第４４卷第１期 ２０１７年１月 计算机科学 Ｖｏ１．４４ Ｎｏ．１ ＣｏＭＰＵＴＥＲ ＳＣＩＥＮＣＥ Ｊａｎ．２０１７ 基于数据库负载的ＳＱＬ能耗预测模型 国冰磊 于炯 廖彬 杨德先 （大学软件学院 乌鲁木齐８３０００８） （财经大学统计与信息学院 乌鲁木齐８３００１２）。 摘要传统数据库以性能（吞吐量、响应时间）为首要优化目标，忽略了数据库系统的能量消耗。在一味追求性能的 同时，高能耗问题日益突出，为数据库负载构建能耗模型是构建绿色数据库的基础。通过量化查询负载执行过程中对 系统资源（ＣＰＵ与磁盘）的消耗，将资源消耗产生的时间代价和功耗代价转化为时间代价预测模型和功率代价预测模 型，在单站点数据库服务器上实现了为数据库系统构建资源单位代价统一的能耗预测模型。采用多元线性回归工具 拟合模型的重要参数，实验结果验证了能耗预测模型的可行性；并分别在静态与动态的系统环境下对系统不同类型查 询负载的能耗进行预测与评价，验证了该模型的准确性，使得提出的能耗模型适合于构建能耗感知的绿色数据库。 关键词绿色计算，ＳＱＬ执行能耗，查询处理，绿色数据库 ＴＰ３１５ 文献标识码Ａ ＤＯＩ １０．１１８９６／ｊ．ｉｓｓｎ．１００２—１３７Ｘ．２０１７．０１．０４０ 中图法分类号ＳＱＬ Ｅｎｅｒｇｙ Ｃｏｎｓｕｍｐｔｉｏｎ Ｆｏｒｅｃａｓｔｉｎｇ Ｍｏｄｅｌ Ｂａｓｅｄ ｏｎ Ｄａｔａｂａｓｅ Ｌｏａｄ Ｓｔａｔｕｓ ＧＵＯ Ｂｉｎｇｑｅｉ ＹＵ Ｊｉｏｎｇ ＬＩＡＯ Ｂｉｎｚ ＹＡＮＧ Ｄｅ－ｘｉａｎ （Ｓｃｈｏｏｌ ｏｆ Ｓｏｆｔｗａｒｅ，Ｘｉｎｊｉａｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｕｒｕｍｑｉ ８３０００８，Ｃｈｉｎａ） （Ｃｏｌｌｅｇｅ ｏｆ Ｓｔａｔｉｓｔｉｃｓ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ，Ｘｉｎｊｉａｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｆｉｎａｎｃｅ ａｎｄ Ｅｃｏｎｏｍｉｃｓ，Ｕｒｕｍｑｉ ８３００１２，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ Ｉｎ ａ ｔｙｐｉｃａｌ ｄａｔａｂａｓｅ ｓｅｒｖｅｒ，ｐｅｒｆｏｒｍａｎｃｅ（ｔｈｒｏｕｇｈｐｕｔ ｏｒ ｒｅｓｐｏｎｓｅ ｔｉｍｅ）ｉｓ ｔｈｅ ｆｉｒｓｔ－ｃｌａｓｓ ｏｐｔｉｍｉｚａｔｉｏｎ ｇｏａ１． Ｈｏｗｅｖｅｒ，ｅｎｅｒｇｙ ｃｏｎｓｕｍｐｔｉｏｎ ｏｆ ｄａｔａｂａｓｅ ｓｙｓｔｅｍｓ ｉｓ ｉｇｎｏｒｅｄ ｂｙ ｔｈｅ ｓｅｒｖｉｃｅ ｐｒｏｖｉｄｅｒｓ ａｎｄ ｕｓｅｒｓ，ｗｈｉｃｈ ｍａｋｅｓ ｔｈｅ ｈｉｇｈ ｅｎｅｒｇｙ ｃｏｎｓｕｍｐｔｉｏｎ ｂｅ ａ ｓｅｒｉｏｕｓ ｐｒｏｂｌｅｍ ｉｎ ｄａｔａ ｃｅｎｔｅｒｓ ｉｎ ｔｈｅ ｐｒｏｃｅｓｓｉｎｇ ｏｆ ｃｈａｓｉｎｇ ｐｅｒｆｏｒｍａｎｃｅ．Ｂｕｉｌｄｉｎｇ ｅｎｅｒｇｙ ｃｏｎ— ｓｕｍｐｔｉｏｎ ｍｏｄｅｌ ｆｏｒ ｑｕｅｒｙ ｗｏｒｋｌｏａｄ ｉｓ ｔｈｅ ｆｉｒｓｔ ｓｔｅｐ ｔｏ ｃｒｅａｔｅ ａ ｇｒｅｅｎ ｄａｔａｂａｓｅ．Ｂｙ ｑｕａｎｔｉｆｙｉｎｇ ｔｈｅ ｓｙｓｔｅｍ ｒｅｓｏｕｒｃｅｓ （ＣＰＵ ａｎｄ Ｄｉｓｋ）ｃｏｎｓｕｍｅｄ ｂｙ ｑｕｅｒｙ ｗｏｒｋｌｏａｄ ａｎｄ ｔｒａｎｓｆｏｒｍｉｎｇ ｔｈｅ ｔｉｍｅ ｃｏｓｔ ａｎｄ ｅｎｅｒｇｙ ｃｏｓｔ ｉｎｔｏ ｔｗｏ ｉｎｄｅｐｅｎｄｅｎｔ ｍｏｄｅｌｓ（ｔｉｍｅ ｅｓｔｉｍａｔｉｏｎ ｍｏｄｅｌ ａｎｄ ｐｏｗｅｒ ｅｓｔｉｍａｔｉｏｎ ｍｏｄｅ１），ｔｈｅ ｅｎｅｒｇｙ ｅｓｔｉｍａｔｉｏｎ ｍｏｄｅｌ ｗｉｔｈ ｕｎｉｆｏｒｍ ｒｅｓｏｕｒｃｅ ｕｎｉｔ ｗａｓ ｉｍｐｌｅｍｅｎｔｅｄ ｉｎ ａ ｓｉｎｇｌｅ－ｓｉｔｅ ｄａｔａｂａｓｅ ｓｅｒｖｅｒ．Ｕｓｉｎｇ ｔｈｅ ｍｕｌｔｉｐｌｅ ｌｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎ ｍｅｔｈｏｄ ｔｏ ｃｏｍｐｕｔｅ ｔｈｅ ｋｅｙ ｐａ ｒａｍｅｔｅｒｓ ｏｆ ｔｈｅ ａｂｏｖｅ ｍｏｄｅｌｓ，ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｐｒｏｖｅ ｔｈｅ ｆｅａｓｉｂｉｌｉｔｙ ｏｆ ｏｕｒ ｍｏｄｅ１．Ｔｏ ｆｕｒｔｈｅｒ ｐｒｏｖｅ ｔｈｅ ａｃｃｕｒａｃｙ ａｎｄ ｅｆｆｉｃｉｅｎｃｙ ｏｆ ｔｈｅ ａｂｏｖｅ ｍｏｄｅｌ，ｗｅ ａｌｓｏ ｍａｄｅ ｉｔ ｗｏｒｋ ｕｎｄｅｒ ｔｗｏ ｄｉｆｆｅｒｅｎｔ ｓｙｓｔｅｍ ｓｅｔｔｉｎｇｓ（ｓｔａｔｉｃ ｓｙｓｔｅｍ ａｎｄ ｄｙｎａｍｉｃ ｓｙｓ— ｔｅｍ），ｍａｋｉｎｇ ｉｔ ｍｏｒｅ ｓｕｉｔａｂｌｅ ｆｏｒ ｂｕｉｌｄｉｎｇ ｔｈｅ ｅｎｅｒｇｙ－ａｗａｒｅ ｇｒｅｅｎ ｄａｔａｂａｓｅ． Ｋｅｙｗｏｒｄｓ Ｇｒｅｅｎ ｃｏｍｐｕｔｉｎｇ，ＳＱＬ ｅｘｅｃｕｔｉｏｎ ｅｎｅｒｇｙ ｃｏｎｓｕｍｐｔｉｏｎ，Ｑｕｅｒｙ ｐｒｏｃｅｓｓｉｎｇ，Ｇｒｅｅｎ ｄａｔａｂａｓｅ １ 引言 在传统数据中心，数据库负载占用着大量的服务器资源 的能耗导致的环境问题促使在世界各地开始监管企业的 能耗控制能力。