کاهش مصرف الکتریسته بسنجند. در این آزمایش سه سرور بل مشخصات فنی زیر استفاده شد [29].
· پردازنده چهارهسته‌ای زئون اینتل 2.13 گیگاهرتز
· 2 گیگابایت رم
· 500 گیگابایت هارد
· دیسک و کارت اترنت 1 گیگابیتی
هر سه سرور به سوییچ 24 پورت D-Link GDS-1024 1000 Base-T متصل شدند.
سیستم‌عاملی که هم در سرورهای میزبان و هم در ماشین‌های مجازی مهمان در این آزمایش استفاده گردید، CentOS 5.6-final-x86_64 with Linux Kernel 2.6.18 بود.
روی سرور B نرم‌افزار مجازی‌ساز Xen 3.0.3 و روی سرور C نرم‌افزار مدیریت مجازی‌ساز KVM 83 از بسته CentOS نصب گردید و روی هر دو سرور، سه ماشین مجازی با مشخصات (4 VCPUs, 512MB RAM, 50 GB image) ایجاد و شروع به کار کردند. یک دستگاه کنترل مصرف برق با دقت 0.2% به هر سرور متصل و آزمایش با یک کامپیوتر رومیزی متصل به سوییچ کنترل شد. در ابتدا میزان برق مصرفی در حالتی که سرورها روشن ولی بیکار بودند سنجیده شد و سپس مجموعه‌ای از ترافیک محسابات داخلی و ترافیک شبکه‌ای راه‌اندازی شد تا سه سرور تحت فشار قرار دهند [29].
بررسی داده‌های حاصل از آزمایش تأثیر مجازی سازی بر مصرف انرژی در سه سرور نشان داد که [29]:
- هر سه سرور در حالت خاموش ولی متصل به جریان برق مصرف الکتریسته یکسان (2.8 وات) داشتند.
- سرور بیکار نزدیک دو سوم از مقدار انرژی زمانی که منبع محاسباتی آن به طور کامل اشغال می‌شود را مصرف میکند. از این رو، ادغام برنامه ها از چندین سرور به یک سرور و خاموش کردن آن سرورهای بیکار برای صرفه جویی در انرژی مفید خواهد بود.
- سرور مجازی سازی شده به طور کلی برای محاسبات و ترافیک شبکه، حتی زمانی که بیکار هستند، انرژی بیشتری نسبت به سرور فیزیکی مصرف میکند. این مقدار در حالتی که سرورها بیکار هستند، برای هایپروایزر Xen کمتر از 1٪ و برای KVM حدود 10٪ بود. همچنین زمانی که سرورها متصل به شبکه بودند، سرور XEN بین 2.8 تا 70.2 درصد بیشتر سرور فیزیکی و سرور KVM بین 59.6 تا 273.1 درصد بیشتر برق مصرف می‌کردند.
- سرور KVM به دلیل اصول معماری متفاوت، انرژی بیشتری نسبت به سرور Xen در یک مورد آزمایشی مصرف میکند. KVM قابلیت مجازی سازی را در هسته اصلی لینوکس تعبیه میکند و یک لایه دیگر به پشته نرم افزار اضافه می‌نماید و در نتیجه انرژی بیشتری مصرف میکند، اما مدل شبکه سازی KVM نسبت به مدل شبکه سازی XEN به طور متوسط دو برابر انرژی بیشتری مصرف میکند. از سوی دیگر، مزیت استفاده از هایپروایزر نوع دو این است که تقریباً به هیچ تغییری در سیستم عامل میزبان نیاز ندارد، اما سیستم عامل میزبان باید برای کار با یک هایپروایزر نوع یک اصلاح شود.
- با راه اندازی ترافیکی با تعداد بهینه‌ای از ماشین‌های مجازی میتوان در مصرف انرژی صرفه‌جویی قابل توجه‌ای کرد. در اندازه‌‌گیری‌های انجام شده، سرور با دو ماشین مجازی فعال از سروری که سه ماشین مجازی فعال دارد انرژی کمتری مصرف میکند. تقریباً 20٪ انرژی برای KVM و 15٪ انرژی برای Xen به طور متوسط میتواند برای همه موارد تحت معیار ترافیک فشرده شبکه، با انتقال وظایف از یک VM به دیگری و خاموش کردن VM بیکار، حفظ شود.
