軟硬件節能原理深度融合之綠色異構調度算法*

王靜蓮,龔 斌,劉 弘,李少輝

1(魯東大學 信息與電氣工程學院,山東 煙臺 264025)

2(山東大學 軟件學院,山東 濟南 250101)

3(山東省高性能計算中心,山東 濟南 250101)

4(山東師范大學 信息科學與工程學院,山東 濟南 250014)

近年來,虛擬云聚合廣域分布的各類硬件資源(同構或異構集群、存儲設備及高級儀器等),形成對用戶相對透明、虛擬的高性能環境,深受世界青睞.然而,自 2010 年開始,信息通信技術(information communication technology,簡稱ICT)領域因其全球25%能耗之巨,及當年跟全世界航空運輸業相當的CO2排放量,成為第五大耗能產業[1];另有數據顯示,ICT 產業存在很大能源浪費:中國數據中心PUE(power usage effectiveness)普遍大于2.2(同期資料顯示:美國數據中心的PUE 也基本保持在1.9).隨著全球能源短缺、極端天氣頻現以及低碳經濟或人類可持續發展的迫切需要,虛擬云高性能向高效能計算的演進,已引起國內外各界廣泛關注[2].

目前,相關研究大致集中在硬件和軟件兩個層面.

通常,云物理層可采用嵌入低功耗組件改變系統架構方法,實現操作過程中能耗監管和優化調節.這種方法一定程度有效,但設計和更換費用過于昂貴[3,4].

事實上,云效能的高低很大程度上由調度中間件決定,即基于服務質量(quality of service,簡稱QoS)指標,在一組具有任意特性的云處理器中進行資源分配和任務排序.元啟發式(meta-heuristics)優化算法(如遺傳算法、人工免疫算法等)是調度引擎核心,其基于QoS 指標定義的個體適應度或免疫親和度函數,是仿生群體迭代進化、更新模擬的內驅力[5,6].

這里,將硬件云不影響計算性能而實現能耗值極小化作為評價目標之一,是軟件節能的主要途徑[7].

具體講,靜態功耗由CMOS(complementary-symmetry metal oxide semiconductor)電路泄漏電流產生,具有穩態性.動態能耗則源于硬件的物理反饋原理,例如,DVFS(dynamic voltage frequency scaling)或DPM(dynamic power management)可依據工作負載啟用情況更細粒度地進行處理器核內“頻率”調節[8];但值得注意的是,眾核處理器囿于微結構級DVFS 或DPM 配置等區別,會產生不同的頻率-電壓等級,即“異構性”;表現為即使具有同樣的工作負載,異構處理器動態功耗開銷也差異極大.因而,存在相當大節能空間是微體系結構級所無法涉足而亟待調度中間件宏觀調控的.

與此同時,動態能效指標量化,國內外目前大多沿用模糊估算方法:基于性能計數器,實時統計與耗能關聯度大的硬件事件,進而借助經驗得到粗略值.由于硬件應用事件總以螺旋式上升發展,這種動態功耗的模糊估算模式大多僅適于同構集群.

換言之,以元啟發式算法為基礎的調度中間件面對異構高維優化難題大多存在進化動力不足、個體多樣性不夠或收斂速度過慢等不足[9,10].

著眼于多角度、全方位提升算法之協同進化模擬內驅力,本文提出一種新的綠色異構調度算法(GHSA_ di/II).本研究屬于異構集群體系、云調度中間件和分布式人工智能等多學科交叉方向,是文獻[11]后續3 年的最新成果.

1 相關工作

目前,通用多核微處理器(central processing unit,簡稱CPU)與定制加速協處理器(graphic processing unit,簡稱GPU)混合體系已成為千萬億次高性能計算機一種發展趨勢.由于存在DVFS 配置及CMOS 制造工藝等方面的差異,實時處理器可調電壓邊界、對應不同負載啟用粒度的電壓和頻率級別構成以及工作頻率與動態能耗相互之間影響規律非常復雜[3,4,8],因此,面對計算資源異構性,僅靠調頻核心技術之“負載→頻率”應答機制,還存在諸多節能約束;而對異構集群主要耗能部件的實時動態功耗,從測量方法到預估模型現在都面臨一系列挑戰.