所以无论从降低数据中心的运营成本还是从 降低能耗保护环境的角度出发，研究数据库节能技术都具有 重要的现实意义及广泛的应用前景。 为了节省数据中心的运营成本并减少对环境的影响，学 （包括ＣＰＵ、磁盘Ｉ／０等），使得数据库系统成为数据中心能 量消耗的主要组成部分口］。为此，研究并解析数据库系统的 能耗问题，为ＤＢＭＳ的高能耗问题找到优化方法或解决途 径，并在满足时间及性能约束的前提下构建功率感知的绿色 数据库，是解决大型数据中心中数据库系统高能耗问题的关 术界与工业界分别从硬件、操作系统、虚拟机、分布存储系 统ｌ５。］等层次去提高数据中心的能源使用效率。而本文关注 ＤＢＭＳ中的查询优化模块，从查询处理的方式以及查询优化 （能耗优化）的本质考虑数据库系统的节能问题，提出基于数 据库Ｉ／０访问类型的ＳＱＬ执行能耗预测模型。从解析后的 执行计划中提取资源消耗的相关信息，并将其映射为系统 ＣＰＵ资源及磁盘资源的消耗，最终转化为系统各部件的能量 消耗。本文的主要工作是在对ＤＢＭＳ查询优化器优化机制 进行分析的基础上，为数据库系统构建单位代价统一的能耗 键。文献［２］指出，２００６年美国数据中心一年的耗电量高达 ６１０亿千瓦时（ＫＷｈ），约占整个国家一年耗电量的１．５ 。 此外，数据中心的用电需求总量以每年１２ 的比率增长，导 致仅２０１１年数据中心的耗电量就达到１０００亿千瓦时 （ＫＷｈ），相当于７４亿美元的电费［３］。文献Ｅ４］指出服务器工 作３年的用电成本将超过服务器最初的采购成本，同时增加 到稿日期：２０１５～１２—０１返修日期：２０１６—０４—０９ 本文受国家自然科学基金项目（６１４６２０７９，６１２６２０８８，６１５６２０８６，６１３６３０８３）资助。 炯（１９６４一），男，博士，教授， 国冰磊（１９９１一），女，硕士生，ＣＣＦ学生会员，主要研究方向为云计算、绿色计算，Ｅ－ｍａｉｌ：ｍｎｇｇｂｌ＠１６３．ｃｏｒｎ；于博士生导师，主要研究方向为云计算与大数据；廖彬（１９８６一），男，博士，讲师，主要研究方向为数据库理论与技术、绿色计算、数据挖掘； 杨德先（１９９１一），男，硕士生，主要研究方向为云计算、绿色计算。 第１期 国冰磊，等：基于数据库负载的ＳＱＬ能耗预测模型 ２０９ 模型，并通过实验验证能耗模型的有效性，证明该模型能够应 用于构建功率感知的节能数据库系统。实验结果表明，能耗 模型的平均相对误差为５．７３ ，绝对误差不超过９．６ 。并 且，该模型将ＣＰＵ功耗和磁盘功耗统一转换为单数据块读的 单位代价，将模型嵌入到数据库查询优化器中，不需要计算出 实际的功耗值，通过比较数据块的数量就能了解数据库在当 前的动态资源消耗及能耗情况。 本文第２节介绍了构建绿色数据库的相关工作；第３节 详述了能耗模型的构建基础与理论；第４节论述了能耗模型 的实现并对结果进行分析，同时考察了ＭＢＲＣ（一次多数据块 读操作从磁盘读取数据块的数量）的设置对模型准确度的影 响；最后对全文进行了总结。 ２相关研究 在学术界与工业界，功率感知的绿色数据库领域已有的 研究成果可以分为如下两大类：基于硬件的数据库节能与基 于软件的数据库节能。早期的研究成果以硬件节能最为常 见，如设计耗电￣（Ｐｅｒｆｏｒｍａｎｃｅ－ｐｅｒ－ｗａｔｔ）更优的硬件，调整并 适应硬件在不同系统状态下的功率状态等。主要方法是利用 耗电比更优的硬件设备替换现有系统中的高能耗设备，如利 用固态硬盘（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅｓ，ＳＳＤ）替换机械磁盘，在提高 数据库能耗效率的同时还提高了系统的性能。由于ＳＳＤ相 对于传统机械磁盘的成本偏高，因此构建基于闪存与硬盘的 混合存储系统是当前的研究热点＿８ ］。 在过去的十年里，大多数工作集中在硬件及系统层，目的 在于提高数据库系统的能源效率。然而在软件层面的研究却 相对较少，其主要集中在研究功率感知的查询优化器，核心思 想是构建功耗／能耗模型，将其无缝地嵌入数据库原有的查询 优化器中，以达到为数据库负载估算实时功耗／能耗的目 的ｌ＿１０－ ］。构建功率感知的查询优化器的目的是在保证满足 时间性能约束的前提下，为ＳＱＬ语句选择低功耗／低能耗的 执行计划，最终提高系统的能源效率。 Ｒｏｄｒｉｇｕｅｚ等０ 利用多元线性回归实验，通过训练负载， 提取不同查询计划的共同特征（如元组大小、基数、列数等）为 数据库构建了较准确的ＳＱＬ语句级功耗模型。模型的重要 参数来自内部传感器或功率计上测得的功率以及负载统计数 据。其构建的功耗模型准确性较高，但仅限于选择查询，并不 能对所有的ＳＱＬ语句类型进行完全覆盖。 Ｘｕ等 ” 针对运算符级别的功耗模型展开了广泛与深 入的研究。其基本思想是通过总结运算符在执行过程中的共 同特征（如ＣＰＵ处理的普通元组数、索引元组数、从磁盘读取 的页面数等）为通用运算符构建功耗模型，并利用一系列的简 单查询校准模型重要参数；最后，通过构建一个查询计划评估 引擎，按照性能约束和功率消耗来评估一个查询计划的好坏， 该模型能够达到为数据库节能的目的，但存在精度较差的缺 点。 