2023年6月3日下午，暨南大学计算机科学系博士生李杰的博士学位论文答辩会在南海楼407会议室举行。出席的答辩专家有答辩委员广东工业大学凌捷教授，华南师范大学曾碧卿教授，华南农业大学黄琼教授，仲恺农业工程学院刘双印教授，华南理工大学林伟伟教授,。课题组部分博士生和硕士生旁听了本次答辩会。
博士生李杰的学位论文题目为《面向热量感知的高效能云数据中心资源管理策略研究》。近年来，为满足用户对云计算资源的巨大需求，数据中心的数量在不断增加，超级数据中心的建设速度也在不断加快，其高能耗已成为工业界亟待解决的问题。现代数据中心按数据处理类型划分为计算密集型数据中心和存储型数据中心。计算密集型数据中心的设备资源大多用来处理任务负载，执行科学计算，其更关注 CPU 资源。存储型数据中心由存储节点组成，提供存储大规模数据集的物理资源，其更关注存储节点或服务器的 I/O 性能。对于热量感知的数据中心能耗主要由 IT 设备能耗与制冷系统能耗构成，且占据其总能耗的 90% 左右。相关研究表明，数据中心不合理的资源分配容易引起 IT 设备的局部热点问题，这不仅降低了系统（IT 设备）的可靠性及系统的服务质量，还引起制冷系统能耗的增加。针对这些问题，本文从优化计算密集型数据中心与存储型数据中心的能耗展开研究。具体工作如下：
（（1）针对计算密集型数据中心服务器出现故障情况下的任务分配问题，提出面向故障感知的高效能云数据中心任务分配策略。该策略首先构建数据中心一体化模型，包括任务负载模型、服务器能耗模型、服务器入口温度模型、制冷能耗模型、总能耗模型以及融合设计的服务器故障模型。其次提出元启发式任务分配算法 HGSA（Hybrid algorithm based on Genetic Algorithm and Simulated Algorithm），该算法充分利用了 GA 强大的全局搜索能力与 SA 的局部探测能力。HGSA 将数据中心服务器的入口温度作为主要优化目标，为任务负载分配到服务器寻找最优分配方案。实验结果表明，相比已有的适配算法，HGSA 算法降低了服务器入口温度的 5.2%-15%，提高了制冷系统供应温度的 4.2%-26.4%，降低了制冷系统能耗的 15.4%-50% 和数据中心总能耗的 0.65%-78%。
（（2）针对计算密集型数据中心资源分配不合理及能耗过高问题，提出面向热量感知的高效能云数据中心虚拟机调度策略。该策略首先构建数据中心能耗模型，并在（1）中的服务器能耗模型基础之上增加了服务器入口温度与 CPU 温度之间的关系模型，同时增加了服务水平协议 SLA（Service Level Agreement）冲突模型用于评估 QoS。基于此模型，提出一种能量感知的虚拟机调度算法 EAVMS（Energy-aware Virtual Machine Scheduling Algorithm）。该算法分两个阶段（虚拟机初始化部署阶段与动态迁移阶段）优化虚拟机在服务器的位置，在提高数据中心能量效率的同时保证 QoS。实验结果表明，相比已有的方法，EAVMS 能够节省 3.23%-43.07% 的数据中心总能耗且仅降低 0.06% 的 SLA 服务性能。
（3）针对存储型数据中心的能耗过高问题，提出面向热量感知的高效能存储型数据中心数据放置策略。该策略首先构建存储型数据中心一体化模型，包括存储系统模型、制冷系统模型、存储节点之间的热量循环模型以及数据访问模型。其次，提出一种热量感知的数据放置算法 TADRP（Towards Thermal-Aware Data Replica Placement Algorithm），其目的是寻找满足数据中心总能耗最低的磁盘序列。实验结果表明，相比已有的数据放置算法， TADRP 算法能够节约 14.7%-61.7% 的制冷能耗与 19.2%-55.1% 的数据中心整体能耗。