大規模實時調度一般要求在性能不降低的情況下減少能耗值.現有的實時調度研究大多關注同構系統的兩類簡單任務對象:周期任務和靜態任務.在這兩種類型中,假定“任務”是不能被搶占的最小單位,作業都被假設為無限調用任務序列;且模型中不存在作業內并行性,即在任意時刻,每個作業實例最多在一個處理器上執行[7].

異構實時調度,重點介紹4 個代表性新成果.文獻[12]提出的EEVS 引擎在調度目標中引入通信成本參數K:設定好K值后,把當前任務映射到某處理單元,如果增加的通信量邊大于平均通信量與K值的積,則更改映射;K的最優取值與具體任務圖相關,可通過實驗確定.文獻[13]提出了求解最佳處理單元數目算法,實現了處理機數目和時鐘頻率的有效平衡,但由于處理機數目的上下界范圍過寬,使用二分查找和線性查找確定處理機數目的方式增加了算法執行時間和復雜度.GOA(greedy online algorithm)及TOAA(2-approximation online algorithm)是文獻[14]分別面向同構、異構系統提出的實時動態任務引擎的最新研究.TOAA[14]面對計算資源的異構性,對每個任務組反復查找最小化能耗的最佳匹配,但任務分配完全基于靜態分組和復制結果.文獻[15]提出了異構系統下并行應用引擎p-BFF(power-aware backfilling-first-fit):p-BFF[15]忽略調頻處理器動態能耗量化,僅優化靜態功耗,不適合數據密集應用.

另外,上述調度算法大多為基于啟發式算法(heuristic algorithm).對QoS 高維指標需求,啟發式調度會將多目標歸一聚合至單目標函數,得到決策空間的一個可行解:降低了最終解的質量,缺乏靈活性和擴展性[16-18].

近年來,模擬達爾文“適者生存”自然進化論或生物免疫等機制的一類仿生智能算法(如遺傳算法、人工免疫算法等),被廣泛應用于云調度優化問題[5,6].這類方法基于仿生個體(候選解)特征編/解碼,元啟發式(meta- heuristics)搜索解空間,具體包括遺傳算法(genetic algorithms,簡稱 GA)、人工免疫算法(artificial immune algorithms)、粒子群算法(particle swarm optimization,簡稱PSO)、模因算法(memetic algorithms,簡稱MA)和細胞模因算法(cellular MA,簡稱 cMA)等,以及元啟發式算法與其他一些技術的融合,比如神經網絡(neural networks)、變鄰域搜索(variable neighborhood search)和列表調度技術(list scheduling techniques)[19,20].

元啟發式算法的并行與分布式設計具體可劃為主從模型(master-slave model)、細粒度模型(fine-grained model)和粗粒度模型(coarse-grained model),其中,粗粒度模型也稱為孤島模型(island model),被廣泛應用在眾核CPU+GPU 混合結構的超計算機調度服務器上,孤島模型相關研究主要集中在選擇函數、替代函數、遷移率或拓撲結構的設計上[21-23].

前期成果[11]為解決異構資源管理存在問題以適應新環境、新應用、新需求及新特征,圍繞節能減排及調度協同等熱點,嘗試將一些硬件特性結合到異構調度中間件的目標評測中.對比實驗結果顯示:調度引擎在節能等方面優勢明顯,但由于技術、時間及資金等方面限制,調度模型中的能耗參數僅是憑借先驗大體預估.