Ｔｓｉｒｏｇｉａｎｎｉｓ等［】 利用５种不同的数据库并改变查询计 划、压缩算法、访问方法、并行类型和级别等来研究影响数据 库能耗的因素。研究发现，对传统数据库进行能耗优化是无 用的，因为能源效率总是与性能正相关。其提出的关于能耗 与性能之间的关系具有较大的争议，学术界对该问题还处于 讨论与探索阶段，并没有形成一致的观点［１ 。 杨良怀等［１ ］采用线性回归方法来拟合ＣＰＵ各个核的利 用率、执行频率、磁盘利用率以预测系统功耗。实验从执行核 粒度考察ＣＰＵ的执行频率与利用率对系统功耗的综合影响， 避免了在多核架构下整体ＣＰＵ的活动信息掩盖单个核使用 情况的问题。实验结果表明，系统功率与执行频率呈正相关。 国冰磊等口 在对ＳＱＬ查询处理机制研究的基础上，对 一系列查询优化原则进行实验，表明不同优化原则对性能提 升及能耗降低的有效性。实验结果表明，ＣＰＵ利用率是影响 单站点数据库系统功耗的最关键因素，ＳＱＬ能耗优化方法可 忽略内存优化且应该均衡考虑性能优化及功耗优化两方面。 本文工作与文献Ｅ１２］最为接近，但是不同之处在于：本文 在对ＣＰＵ的能耗估算中选取ＣＰＵ指令数而不是ＣＰＵ处理 的元组数来反映ＣＰＵ的工作量。ＣＰＵ指令数较元组能更好 地反映ＣＰＵ的能量消耗情况（因为以元组数为最小计量单位 的误差较大，而ＣＰＵ指令数总数则能更好地反应ＣＰＵ的工 作量）。将本文提出的能耗模型嵌入到数据库查询优化器中， 能够方便用户实时地掌握数据库能耗，是构建功率感知的绿 色数据库的基础。 ３实时能耗预测模型 ＳＱＬ语句是操作关系型数据库的标准接口，所有上层应 用程序对数据库的操作最终都会转化为ＳＱＬ语句对数据库 的操作。ＳＱＬ语句的执行效率和产生的能耗将直接影响数 据库的性能和能源消耗。本文对ＳＱＬ语句的执行进行能耗 建模，达到了为数据库进行能耗建模的目的。 为了能够方便且有效地对数据库系统的总能耗进行预 测，并面向数据库的时间性能与功率消耗进行均衡的控制与 调节，将ＳＱＬ语句的能耗预测模型分为两个相互的简单 模型：ＳＱＬ语句的时间代价预测模型与ＳＱＬ语句的功率代 价预测模型。 ＳＱＬ语句在执行过程中会消耗ＣＰＵ、磁盘、内存、网络等 资源，ＳＱＬ语句的执行代价由使用相关资源产生的代价累加 而成（即时间代价与功率代价）。对于ＳＱＬ语句，由于ＣＰＵ、 磁盘是主要的资源消耗组件，因此本文的能耗模型主要考虑 ＣＰＵ与磁盘的能源消耗。其他能耗部件，以内存为例，通过 优化内存功耗带来的系统总功率优化的升值空问不大，内存 的动态功耗波动对系统动态功耗几乎无影响［１ ，因此本文在 模型中未显式地把内存部分的功耗加入到模型构造中，而将 其作为系统的静态功率进行处理。 ＣＰＵ与磁盘资源的消耗会产生两种代价：１）时间代价； ２）功率代价。本文将分别针对总时间代价和总功率代价进行 代价建模，最终得到系统总能耗模型。代价模型中都包括 ＣＰＵ代价和１０代价。最后将这些资源消耗进行量化，统一 为单位相同的资源代价模型。 （１）ＣＰＵ代价：对于ＣＰＵ产生的时间代价与功率代价，选 取能更好反应ＣＰＵ工作量的ＣＰＵ指令数总数（设为ＣＰＵ— ｓｕｍ）对代价进行估算¨１ ，这也是本文模型相对于其他模型的 优点。单纯地利用ＣＰＵ处理的元组总数对ＣＰＵ的工作量进 行估算会造成较大的误差＿】 ，因为在ＳＱＬ语句执行的过程 中，ＣＰＵ除了要处理元组，还要负责解析ＳＱＬ语句、构建查 询树（计划选择空间）、挑选最优的查询计划等，这些操作都需 消耗ＣＰＵ指令；不同于元组总数，ＣＰＵ指令总数能真实反应 ＣＰＵ的工作量。 ２１Ｏ 计算机科学 ＿２０１７正 （ ） （２）磁盘代价：磁盘产生的时间代价与功率代价与磁盘读 写数据量密切相关。在ＳＱＬ执行过程中最常见的Ｉ／０类型 为：单数据块读（Ｓｉｎｇｌｅ Ｒｅａｄ Ｄａｔａ Ｂｌｏｃｋ）、多数据块读（Ｍｕｌｔｉ— ｐｉｅ Ｒｅａｄ Ｄａｔａ Ｂｌｏｃｋ）。以Ｏｒａｃｌｅ为例，其读取磁盘数据的最 ＩＯ』ｏｓｔ＿＿ｐｏｗｅｒ＝ＩＯ＿ｍｕｌｔｉｃｏｓｔ＝ｍｕｌｔｉ』 ＿Ｂ—ｓｕｍ 统一代价单位的多块读功率代价： Ｊｏ＿ｍｕｌｔｉｐｌｅ—ｃｏｓｔ—ｍｕｌｔｉ—Ｒ—Ｂ—ｓｕｍ＊ｍｕｌｔｉ—Ｒ—Ｂ— ｐｏｅｒ／ｓｉｎｇｌ Ｂｌ－ｐｏｗｅｒ （８） 小Ｉ／０单位是数据块（ＤａｔａＢｌｏｃｋ）。单数据块读是指一次Ｉ／Ｏ 仅从磁盘读取单个数据块，并把它读人共享缓存（Ｂｕｆｆｅｒ Ｃａｃｈｅ）中，设其代价为ｓｉｎｇｌｅ＿Ｒ＿ＢＣＯＳＴ。多数据块读是一次 Ｉ／Ｏ操作读取系统规定数量的数据块，设其代价为ｍｕｌｔｉ—Ｒ— ＢＣＯＳＴ。以读取数据块的块数作为磁盘代价的计量单位，能 其中，ｍｕ／ｔ ．Ｒ Ｂ ｐｏ￣．１ｇｒ是一次多数据块读的功率，ｓｉｎ＃ Ｒ— Ｂｌ一声 ｒ是一次单数据块读的功率。可利用式（８）将多块读 功率代价转换为单块读功率代价。 ３．２．２ ＣＰＵ功耗（ＣＰＵ＿ｃｏｓｔ＿ｐｏｗｅｒ） 在ＳＱＬ语句执行的过程中，每一种对数据的处理都会依 良好地反应磁盘的工作量。 ３．１ ＳＱＬ时间代价预测模型 ＳＱＬ执行的时间代价由ＣＰＵ时间代价与Ｉ／０时间代价 累加而成。在Ｏｒａｃｌｅ中，有一个参数Ｃｏｓｔ（ ＣＰＵ），用于表 示ＣＰＵ时间代价在总时间代价中所占的比例（可由系统统计 数据得到）。