- هنگامی که یک سرور چند هسته‌ای برنامه‌های چند فرآیندی را اجرا میکند، ماشین فیزیکی میتواند انرژی بیشتری نسبت به سرورهای مجازی مصرف کند. این به دلیل عدم بهینه سازی چند هسته‌ای در ماشین فیزیکی است. به طور پیش فرض، هر برنامه با یک رشته اجرا می‌شود که فقط توسط یک هسته CPU قابل پردازش است، حتی اگر هسته های دیگر بیکار باشند. در مقابل، هر دو هایپروایزر Xen و KVM با مجازی کردن هسته‌های پردازنده مرکزی میتوانند وظایف محوله را به شکل بهتر توزیع کرده و از گرسنگی[9]جلوگیری کنند.
کیانجینگ و همکاران در سال 2010 آزمایشی ترتیب دادند تا تاثیر مجازی‌سازی بر روی کارایی ماشین‌های منطقی بررسی کنند. سرور فیزیکی Dell 2900 PowerEdge که با آن آزمایش انجام شد دارای دو پردازنده چهارهسته‌ای 64 بیتی زئون با فرکانس 2GHz و 6 مگابایت حافظه پنهان[10]و 64 گیگابایت حافظه رم بود. ابتدا روی سرور سیستم عامل پایه Ubuntu 8.10 نصب و سپس با هایپروایز Xen 3.3.1 مجازی سازی انجام گرفت. به هر چهار ماشین مجازی چهار vCPU و یک گیگابایت رم مجازی اختصاص داده شد. هر ماشین مجازی (سرور) عملکرد منحصر به فرد و هر یک معیاری[11] برای سنجش عملکرد خود داشت که در جدول 3 نشان داده شده است [37].
به منظور بررسی دقت داده‌ها، آزمایش پنج بار انجام شد و بیشترین و کمترین مقدار حذف گردید و از سه نتیجه باقی‌مانده میانگین گرفته شد. بار اول عملکرد هر ماشین به صورت تنها و در حالی که سه ماشین دیگر خاموش بودند، مورد سنجش قرار گرفت و بار دوم در حالتی که هر چهار ماشین مجازی روشن و در حال کار بودند. همانطور که انتظار میرفت کارایی در حالت دوم به دلیل استفاده همزمان چهار ماشین از منابع سخت افزاری کاهش یافت که در شکل 4 قابل مشاهده است]37[.
این آزمایش نشان داد که میزان عملکرد سرورها با مجازی‌سازی و ادغام کاهش می‌یابد. مقادیر به دست آمده در جدول 4 آورده شده است[37].
باید دقت کرد که هر ماشین (سرور) با توجه به عملکرد خود از منابع سخت‌افزاری کار می‌کشد، در نتیجه با تکنیک‌های مناسب ادغام میتوان مقدار کارایی را بهبود داد. SPECjbb 2005 به تداخل هسته‌های پردازنده و منبع حافظه حساس است و در صورت ادغام به مراقبت بیشتر نیاز دارد. IOzoneو Sysbench به تعداد vCPU و vMemory حساس نیستند، ولی در مقابل Webbench هم به ورودی/ خروجی شبکه و هم منابع پردازشی نیازمند است. جدول 5 میزان کارایی هر ماشین به صورت تنها و در حالتی که با ماشین دیگر ادغام شده است را نشان میدهد[37].
جدول 5 به خوبی نشان میدهد که هر نوع ادغام باعث کاهش کارایی می‌شود. همچنین SPECjbb و IOzone و Webbench کمترین کارایی را در حالتی دارند که با ماشینی مشابه با خود ادغام می‌شوند. همچنین میتوان دو ماشینی که در کنار یکدیگر عملکرد مناسبی دارند را هم معین کرد. SPECjbb با Sysbench بهترین همزیستی را دارند، چرا که SPECjbb بیشتر نیازمند منابع پردازشی است ولی Sysbench از منابع ورودی/خروجی کار می‌کشد. همچنین ادغام Sysbench با IOzone صحیح نیست، چون هر دو منابع ورودی/خروجی را تحت فشار قرار می‌دهند. همینطور بهتر است IOzone به دلیل سرعت پایین عملیات‌های ورودی و خروجی با هیچ ماشین دیگر ادغام نشود[37].