2 軟硬件節能原理深度融合的綠色異構調度算法

通常,云體系包含用戶層、中間件層、虛擬資源層和基礎設施層(如圖1 所示).用戶作業可解析產生若干并行依賴任務集,一般建模為DAG(directed acyclic graph)集合;中間件負責作業調度、執行,也是壓力最集中組件.鑒于CPU 和GPU 都是并行計算資源,本文在稱謂上不作區分,采用統一標識并進行異構屬性說明.

調度QoS 評價指標體系與相應元啟發式(meta-heuristics)算法(如遺傳算法、人工免疫算法等)是調度引擎核心;受達爾文“適者生存”進化論啟發的遺傳算法,通常直接用QoS 多目標多約束函數評價個體適應度;類似地,在模擬生物免疫系統的人工免疫算法(artificial immune algorithms)中,導致系統產生抗體的抗原也被定義為調度QoS 評價函數.

2.1 一種重視并兼發硬件節能正反饋優勢的調度尋優動力方程

計算云異構眾核處理器雖然品牌眾多,但按微結構級DVFS 配置或動態能耗型區分,大致可劃分為3 類:片外獨立DVFS 支持、片上全局DVFS 支持和片上每個核的DVFS 支持.

異構系統實時調度QoS 評價通常包括性能、經濟或技術等指標.借助數字傳感及物聯網等實驗技術,歷經異構眾核體系電路(非線性)特征信號實時采集、節能機理模擬大數據的回歸集成,參數間顯、隱性關系深度挖掘以及代表性參數篩選等核心步驟,本文突破異構眾核體系動態能耗的多元非線性回歸量化,并數學定義一系列可預知(擬匹配)硬件資源物理反饋的調度QoS 評價指標,亦即調度算法中的進化尋優動力方程構建的重要組成部分.其中,表1 顯示了本文進化動力方程中的定義變量及代表意義.

定義1(動態能耗).計算云處理器按微結構級DVFS 配置或動態能耗型區分,大致可劃分為 3 類,即v∈{1,2,3}.本質上,動態能耗(單位:Wh)等于動態功耗(單位:W)與執行時間(用ΔTi表示)的乘積.

這里,即使具有同樣的工作負載,而由于對應不同的“頻率-電壓等級”,能耗異構型處理器的動態實時功耗開銷差別極大.歷經參數間顯、隱性關系深度挖掘、代表性參數篩選以及實驗數據的多元非線性回歸量化等核心步驟,異構眾核處理器體系的動態能耗(用D_energy(φ)表示)可定義為公式(1):

定義2(響應時間).作為重要的異構實時調度QoS 度量指標之一,預估響應時間主要考量虛擬機的執行時間,具體涉及兩方面因素:所有虛擬機必須要執行的指令數目以及每個虛擬機的指令處理能力(比如每秒可處理的指令數目).因而,響應時間(用R_time(φ)表示)可定義為公式(2):

公式(2)中,虛擬機θ可映射到能耗型v(v∈{1,2,3})的計算節點kh上,而且其工作頻率是.

Table 1 Related variables of evolutionary dynamic equation and their representative meanings表1 進化動力方程相關變量及代表意義

定義3(可擴展性).對可具動態電壓頻率縮放的異構眾核處理器體系,擴展性(用Scal(φ))表示)代表現運行的所有計算節點的最大計算潛力,亦即暫不新增計算節點情況下的平均計算力.

具體講,擴展性取決于計算機點kh∈R+的最大計算力以及當前計算力:

定義4(系統魯棒性).為預防網絡故障和黑客攻擊,系統魯棒性(用Robust(φ))表示)是異構實時調度QoS 評價的又一重要指標.