由于实验中涉及的都是执行时间较短且结构典 型的ＳＱＬ语句，因此ＣＰＵ的时间代价（相对于Ｉ／０时间代 价）往往忽略不计，即总的时间代价就是Ｉ／Ｏ时间代价。 ＣＯＳＴ＿ｔｉｍｅ＝』０Ｌｃｏｓｔ＿ｔｉｍｅ （１） 根据ＵＯ类型，利用单数据块读的单次时间代价将这两 种类型的Ｉ／０时间代价转换为统一的代价单位，为了避免在 不同数据库配置下数据块读操作有不同的操作时间，所有代 价都会转换为单数据块读的时间代价，并最终求解出数据库 总时间代价。利用单数据块读的时间代价作为最小代价单 位，Ｉ／Ｏ类型为单数据块读的总时间代价即为单数据块读的 总次数。 Ｉ／０类型为单数块读的时间代价： Ｊ０ｌ＿ｃｏｓｔ＿ｔｉｍｅ＝ｓｉｎｇｌ幔ＢＣＯＳＴ＝ｓｉｎｇｌ Ｂｌ＿ｓｕｍ（２） Ｉ／Ｏ类型为多数块读的时间代价： Ｉｏｊｏｓｔｔｉｍｅ＝－－ｍｕｌｔｉ ＿ＢＣＯＳＴ＝ｍｕｌｔｉ —ｓｕｍ （３） 统一代价单位的多块读时间代价： ｍｕｌｔｉ—Ｒ—ＢＣ℃ｌＳＴ—ｍｕｌｔｉ—Ｒ—Ｂ—ｓｕｍ＊Ａ ＲＥＤＴＪｊ、 ＳＲＥＡＤＴ¨ （４） 其中，ｓｉｎｇｌ 』；＿ｓｕｍ是单数据块读的总次数，ｍｕｌｔｉ＿Ｒ—Ｂ— ｓｕｍ是多数据块读的总次数。ＭＲＥＤＴＩＭ是一次多数据块 读的平均时间（单位为毫秒），ＳＲＥＡＤＴＩＭ是单数据块读的 平均时间（单位为毫秒）。利用式（４）可将多块读的时间代价 转换为单块读的时间代价，同时实际的时间代价可由式（２）或 式（４）与ＳＲＥＡＤＴＩＭ相乘得到。 ３．２ ＳＱＬ功率代价预测模型 功耗预测模型所估算的是系统动态总功率，是负载情况 下ＣＰＵ与Ｉ／Ｏ操作产生的动态功率之和，其中不包括系统空 闲时的功耗。同样，利用单数据块读的功率代价将ＣＰＵ功率 代价与Ｉ／０功率代价统一，因此所有功率代价都会转换为单 数据块读的功率代价，并最终求解出数据库的总功耗。 ＣＯＳＴ＿ ０础ｒ—ＩＯ＿ｃｏｓｔ＿ｐｏｗｅｒ＋ＣＰＵ＿ｃｏｓｔ＿ｐｏｗｅｒ （５） ３．２．１ Ｉ／０功耗（ＩＯｃｏｓｔ＿ｐｏｗｅｒ） Ｉ／Ｏ操作类型为单块读与多块读，因此仅计算Ｉ／Ｏ次数 而不先考虑每次Ｉ／０的功率消耗。 单数据块读的功率代价即为单数据块读的总次数，得到 Ｉ／Ｏ类型为单数块读的功率代价： ＿ｌｃｏｓｔ＿ｐｏｚｏｅｒ＝ｊ０ｌ＿ｓｉｎｇｌｅ＿ｃｏｓｔ＝ｓｉｎｇｌ Ｒ Ｂ—ｓｕｍ（６） Ｉ／Ｏ类型为多数块读的功率代价： 据处理量与处理方式的不同请求ＣＰＵ执行一定数量的指令， 将ＳＱＬ执行过程中消耗的ＣＰＵ指令称为ＣＰＵ总指令数 （ＣＰＵ＿ｓｕｍ），为方便计算，ＣＰＵ总指令数（ＣＰＵ＿ｓｕｍ）以万为 计量单位。利用转换因子（设为Ｔｒａｎｓｆｅｒ１）把ＣＰＵ功率代 价转换为Ｉ／Ｏ功率代价，实现ＣＰＵ功耗与Ｉ／Ｏ功耗单位统 一。Ｔｒａｎｓｆｅｒｌ即为计算一次单数据块读的能耗与等价的 ＣＰＵ指令数能耗的参数。 ＣＰＬＬｆｏｓｔ＝ＣＰＵ＿ｓｕｍ／Ｔｒａｎｓｆｅｒ１ （９） 转换因子的计算公式如下： Ｔｒａｎｓｆｅｒｌ＝ＣＰＵ＿ｗａｔｔ＊ｓｉｎｇｌｅ．王｛＿Ｂ—ｐｏｅｗｒ ０１０） 对于不同型号的ＣＰＵ，其处理指令的能力存在较大差 异，这里的处理能力是指ＣＰＵ的指令功率能力（ＣＰＵ＿ｗａｔｔ， 即每瓦特可以完成的ＣＰＵ指令数）。实验通过对数据库进行 初步的功耗建模，训练出ＣＰＵ＿ｗａｔｔ的值。 统一代价单位的ＣＰＵ功率代价： ＣＰＵ＿ｃｏｓｔ— ０议 ｒ—ＣＰＵ ｓｕｍ／（ＣＰＵ＿ｗａｔｔ＊ｓｉｎｇｌｅ—Ｒ— Ｂ＿ｐｏｚｅｅｒ） （１１） 由此可得，Ｉ／０类型为单数块读的系统总动态功率代价： Ｏ。５Ｔ＿ｐｏｗｅｒ—Ｉｏ＿ｃｏｓｔ＿ｐｏｗｅｒ＠ＣＰＵ＿ｃｏｓｔ＿ｐｏｗｅｒ —ｓｉｎ．ｇｌｅ—Ｒ—Ｂ—ｓｕｍ＋ＣＰＵ＿ｓｕｍ／（ＣＰＵ＿ ｗａｔｔ＊ｓｉｎｇｌｅ：Ｒ Ｂ ０伽ｒ） （１２） Ｉ／Ｏ类型为多数块读的系统总动态功率代价： Ｃ０ＳＴ＿ｐｏｗｅｒ—ＩＯ＿ｃｏｓｔ＿ｐｏｗｅｒ＋ＣＰＵ ｏｓｔ＿ｐｏｗｅｒ ＝ｍｕｌｔｉ—Ｒ—Ｂ—ｓｕｍ＊ｍｕｌｔｉ—Ｒ—Ｂ—ｐｏｗｅｒ／ ｓｉｎｇｌｅ＿王 ＿Ｂ—ｐｏｗｅｒ＠ＣＰＵ＿ｓｕｍ／（ＣＰＵ— ｗａｔｔ＊ｓｉｎｇｌｅ＿王 ＿Ｂ—ｐｍｏｅｒ） （１３） 设数据库系统总功耗为Ｔｏｔａｌ—ｐｏｅｗｒ，总能耗为Ｔｏｔａｌ— ｅｎｅｒｇｙ，系统的空闲功率（系统在无负载情况下的功耗）为 Ｉｄｌｅ＿ｐｏｗｅｒ，则系统总功耗与总能耗如下： Ｔｏｔａｌ＿ｐｏｗｅｒ＝ａ。ｓＴ＿】＇ｏｗｅｒ＋Ｉｄｌｅ＿ｐｏｗｅｒ （１４） Ｔｏｔａｌ＿ｅｎｅｒｇｙ＝（ＣＯＳＴ＿ｐｏｗｅｒ＋Ｉｄｌｅ＿＿ｐｏｗｅｒ）×Ｊ０Ｌｃｏｓｔ＿ ｔｉｍｅ （１５） ４模型设计与实现 将时间代价预测模型与功率代价预测模型合并即得到系 统总能耗预测模型。实验需求出ＣＰＵ指令功率能力、一次单 数据块读的功率、一次多数据块读的功率。以ｉ／ｏ类型为单 数据块读的情况为例求导模型，利用式（１２）、式（１４）得到Ｉ／０ 类型为单数据块读的系统总功耗如式（１６）所示： Ｔｏｔａｌ＿ｐｏｌｌｅｒ＝（１／ＣＰＵ＿ｗａｔｔ）＊ＣＰＵ ＋ｓｉｎ￣ｅ—Ｒ—Ｂ＿＿ ｐｏｗｅｒ＊ｓｉｎｇｌｅ＿Ｒ—ｓｕｍ＋ｉｄｌｅ＿ｐｏｗｅｒ（１６） 设系统的总功率为Ｙ，ＣＰＵ＿ｓｕｍ为Ｘ１，ｓｉｎｇｌｅ＿Ｒ—Ｂ—ｓｕｍ 为Ｘ ，得到如下多元线性回归方程式： 第１期 一 国冰磊，等：基于数据库负载的ＳＱＬ能耗预测模型 （１７） ２ｌ１ ＋ ×Ｘ１＋屉×Ｘ２ 为了保证ＳＱＬ执行引擎按照实验设计的执行方式处理 数据，需要使用Ｏｒａｃｌｅ Ｈｉｎｔｓ让查询优化器改变执行计划并 让ＳＱＬ执行引擎按照指定的执行计划执行ＳＱＬ语句。