本研究的主要作者为Tuhin Chakraborty、Adel N. Toosi（IEEE会员）和Carlo Kopp（IEEE高级会员），他们均来自澳大利亚蒙纳士大学（Monash University）信息技术学院。该研究发表于《IEEE Transactions on Sustainable Computing》期刊2023年7月至9月的第8卷第3期。
一、研究背景与目标
本研究聚焦于可持续计算领域中的云数据中心（Cloud Data Centers, CDCs）能源效率问题。随着云计算技术的普及，全球数据中心的能耗预计在2030年将达到8000太瓦时，并将在2025年占全球碳排放总量的3.2%。因此，用清洁能源替代传统的高碳能源（文中称为“棕色能源”，Brown Energy），并实现能效资源管理，是降低运营成本和环境影响的重要途径。
研究的核心挑战在于，可再生能源（Renewable Energy）具有间歇性和不稳定性，难以与动态变化的工作负载需求相匹配。现有研究多侧重于降低数据中心整体能耗，但忽略了能源的来源属性。为此，作者提出了一个创新性的框架——弹性电力利用（Elastic Power Utilization, EPU）。EPU旨在为数据中心运营商提供能量灵活性（Energy Flexibility），通过动态管理数据中心的计算资源，使能源需求曲线与可再生能源的供给曲线相吻合，从而最大化绿色能源的使用比例，减少棕色能源消耗。该研究特别聚焦于边缘位置的微型数据中心（Micro Cloud Data Centers, μCDCs），并假设这些中心配备了现场可再生能源发电设施，但不配备本地储能系统（如电池），以规避储能设施带来的高昂初始成本和非经常性成本。
二、研究方法与详细工作流程
为了实现EPU目标，研究者提出了一套基于超量分配（Overbooking）、虚拟机整合（VM Consolidation）和虚拟机迁移（VM Migration）的动态资源管理算法，并将其命名为BFOBMig算法。该工作流主要包含以下几个环节：
1. 系统架构设计： 研究者首先构建了一个能量源感知（Energy-Source-Aware）的资源管理架构。该架构包含一个控制器和资源利用率监控器。监控器负责实时收集主机、网络设备、冷却系统的资源利用率和能耗数据。控制器根据监控数据及可再生能源的供应信息，执行虚拟机的初始放置（Placement）、动态迁移以及核心的超量分配决策。
2. 绿色服务水平协议（Green SLA）的引入： 研究提出了一个关键的业务逻辑前提，即绿色服务水平协议。该协议是数据中心运营商与客户之间的一种互利约定。客户允许运营商在可再生能源不足时，对其虚拟机资源进行一定程度的超量分配，即共享少于其实际请求的物理资源（主要是CPU资源）。作为回报，客户可以从运营商处获得激励，如费用折扣或碳税优惠。这对于那些负载通常较低或能容忍一定性能损失的应用（如无状态网络服务器、大数据分析、渲染工作负载等）是可行的。该协议允许运营商的超量分配行为透明化，从而共同推动绿色服务。
3. 超量分配与能耗模型的建立： 算法中定义了一个核心参数——绿色超量分配比率（Green Overbooking Ratio, gobr）。通过该比率，一个物理主机的可用资源容量被虚拟放大，公式为 ra_gobr(hi) = (1 + gobr) × r(hi)，从而允许将更多的虚拟机打包到一台物理服务器上。同时，研究者为数据中心的三大能耗组件——计算、网络和冷却——分别建立了功耗模型。计算功耗采用一种线性模型，主机功耗等于其空闲功耗加上动态功耗（与CPU利用率线性相关）。网络功耗则简化为由活跃交换机数量决定，因为交换机开启或关闭是影响网络能耗的主要因素。冷却功耗则采用基于性能系数（Coefficient of Performance, COP）的模型，COP是冷气供应温度的函数。