در این مطالعه تاثیر مجازی‌سازی بر کاهش مصرف الکتربسته دیتاسنترها بررسی شد و نشان داده شد با پیاده سازی هایپروایزرها میتوان دو یا چند ماشین منطقی را بر روی یک سرور فیزیکی اجرا کرد و تعداد سرورهای موجود در دیتاسنترها را کاهش داد. سرورهایی که هر یک در حالت بیکار نزدیک دو سوم از حداکثر برقی که استفاده می‌کنند را هدر می‌دهند و با خاموش کردن هر یک مصرف برق و منابع سخت‌افزاری کاهش یافته و آسیب‌های وارد بر محیط زیست تقلیل می‌یابد. کاهش مصرف برق تنها مزیت استفاده از هایپروایزها نیست و هایپروایزرها با مجازی کردن پردازنده مرکزی بهتر از سرور فیزیکی میتوانند برنامه‌های چندفرایندی را با توزیع میان هسته‌های پردازنده اجرا کنند. در مقابل، ساده‌انگاری در استفاده از این فناوری به مشکلات دیگر می‌انجامد، از جمله خود هایپروایزر به دلیل استفاده از منابع سخت‌افزاری میتواند سبب افزایش مصرف برق یک سرور شود. همینطور باید در انتخاب هایپروایزر هم دقت کرد زیرا هایپروایزرهای دسته دوم با این که ماشین‌های مجازی مهمان را بهتر میزبانی می‌کنند و از تداخل آنان پیشگیری می‌کنند، مصرف برق بیشتری دارند. همچنین مصرف برق یک سرور با هر بار اضافه شدن یک ماشین مجازی افزایش می‌یابد، بنابراین باید به تعداد ماشین‌های مجازی روشن در یک سرور دقت شود. افزون بر این که در صورت هم‌پوشانی عملکرد ماشین‌ها ممکن است شاهد گرسنگی پردازنده و گلوگیری منابع سخت‌افزاری دیگر باشیم.
[1]
C. G. M. P. U. Benjamin K. Sovacool, “Making the internet globally sustainable: Technical and policy options for improved energy managment, goverance and community acceptance of Nordic datacenter,” Elsevier, p. 1, 2022.
[2]
H. I. B. a. S. S. M. Shariff, “Review on data center issues and challenges: Toward the Green Data center, Computing and Engineering,” در 6th IEEE International Conference on Control System, , Batu Ferringhi, 2016.
[3]
J. J., “Worldwide digital population as of october 2020,” Statista, pp. https://www.statista.com/topics/1145/internet-usage-worldwide/, 2021.
[4]
IEA, “Data centers and data transmission networks,” IEA,2020.
[5]
Cisco, “Cisco visual networking index: forecast and trends, 2017-2022”.
[6]
I. I. Today, “Green Data Centers – scaling environmental sustainability for business and consumers collectively", (2020) Available: https://www.networkworld.com/article/3569189/green-data-centers-scaling-environmental-sustainability-for-business-and-consumers-collectively.html.
[7]
I. R. H. Katz, “Tech Titans Building Boom,” IEEE Spectrum, vol 46, pp. 40-54, Feb 2009.
[8]
B. R. e. al., “Report to Congress on Server and Data Center Energy Efficiency,” Public law 109-431. Technical Report, Berkeley, CA, USA, 2008.
[9]
L. S. L. B. C. D. P. M. D. P. Van Heddeghem W, “Trends in Wordwide ict electricity consumption from 2007 to 2012,” comput common, pp. 64-76, 2014.
[10]
M. V. T, “10 facts to know about data centers,” Energy.gov (2014), 03 Mar. 202 Available: https://www.energy.gov/eere/articles/10-facts-know-about-data-centers.
[11]
P. B. L. C. M. Avgerinou, “Trends in data centre energy consumption under the European code of conduct for data centre energy efficiency,” Energies,, p. 1470, 2017.
[12]
S. C. P. V. V. S. P. L. R. &. V. S. N. Thillaiarasu, “Designing a trivial information relaying scheme for assuring safety in mobile cloud computing environment,” Wireless Networks, Aug. 2019.
[13]
D. V. G. A. S. J. Ore Eduard, “Energy Efficiency and renewable integration in data centres, strategies and modelling review,” renew sustain energy Rev, pp. 429-45, 2015.