但是 需要注意Ｈｉｎｔｓ失效的情况，实验中建立的索引必须为唯一 其中，Ｘ・，Ｘ２为自变量（回归变量），参数 ， ， 称为回归 系数，分别代表系统空闲功率、每万条ＣＰＵ指令消耗的功率 及一次单数据块读的功率。 ４．１ 实验环境及数据采集 非空索引才能保证所有关于索引的操作有效。当存在索引范 围扫描、索引唯一扫描、索引完全扫描、由ＲＯＷＩＤ访问表等 实验通过双机通信的方式排除功率监控软件对采样数据 准确度的干扰。采用ＨＯＰＩ数字功耗仪，搭建能耗建模的实 验平台，实验功耗数据采样频率设置为每秒１次，如图１所 示。实验总体环境描述如表１所列。实验测试所用表为 ＥＭＰ，ＤＥＰＴ，ＡＤＤＲＥＳＳ，ＳＡＬＡＲＹ，ＪＯＢＴＩＴＬＥ，数据量分别 操作时会出现单数据块读操作，当存在全表扫描和快速完全 索引扫描时会出现多数据块读。实验设计了两组数据集，一 组用于训练出回归模型中回归系数的值，一组用于验证模型 的有效性与准确度。实验中训练集及测试集分别为１００条和 为５００万，１００万，１００万，１００万，１００万。 ⑧ 数据库服务器 囱 功率计 监控测量系统 图ｉ能耗测试环境示意图 表１实验环境描述 项目 描述 操作系统 Ｗｉｎｄｏｗｓ ７ ６４位ＳＰ１（ＤｉｒｅｃｔＸ １１） 数据库管理系统 Ｏｒａｃｌｅ ｌ１ｇ 功耗数据测量 ＨＯＰＩ功率测试仪（ＵＳＢ智能版），功率误差值土ｎ ０１Ｗ，采 样频率为１～３ｓ之间，单位为ｋｗｈ 功耗数据采集 用电监测仪数据分析系统Ｖ１．０．１ 实验机ＣＵ Ｉｎｔｅｌ（Ｒ）Ｃｏｒｅ ｉ７—４７９０＠３．６０ＧＨｚ 实验机内存 ４ ＧＢ（金士顿ＤＤＲ３Ｌ１６００ＭＨｚ） 实验机硬盘 西数ＷＤＣ ＷＤ１０ＥＺＥＸ－２１Ｍ２ＮＡ０（９９７ＧＢ／７２ＯＯ转／分） Ｏｒａｃｌｅ系统中，系统处理能力是影响执行计划中操作代 价参数的重要因素，ＤＢＭＳ—ＳＴＡＴＳ中有相应的存储过程 （ＧＡＴＨＥＲ＿ＳＹＳＴＥＭ ｓＴＡＴＳ）来收集相关数据。这些系统 统计数据包括：ＣＰＵ指令总数（ＣＰＵ—ｓｕｍ）、单块读次数（ｓｉｎ— ｇｌｅ＿＿Ｒ＿Ｂ＿ｓｕｍ）、多块读次数（ｍｕｌｔｉ＿Ｒ．．Ｂ＿ｓｕｍ）、单块读Ｉ／Ｏ时 间（ＳＲＥ ｌＴＩＭ）、多块读Ｉ／０时间（ＭＲＥＤＴＩＭ）以及ＭＢＲＣ （ｄｂ＿ｆｉｌｅ＿ｍｕｌｔｉｂｌｏｃｋ＿ｒｅａｄ＿ｃｏｕｎｔ）即多数据块读时一次Ｉ／０读 取的数据块数量。其中ＳＲＥＡＤＴＩＭ和ＭＲＥＤＴＩＭ需要在负 载模式下多次收集。 为了避免驻留在共享池（ｓｈａｒｅｄ＿ｐｏｏ１）及缓存（ＢＵＦＦＥＲ＿ ＣＡＣＨＥ）中的数据影响其他ＳＱＬ语句的执行，每提交一次 ＳＱＬ语句到客户端（ＳＱＬ Ｐｌｕｓ）都需清空缓存（ＢＵＦＦＥＲ— ＣＡＣＨＥ）及共享池（ｓｈａｒｅｄ＿ｐｏｏ１）。同时为了减小误差，每条 ＳＱＬ要在清空共享池和缓存的情况下连续执行１００次。采 用ＰＬ／ＳＱＬ＋动态ＳＱＬ使ＳＱＬ语句无缝嵌套在ＰＬ／ＳＱＬ代 码段。 实验中，系统需绕过缓存从磁盘直接读人数据块。因为 从磁盘读取数据块和从缓存读取数据块是两个不同的操作， 所以需要定期清除缓存，以保证与缓存相关的数据操作的统 计数据（ｄｂ—ｂｌｏｃｋ—ｇｅｔｓ—ｆｒｏｍ＿ｃａｃｈｅ，ｐｈｙｓｉｃａｌ—ｒｅａｄｓ—ｃａｃｈｅ及 ｃｏｎｓｉｓｔｅｎｔ＿ｇｅｔｓ＿ｆｒｏｍ＿ｃａｃｈｅ）为零。 １０条。训练集实例与测试集实例分别如表２、表３所列。 表２实验所用训练集实例 表３实验所用测试集实例 ４．２模型求解与验证 数据库系统的总功率由空闲功率与动态功率组成。空闲 功率是系统在无负载情况下的功率，动态功率是执行ＳＱＬ语 句所需的额外功率。系统的动态功率反映了系统当前的资源 消耗情况。当系统处于空闲状态时，测得其平均功率为 ３０．９２Ｗ。在ＤＢＭＳ独占系统资源的情况下，执行训练集（见 表２），收集统计数据，在Ｍａｔｌａｂ中用多元线性回归方法进行 线性拟合，可得到如下公式： ＝３８．６Ｏ＋０．０３８６×Ｘ１＋０．３７３３×Ｘ２ （１８） 式（１８）中的参数含义与式（１７）中一致。理想情况下，常 数项应该等于空闲功率（３０．９２Ｗ），但拟合结果为３８．６０Ｗ，与 真实值的误差为１９．９％。因测试时无法预知系统的活动，且 除ＣＰＵ和磁盘外其他组件也存在功率消耗，其功率应高于纯 粹的空闲功率。在负载模式下收集的ＳＲＥＡＤＴＩＭ和 ＭＲＥＤＴＩＭ分别为３．５９和１１．１５（单位为毫秒）。 由此可得，在Ｉ／Ｏ类型为单块读时系统总能耗预测模型 如下： Ｔｏｍｆ＿伽ｒ髫 一（３８．６Ｏ＋０．０３８６＊Ｘ１＋０．３７３３＊ｘ２）＊ （ ＊３．５９＊１Ｏ一０） （１９） 将所得的参数值带入式（１３），设ｍｕｌｔｉ—Ｒ—Ｂ＿ｓｕｍ为 ， 同理可得在Ｉ／０类型为多块读时系统总能耗预测模型为： Ｔｏｔａｌ＿ｅｎｅｒｇｙ＝（３８．６０＋Ｘ３＊１．０５＋Ｘ１＊０．０３８６）＊ （Ｘ３＊１１．１５＊１Ｏ一０） （２０） 一２１２ 计算机科学 ２０１７正 为了简化数据库中不同种类查询负载能耗的预测过程， 在不区分Ｉ／Ｏ操作类型的情况下，利用式（１９）、式（２Ｏ）得到通 用的系统总能耗预测模型： Ｔｏｔａｌｅｎｅｒｇｙ＝｛１３８．５７４Ｘ２＋ （Ｏ．