4. 算法流程与动态决策： BFOBMig算法的工作流程分为两个主要部分，由算法1和算法2共同执行。算法1作为主循环，负责接虚拟机创建和终止请求，并在每个时间段结束时触发算法2。虚拟机的新建请求遵循最佳适应策略（Best Fit, BF），即优先选择当前负载最重且仍有剩余容量的主机。算法2是实现EPU的核心，它在每个时间窗口结束时执行能源匹配决策。该算法首先根据当前系统状态和模型计算总功耗，然后判断当前时段的可再生能源供应是否足够。 * 当可再生能源不足时：如果系统当前处于非超量分配状态，则立刻切换到超量分配状态，更新所有主机的容量，并执行基于超量分配状态下的虚拟机迁移和整合计算，将虚拟机尽可能地集中到更少的活跃主机上，从而令空闲的主机休眠，降低整体能耗，使负载功耗向较低的可再生能源供给线靠拢。 * 当可再生能源充足时：如果系统当前处于超量分配状态，则立即释放超量分配，恢复主机的正常容量，并执行迁移整合，避免不必要的服务质量（QoS）下降。
三、实验设计与主要结果
1. 实验设置与评估对象： 研究在仿真环境中对所提出的BFOBMig算法进行了评估。仿真设定了一个包含128台主机的微型数据中心，网络拓扑为K=8的胖树（Fat-Tree）结构，每台主机峰值功率260瓦，每台交换机功率60瓦，冷气供应温度设为25°C。超量分配的基础水平设为30%。实验对比了三类算法： * 基线算法：包括负载均衡算法（LB）和单纯的最佳适应算法（BF），它们不具备能量源感知和迁移能力。 * 现有最优算法（BFMig）：具备可再生能源感知能力，并能在能源不足时进行虚拟机迁移，但不使用超量分配。 * 本研究提出的算法（BFOBMig）：同时实现可再生能源感知、动态超量分配和虚拟机迁移。 * 下界基线算法（BFOBalMig）：始终开启30%的超量分配，无论可再生能源是否充足，也进行迁移。
2. 工作负载与能源数据： 为确保评估的全面性，实验采用了三种具有不同模式的实际工作负载轨迹：Google集群负载轨迹（高动态）、Wikipedia访问负载轨迹（日周期模式）和澳大利亚Nectar研究云负载轨迹（近恒定）。可再生能源供给数据则来源于澳大利亚校园附近的真实太阳能和风能发电气象数据。
3. 棕色能源节省效果： 实验结果清晰展示了BFOBMig算法的优越性。相较于基线BF算法，BFOBMig在三种工作负载下分别节省了36.2%（Google）、43.6%（Wikipedia）和28.5%（Nectar）的棕色能源。更重要的是，与同样具备可再生能源感知但未使用超量分配的BFMig算法相比，BFOBMig为其额外带来了23.1%（Google）、21.3%（Wikipedia）和27.0%（Nectar）的棕色能源节省。这意味着联合运用动态超量分配和迁移比仅使用迁移能更有效地匹配可再生能源。对于近乎恒定的Nectar负载，单用迁移策略（BFMig）收益甚微，但BFOBMig通过超量分配仍实现了可观的能源节省。
4. 服务和绿色SLA违规分析： 绿色SLA违规被定义为：系統在有充足可再生能源供应时，仍处于超量分配状态的时间比例。结果显示，始终超量分配的BFOBalMig算法虽然节省了最多的棕色能源，但导致了高达36.7%至37.7%的SLA违规。而BFOBMig算法通过只在必要时引入超量分配，将SLA违规率大幅降低至4.6%至5.0%，但其节省棕色能源的效果与BFOBalMig非常接近。这表明EPU策略在最大化绿色能源利用和最小化服务质量影响之间取得了优秀的平衡。
四、研究结论与价值
本研究提出的弹性电力利用（EPU）概念及其核心算法BFOBMig，为可持续数据中心资源管理提供了一种创新的解决思路。其科学价值在于，将资源管理决策从单纯的“节能”提升到了“按能源来源进行动态塑形”的层次，通过形式化的建模和算法设计，证明了利用超量分配技术实现电源需求柔性的可行性。其应用价值在于，该框架为边缘层的微型数据中心运营商提供了一种无需昂贵储能设备、仅通过软件层面的智能调度就能显著减少碳足迹和购电成本的方案。
五、研究亮点与创新性
该研究的亮点主要体现在三个方面。首先，视角新颖，它创造性地提出了弹性电力利用（EPU） 概念，将解决可再生能源间歇性问题的手段从“储能”转向“塑形负载”，是一种软件定义方法论的体现。其次，机制创新，它首次将超量分配技术与可再生能源供给状态进行动态绑定和联动，而非将其作为一种无差别的资源复用手段。这种“绿色超量分配”策略是本研究方法的精髓所在。最后，通过引入绿色服务水平协议，该研究将技术方案与商业激励机制有机结合，为技术的落地实践提供了一个闭环的逻辑基础，使得运营商和客户在共同推动绿色计算的过程中实现双赢。