[14]
M. K. Pruthviraj BM, “A scrutiny on current trends to future trends in green computing,” International Journal of Research in Engineering and Science, num5, vol 10, pp. 2320-9356, 2022.
[15]
M. Z. Rais, “Design of Green Data Center,” International Journal of Research in Engineering and Technology,vol3, num 5, pp. 373-377, May. 2014.
[16]
S. Murugesan, “Harnessing Green IT: Principles and Practices,” IT Professional ,vol 10, pp. 24,33, 2008.
[17]
IEA, “Digitalization and energy,” international energy agency, 2017.
[18]
S. R. Department, “Number of data center worldwide 2015-2021,” Statista, 2021.
[19]
M. S., “Harnessing green IT:Principles and practices.,” IT Professional 2008, pp. 24-33, 2008.
[20]
Gartner, “Gartner says worldwide data center infrastructure spending to grow 6% in 2021,,” Jul 2020. Available: https://www.gartner.com/en/newsroom/press-releases/2020-10-07-gartner-says-worldwide-data-center-infrastructure-spending-to-grow-6-percent-in-2021.
[21]
D. U. L. Prof. Riyaz A. Sheikh, “Green Computing- Embrace a Secure Future,” International Journaz of Computer Applications, pp. (0975-8887), November 2010.
[22]
H. W. X. L. X. J. W. H. Q. W. Y. C. Liang Liu, “Green cloud: A new Architecture for green data center,” 2009.
[23]
R. J. Creasy, “The Origin of the VM 370 Time-Sharing System,” Journal of Research and Development , vol 25, pp. 483-490, 1981.
[24]
O. M. J. L. Lu Liu, “Evalution of server virtualization technologies for green IT,” SOSE, p. 1, 2011.
[25]
P. S. K. a. L. S. S. R. K. T. Rao, “Energy Efficiency in Datacenters through Virtualization: A Case Study.,” Computer Science and Technology, vol 10, pp. 2-6, 2010.
[26]
H. W. X. L. X. J. W. H. Q. W. Y. C. Liang Liu, “Green Cloud : a new architecture for green data center,” 2009.
[27]
“"Recommendations for Tier I ENERGY STAR Computer,” Natural Resources Defense Council, Available: http://www.energystar.gov/ia/partners/prod_development/revisions/do.
[28]
S. B. P. O. F. W. Vincent Motoch, “The role of Virtualization towrads Green Computing and enviromental sustainability,” International journal of advanced research in computer engineering and technology, جلد 6, شماره 6, p. 851, June 2017.
[29]
Y. W. Q. C. a. Z. Z. Yichao Jin, “An Empirical Investigation of the Impact of Server Virtualization on Energy Efficiency for Green Data Center,” The Computer Journal, 2013.
[30]
Greentouch, “http://www.greentouch.org
[31]
D. Sznbert, “Virtualisation gets trendy,” The Register, 2007.
[32]
D. Anil, “The Definitive Guide to Virtual Platform Management,” Realtimepublishers.com, 2007.
[33]
J. E. S. a. R. Nair, “The Architecture of Virtual Machines,",” IEEE Computer, pp. 32-38, 2005.
[34]
D. Marinescu and R. Kroger, “State of the art in autonomic computing,” Technical report, Distributed Systems Lab, Wiesbaden University of Applied Science, 2007.
[35]
M. T. Jimmy H. Moedjahedi, “Green Data Center analysis and design for energy efficiency using clustered and virtualization method,” در International Conference on Cybernetics and Intelligent System, 2019.
[36]
U. Wajid et al., “On Achieving Energy Efficiency and Reducing CO Footprint in cloud Computing,” IEEE Trans., vol 4, pp. 138-151, Apr. 2016.
[37]
D. H. X. J. H. C. S. W. Kejiang Ye, “Virtual Machine Based Energy-Efficient Data Center Architecture for Cloud,” در International Conference on Green Computing and Communications & 2010 IEEE/ACM International Conference, 2010.
[38]
D. V. G. A. S. J. Ore Eduard, “Energy efficiency and renewable energy integration in data centers,” Strategies and modelling review, vol 42, pp. 429-45, 2015.
[1] Internet of Things
[2] International Data Corporation
[3] Mainframe
[4] Virtual machine
[5] idle
[6]Jimmy H. Moedjahedy
[7] Subnet
[8] Cluster Management
[9] Starvation
[10] Cache
[11] benchmark