１３８６Ｘ２＋０．４３ｏ４Ｘ３）＋ ＿均相对误差为９．２７ 。实验结果表明，本文模型能够较准确 地预测数据库系统的能耗以及系统重要组件（ＣＰＵ、磁盘）的 能耗。 ４．３ ＭＢＲＣ设置与模型稳定性 ＭＢＲＣ（ｄｂｆｉｌｅ＿ｍｕｌｔｉｂｌｏｅｋｒｅａｄ＿＿＿４３０．３９ ＋１１．７０７５嬲＋１．３４０１爱｝＊ １０一。（２１） ｃｏｕｎｔ）即执行一次多数 据块读操作从磁盘读取数据块的数量。通常情况下操作系统 的最大Ｉ／０会影响Ｏｒａｃｌｅ的ＭＢＲＣ设置，在最大ｉ／ｏ为 为验证模型的准确性，实验设计的测试集分别实现了单 数据块读和多数据块读的Ｉ／Ｏ操作，其ＳＱＩ 语句实例如表３ 所列。在两种不同的系统环境下对ＳＱＬ语句的执行能耗进 行测量，分别运行了１Ｏ条测试语句。 （１）静态环境：系统上只运行ＤＢＭＳ，数据库系占系 统资源，ＳＱＬ语句依次单个执行。此时多处理级（Ｍｕｌｔｉ—Ｐｒｏ— ｃｅｓｓｉｎｇ Ｌｅｖｅｌ，ＭＰＬ）为１。 （２）动态环境：将ＭＰＬ设置为２，即存在一个其他应用程 序与数据库系统共享系统资源。实验中运行．ＮＥＴ程序进行 模拟。测试结果如图２一图５所示。 图２静态环境下能耗预测图（Ｉ／Ｏ类型为单数据块读） 图３ 动态环境下能耗预测图（Ｉ／０类型为单数据块读） 图４静态环境下能耗预测图（Ｉ／Ｏ类型为多数据块读） 图５动态环境下能耗预测图（Ｉ／Ｏ类型为多数据块读） 由图２和图３可知，在静态环境下（ＭＰＬ一１），本文模型 比文献Ｅｌｏ，１１１中的模型对能耗预测的准确性更高。通过分 析实验数据可知，本文模型的优越性在于在估算ＣＰＵ能耗时 所选取的ＣＰＵ指令数为最小计量单位，其能更好地反应 ＣＰＵ的能量消耗。在静态环境下的平均相对误差为５．７３ ， 绝对误差不超过９．６ 。由图４和图５可知，在动态环境下 （ＭＰＬ一２），由于系统活动情况无法预知，数据库系统与其他 程序竞争系统资源，在有些地方的绝对误差会超过２Ｏ ，平 １ＭＢ时，ＭＢＲＣ值为１ＭＢ／ｄｂ＿ｂｌｏｃｋ—ｓｉｚｅ。实验中，数据库服 务器设定的ｄｂ＿ｂｌｏｃｋ＿ｓｉｚｅ（数据块大小，在数据库创建时被指 定，数据库一旦创建，其值就不可更改）的值为８ｋＢ，即上述实 验中系统允许的ＭＢＲＣ最大值为１２８。对比图２、图３与图 ４、图５，发现多块读的模型精确度要略低于单块读的模型精 确度。为了找到其原因，利用１００４６事件，分析跟踪文件后发 现在设置完ＭＢＲＣ后系统在执行负载时并不一定能保证其 值的有效性，即实际执行过程中并不是每次都读取规定数量 的数据块，详细信息如表４所列。在不同数据库配置下，表４ 中的数据存在不同程度的差异。为了考察ＭＢＲＣ的设置对 模型的影响，设实验中设置的ＭＢＲＣ值与实际一次读取数据 块总量之间的差值为ｄ＿ｖａｌｕｅ（Ｅｏ，１ＭＢ／ｄｂ＿ｂｌｏｃｋ＿ｓｉｚｅ））。实 验中改变ＭＢＲＣ的值，分别在ＭＢＲＣ为４，５，１０，２０的情况下 对５张不同的表进行全表扫描，并计算不同ＭＢＲＣ设置下的 能耗误差，如图６所示。 表４ ＭＢＲＣ与ｄ＿ｖａｌｕｅ值 ＭＢＲＣ 一次Ｉ／ｏ实际读取数据块数量（平均值） ｄ＿＿ｖａｌｕｅ（平均值） １ ２ ３ ４ ５ ＳＯＬ序号 图６ ＭＢＲＣ设置与能耗误差 结合表４与图６发现随着ＭＢＲＣ值的增大，理论上与实 际上一次Ｉ／０读取的数据块数之间的差值变大（即ｄ—ｖａｌｕｅ 变大），能耗误差与ＭＢＲＣ值的设定之间没有明显的关系。 但是仔细观察图６发现在ＭＢＲＣ为１０时，误差范围比较稳 定。由此推测，针对不同的数据库配置环境，存在一个对应的 ＭＢＲＣ值符合能耗预测模型稳定性的要求。但这一初步的 结果需要在不同数据库配置环境下进行大量的实验验证，本 文主要关注静态环境下的能耗建模，是否存在一个最优的 ＭＢＲＣ值也是我们未来研究的重点。 结束语本文提出的能耗预测模型不需单独测量系统各 组件的能耗，只需提取ＳＱＬ执行计划中的相关资源消耗信息 及利用功率计测量出系统的整机功耗就可以实现对系统整体 能量消耗的预测。将复杂的能耗建模过程分解为两个相对简 单的预测模型（时间代价预测模型和功率代价预测模 型），降低了模型构建的复杂度。相比于传统数据库，能耗感 知的绿色数据库更能适应以节能为中心的全球低碳化趋势。 第１期 国冰磊，等：基于数据库负载的ＳＱＬ能耗预测模型 ２１３ 基于本文提出的能耗预测模型，可以达到为数据库负载估算 Ｉ－８］ＧＲＡＹ Ｊ．Ｔａｐｅ ｉｓ ｄｅａｄ，ｄｉｓｋ ｉｓ ｔａｐｅ，ｆｌａｓｈ ｉｓ ｄｉｓｋ，ＲＡＭ ｌｏｃａｌｉｔｙ ｉｓ ｋｉｎｇ１，０Ｌ］．ｈｔｔｐ：／／ｓｉｇｎａｌｌａｔｅ．ｃｏｍ／ｓｉｇｎａｌｌａｋｅ．ｃｏｎ／ｒｉｎｎｏｖａｔｉｏｎ／ Ｆｌａｓｈ＿能量消耗的目的，但是如何挑选节能的查询计划以及如何在 满足系统性能需求的同时最小化能耗，需要充分考虑性能与 功率之间的折中问题。 ｉｓ＿Ｇｏｏｄ．ｐｄｆ． ［９］ＷＡＮＧ Ｊｉａｎｇ－ｔａｏ，ＬＡＩ Ｗｅｎ－ｙｕ，ＭＥＮＧ Ｘｉａｏ－ｆｅｎｇ．Ｆｌａｓｈ－Ｂａｓｅｄ 本文下一步工作要点： ａｔＤａｂａｓｅ：Ｓｔｕｄｉｅｓ，Ｔｅｃｈｎｉｑｕｅｓ ａｎｄ Ｆｏｒｅｃａｓｔｓ［Ｊ］．Ｃｈｉｎｅｓｅ Ｊｏｕｒ— ｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒｓ，２０１３，３６（８）：１５４９—１５６７．（ｉｎ Ｃｈｉｎｅｓｅ） （１）以关系型数据库为基础，进一步研究ＭＢＲＣ值与模 型稳定性的关系及在不同的数据库配置环境下是否存在一个 最优的ＭＢＲＣ值。 （２）将本文提出的能耗预测模型扩展到动态环境下 王江涛，赖文豫，孟小峰．闪存数据库：现状，技术与展望［Ｊ］．计 算机学报，２０１３，３６（８）：１５４９—１５６７． ［１Ｏ－Ｉ ＲＯＤＲＩＧＵＥＺ－ＭＡＲＴＩＮＥＺ Ｍ，ＶＡＬＤＩＶＩＡ Ｈ，ＳＥＧＵＥＬ Ｊ， ｅｔ ａ１．Ｅｓｔｉｍａｔｉｎｇ Ｐｏｗｅｒ／Ｅｎｅｒｇｙ ｃｏｎｓｕｍｐｔｉｏｎ ｉｎ Ｄａｔａｂａｓｅ Ｓｅｒｖ— （ＭＰＬ＞２），研究如何进一步提高模型的精确度与健壮性。 （３）以本文提出的能耗预测模型为基础，研究如何捕获系 ｅｒｓ［Ｊ］．Ｐｒｏｃｅｄｉａ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ，２０１１，６（１）：１１２—１１７． ［１１］ＸＵ Ｚ．Ｂｕｉｌｄｉｎｇ ａ ｐｏｗｅｒ－ａｗａｒｅ ｄａｔａｂａｓｅ ｍａｎａｇｅｍｅｎｔ ｓｙｓｔｅｍ［ｃ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｆｏｕｒｔｈ ＳＩＧ～尬ｌＤ ＰｈＤ Ｗｏｒｋｓｈｏｐ ｏｎ Ｉｎｎｏｖａ— ｔｉｖｅ Ｄａｔａｂａｓｅ Ｒｅｓｅａｒｃｈ．ＡＣＭ，２０１０：１－６． 统在动态情况下对性能退化所能容忍的最大限度，进而指导 查询优化器挑选性能较优且功耗低的节能查询计划。 ［１２］ＸＵ ｚ，ＴＵ Ｙ Ｃ，ＷＡＮＧ Ｘ．Ｅｘｐｌｏｒｉｎｇ ｐｏｗｅｒ－ｐｅｒｆｏｒｍａｎｃｅ ｔｒａ－ 参考文献 Ｅｌｉ ＰＯＥＳＳ Ｍ。ＮＡＭＢＩＡＲ Ｒ Ｏ．Ｅｎｅｒｇｙ ｃｏｓｔ，ｔｈｅ ｋｅｙ ｃｈａｌｌｅｎｇｅ ｏｆ ｔｏｄａｙ’ｓ ｄａｔａ ｃｅｎｔｅｒｓ：ａ ｐｏｗｅｒ ｃｏｎｓｕｍｐｔｉｏｎ ａｎａｌｙｓｉｓ ｏｆ ＴＰＣ－Ｃ ｄｅｏｆｆｓ ｉｎ ｄａｔａｂａｓｅ ｓｙｓｔｅｍｓ１，Ｃ］｝｝２０１０ ＩＥＥＥ ２６ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ ｏｎｆｅｒｅｎｃｅ ｏｎ Ｄａｔａ ＥｎｇｉＣｎｅｅｒｉｎｇ（ＩＣＤＥ）．ＩＥＥＥ，２０１０：４８５—４９６． ［１３］ＸＵ Ｚ，ＴＵ Ｙ Ｃ，ｗＡＮＧ Ｘ ＰＥＴ：ｒｅｄｕｃｉｎｇ ｄａｔａｂａｓｅ ｅｎｅｒｇｙ ｃｏｓｔ ｖｉａ ｑｕｅｒｙ ｏｐｔｉｍｉｚａｔｉｏｎ［Ｊ］．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＶＬＤＢ Ｅｎｄｏｗ— ｍｅｎｔ，２０１２，５（１２）：１９５４－１９５７． ｒｅｓｕｌｔｓ１，Ｊ］．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＶＬＤＢ Ｅｎｄｏｗｍｅｎｔ，２００８，１（２）： １２２９—１２４０． ｒ１４］ＴＳＩＲＯＧＩＡＮＮＩＳ Ｄ，ＨＡＲＩＺ０Ｐ０ＵＬ０Ｓ Ｓ，ＳＨＡＨ Ｍ八Ａｎａｌｙ— Ｅ２］ＫＵＩ￣Ｐ Ｐ．Ｇｒｅｅｎ Ｃｏｍｐｕｔｉｎｇ［Ｊ］．Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｏｆ ｔｈｅ ＡＣＭ， ２００８，５１（１０）：ｌ１—１３． ｚｉｎｇ ｔｈｅ ｅｎｅｒｇｙ ｅｆｆｉｃｉｅｎｃｙ ｏｆ ａ ｄａｔａｂａｓｅ ｓｅｒｖｅｒ［ｃ］∥Ｐｒｏｃ．ｏｆ ＳＩＧＭＯＤ’１０ Ｉｎｄｉａｎａｐｏｌｉｓ．ＩＮ，ＵＳＡ，２０１０：２３１—２４２． ［３］ＨＡＲＩＺＯＰＯＵＬＯＳ Ｓ，ＳＨＡＨ Ｍ，ＭＥＺＡ Ｊ，ｅｔ ａ１．Ｅｎｅｒｇｙ ｅｆｆｉｃｉｅｎ— ｃｙ：Ｔｈｅ ｎｅｗ ｈｏｌｙ ｇｒａｉｌ ｏｆ ｄａｔａ ｍａｎａｇｅｍｅｎｔ ｓｙｓｔｅｍｓ ｒｅｓｅａｒｃｈ ，１１５］ＪＩＮ Ｐｅｉ－ｑｕａｎ，ＸＩＮＧ ａｏ－Ｂｐｉｎｇ，ＪＩＮ Ｙｏｎｇ，ｅｔ ａ１．Ｓｕｒｖｅｙ ｏｎ ｅｎｅｒ— ｇｙ－ａｗａｒｅ ｇｒｅｅｎ ｄａｔａｂａｓｅｓ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ａｐｐｌｉｃａｔｉｏｎ， ２０１４，３４（１）：４６—５３．（ｉｎ Ｃｈｉｎｅｓｅ） ＥＪ］．ａｒＸｉｖ ｐｒｅｐｒｉｎｔ ａｒＸｉｖ：０９０９．１７８４，２００９． ［４］ＢＲＩＬＬ Ｋ Ｇ．Ｄａｔａ ｃｅｎｔｅｒ ｅｎｅｒｇｙ ｅｆｆｉｃｉｅｎｃｙ ａｎｄ ｐｒｏｄｕｃｔｉｖｉｔｙ［Ｊ］． ｔｈｅ Ｕｐｔｉｍｅ Ｉｎｓｉｔｉｔｕｔｅ－Ｗｈｉｔｅ Ｐａｐｅｒ，２００７（５）：１７６—１８４． 金培权，邢宝平，金勇，等．能耗感知的绿色数据库研究综述［Ｊ］． 计算机应用，２０１４，３４（１）：４６—５３． Ｅ５］ＬＩＡＯ Ｂｉｎ，ＹＵ Ｊｉｏｎｇ，ＺＨＡＮＧ Ｔａｏ，ｅｔ ａ１．Ｅｎｅｒｇｙ－Ｅｆｆｉｃｉｅｎｔ Ａ１一 ［１６］ＹＡＮＧ Ｌｉａｎｇ－ｈｕａｉ，ＺＨＵ Ｈｏｎｇ－ｙａ￣Ｗｈｏｌｅ ｓｙｓｔｅｍ ｒｅａｌｔｉｍｅ ｐｏｗｅｒ ｐｒｏｆｉｌｉｎｇ ａｎｄ ｍｏｄｅｌｉｎｇ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ， ２０１４，４１（９）：３２—３７．（ｉｎ Ｃｈｉｎｅｓｅ） ｇｏｒｉｔｈｍｓ ｆｏｒ Ｄｉｓｔｒｉｂｕｔｅｄ Ｆｉｌｅ Ｓｙｓｔｅｍ ＨＤＦＳ［Ｊ－１．Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒｓ，２０１３，３６（５）：１０４７—１０６４．（ｉｎ Ｃｈｉｎｅｓｅ） 廖彬，于炯，张陶，等．基于分布式文件系统ＨＤＦＳ的节能算法 杨良怀，朱红燕．整机系统实时功率剖析与建模［Ｊ］．计算机科 学，２０１４，４１（９）：３２—３７． 研究Ｉ－Ｊ］．计算机学报，２０１３，３６（５）：１０４７—１０６４． －１６］ＬＩＡＯ Ｂｉｎ，ＹＵ Ｊｉｏｎｇ，ＳＨＵＮ Ｈｕａ，ｅｔ ａ１．Ｅｎｅｒｇｙ－Ｅｆｆｉｃｉｅｎｔ Ａｌｇｏ— ｒｉｔｈｍｓ ｆｏｒ Ｄｉｓｔｒｉｂｕｔｅｄ Ｓｔｏｒａｇｅ Ｓｙｓｔｅｍ Ｂａｓｅｄ ｏｎ Ｄａｔａ Ｓｔｏｒａｇｅ ［１７］ＧＵＯ Ｂｉｇ－ｎｌｅｉ，ＹＵ Ｊｉｏｎｇ，ＬＩＡＯ Ｂｉｎ，ｅｔ ａ１．ＳＱＬ Ｅｎｅｒｇｙ ＣＯｎ－ ｓｕｍｐｔｉｏｎ Ｍｏｄｅｌｉｎｇ ａｎｄ Ｏｐｔｉｍｉｚａｔｉｏｎ Ｒｅｓｅａｒｃｈ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ，２０１５，４２（１０）：２０２—２０７．（ｉｎ Ｃｈｉｎｅｓｅ） Ｓｔｒｕｃｔｕｒｅ Ｒｅｅｏｎｆｉｇｕｒａｔｉｏｎ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｒｅｓｅａｒｃｈ ａｎｄ Ｄｅｖｅｌｏｐｍｅｎｔ，２０１３，５０（１）：３－１８．（ｉｎ Ｃｈｉｎｅｓｅ） 国冰磊，于炯，廖彬，等．ＳＱＬ能耗建模及优化研究［Ｊ］．计算机 科学，２０１５，４２（１０）：２０２—２０７． 廖彬，于炯，孙华，等．基于存储结构重配置的分布式存储系统节 能算法［Ｊ］．计算机研究与发展，２０１３，５０（１）：３－１８． Ｅ７］ｕＡ０ Ｂｉｎ，ＹＵ Ｊｉｏｎｇ，ＺＨＡＮＧ Ｔａｏ，ｅｔ ａ１．Ｎｏｖｅｌ Ｅｎｅｒｇｙ－ｅｆｆｉｃｉｅｎｔ Ｍｅｔａｄａｔａ Ｄｙｎａｍｉｃ Ｍｏｄｅｌｉｎｇ ａｎｄ Ｍａｎａｇｅｍｅｎｔ Ａｐｐｒｏａｃｈ ｆｏｒ ，１１８］ＬＡＮＧ Ｗ，ＰＡＴＥＬ Ｊ．Ｔｏｗａｒｄｓ ｅｃｏ—ｆｒｉｅｎｄｌｙ ｄａｔａｂａｓｅ ｍａｎａｇｅ ｍｅｎｔ ｓｙｓｔｅｍｓ［Ｊ］．ａｒＸｉｖ ｐｒｅｐｒｉｎｔ ａｒＸｉｖ：０９０９．１７６７，２００９． ［１９］ＺＨＵ Ｙｉ，ＸＩＡＯ Ｆａｎｇ－ｘｉｏｎｇ，ＺＨＯＵ Ｈａｎｇ，ｅｔ ａ１．Ｍｅｔｈｏｄ ｆｏｒ Ｍｏｄｅｌｉｎｇ ａｎｄ Ａｎａｌｙｚｉｎｇ Ｓｏｆｔｗａｒｅ Ｅｎｅｒｇｙ Ｃｏｎｓｕｍｐｔｉｏｎ ｏｆ Ｅｍ— Ｃｌｏｕｄ Ｓｔｏｒａｇｅ Ｓｙｓｔｅｍ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｃｈｉｎｅｓｅ Ｃｏｍｐｕｔｅｒ Ｓｙｓ— ｔｅｒｎｓ，２０１３，１０（３４）：２４０７—２４１２．（ｉｎ Ｃｈｉｎｅｓｅ） ｂｅｄｄｅｄ Ｒｅａｌ－Ｔｉｍｅ Ｓｙｓｔｅｍ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｒｅｓｅｒａｃｈ ａｎｄ Ｄｅｖｅｌｏｐｍｅｎｔ，２０１４，５１（４）：８４８—８５５．（ｉｎ Ｃｈｉｎｅｓｅ） 廖彬，于炯，张陶，等．一种适应节能的云存储系统元数据动态建 模与管理方法［Ｊ］．小型微型计算机系统，２０１３，１０（３４）：２４０７— ２４】２． 祝义，肖芳雄，周航，等．一种嵌入式实时系统软件能耗建模与分 析的方法［Ｊ］．计算机研究与发展，２０１５，５１（４）：８４８—８５５． （上接第１９８页） ［１８］ＬＩ Ｋ，ＳＨＡＮ Ｚ Ｇ，ＷＡＮＧ Ｊ，ｅｔ ａ１．Ｏｖｅｒｖｉｅｗ ｏｎ Ｍａｊｏｒ Ｒｅｓｅａｒｃｈ Ｓｈａｎｇｈａｉ Ｓｃｉｅｎｔｉｆｉｃ ａｎｄ Ｔｅｃｈｎｏｌｏｇｉｃａｌ Ｅｄｕｃａｔｉｏｎ Ｐｕｂｌｉｓｈｉｎｇ Ｈｏｕｓｅ，１９９６．（ｉｎ Ｃｈｉｎｅｓｅ） Ｐｌａｎ ｏｆ Ｔｒｕｓｔｗｏｒｔｈｙ Ｓｏｆｔｗａｒｅ［Ｊ］．Ｂｕｌｌｅｔｉｎ ｏｆ Ｎａｔｉｏｎａｌ Ｎａｔｕｒａｌ ｃｉＳｅｎｃｅＦｏｕｎｄａｔｉｏｎ ｏｆＣｈｉｎａ，２００８，２２（３）：１４５—１５１．（ｉｎＣｈｉｎｅｓｅ） 杨路，张景中，侯晓荣．非线性代数方程组与定理机器证明［Ｍ］． 北京：上海科技教育出版社，１９９６． 李克，单志广，王戟，等．可信软件基础研究重大研究计划综述 ［Ｊ］．中国科学基金，２００８，２２（３）：１４５—１５１． ［２Ｏ］ＹＡＮＧ Ｌ，ＸＩＡ Ｂ ｃ．Ｉｎｅｑｕａｌｉｔｙ Ｍａｃｈｉｎｅ Ｐｒｏｖｉｎｇ ａｎｄ Ａｕｔｏｍａｔｅｄ Ｄｉｓｃｏｖｅｒｙ［Ｍ］．Ｂｅｉｊｉｎｇ：ｃｉＳｅｎｃｅ Ｐｒｅｓｓ，２００８．（ｉｎ Ｃｈｉｎｅｓｅ） 杨路，夏壁灿．不等式机器证明与自动发现［Ｍ］．北京：科学出版 社，２００８． ［１９］ＹＡＮＧ Ｌ，ＺＨＡＮＧ Ｊ Ｚ，ＨＯＵ Ｘ Ｒ．Ｎｏｎｌｉｎｅａｒ Ｓｙｓｔｅｍｓ ｏｆ Ａｌｇｅ— ｂｒａｉｃ Ｅｑｕａｔｉｏｎｓ ａｎｄ Ａｕｔｏｍａｔｅｄ Ｔｈｅｏｒｅｍ Ｐｒｏｖｉｎｇ［Ｍ］．Ｂｅｉｊｉｇ：ｎ