具體可解釋為每個計算節點的虛擬機平均映射數目,或者計算節點kh∈R+失聯,需要遷移或移植的虛擬機數目:

定義5(安全增益).異構實時調度QoS 又一重要指標是最大化保證所有可調度任務的安全性.鑒于云服務安全需求的差異化,某一任務(用αi(i∈{1,…,m})表示)的安全增益可定義為公式(5):

進而,所有任務的安全增益(用Security(φ)表示)可定義為公式(6):

公式(6)中,針對實時任務要求存在不能滿足的情況(比如服務延遲或負載約束等),ρi(i∈{1,…,m})表示任務αi(i∈{1,…,m})是否被調度:ρi=1(i∈{1,…,m})表示任務αi(i∈{1,…,m})被調度;反之,ρi=0(i∈{1,…,m})表示任務αi(i∈{1,…,m})沒被調度.

自適應綠色調度的目標就是在滿足QoS 強約束的同時,尋求調度方案(φ∈Φ),使時效、能效收益最優,系統魯棒性最小,以及可擴展性、安全性最強等.綜合上述各類指標量化定義,本文進化動力方程如公式(7)所示(Λi表示QoS 指標的權重因子):

2.2 異構調度候選解的三維編/解碼設計

仿照生物遺傳或人工免疫理論,一個智能調度(候選)方案看作是基因組合的進化個體;本算法中,候選解(仿 生個體)Chr(i∈{r∈R+)的基因特征擬表示為三維編碼,代表隨機任務被分配到計算節點的虛擬機上.

如圖2 所示,每個立方體代表候選解不同維度的取值范圍,而其中彩色填充部分則表示一個候選解(仿生個體),即所有任務與計算節點及虛擬機編號的某種配置映射.因而,候選解個體Chr(i∈{r∈R+)可編碼為三維矩陣(如公式(8)):

Fig.2 Three-dimensional coding of the candidate solution (bionic individual)圖2 候選解(仿生個體)的三維編碼表示

本算法解碼細則考慮不同任務分配到同一虛擬機兩種情形.

(1) 邏輯深度不同:遵循深度值排序原則,以避免任務之間長時間等待甚至發生死鎖;

(2) 邏輯深度相同:遵循關聯耦合強度排序原則,以縮短關鍵路徑長度達到最優效果.

2.3 基于三維編碼的協同進化算子定義

基于三維編碼的基因組進化模擬包括個體選擇、交叉、變異以及克隆等智能算子定義.

克隆算子在GHSA_di/II 算法中對綠色異構調度候選解之多樣性和逼近性起著重要作用,通常,其對仿生種群Ch ={Ch1,Ch2,...,Ch?,...,Chθ}的克隆操作ΓC可以定義為公式(9):

在GHSA_di/II 算法中,對每個仿生個體采用一致的克隆概率з,使得優化過程中的可行非支配解集規模幾乎成倍上升,保持個體多樣性同時,還可加速群體收斂.具體如公式(10)所示:

與克隆相反,選擇操作將種群個體劃分為非劣解或劣解,且只有非劣解可進入下一代.對于任何仿生個體Ch#(ι)∈Ch**(ι),如果Ch#(ι)滿足公式(11)稱為非劣解,否則是劣解:

而對仿生種群的選擇操作ΓS,可定義為公式(12):

而GHSA_di/II 算法可依據第2.1 節定義的進化動力信息直接在種群中選取非劣仿生個體,算法的效率極大提升.

與此同時,采用不同的基因交叉、變異策略,可有助于種群多樣性保持及仿生個體間協同或信息交換.GHSA_di/II 算法對仿生個體種群的基因操作ΓG可定義為公式(13);

通常,協同進化系統模擬二進交叉(SBX cross-over)算子或多項式變異(polynomial mutation)算子.在GHSA_ di/II 算法中,交叉點或變異點的選取同樣可依據第2.1 節定義的進化動力信息.

2.4 融合非傳統主從式和粗粒度的多層次并行化設計及算法描述

目前,通用多核微處理器與定制加速協處理器混合體系已成為千萬億次高性能計算機一種發展趨勢,因而,為適于調度服務器的眾核處理器超混合硬件體系,GHSA_di/II 算法采用非傳統主從式和粗粒度相融合的多層次并行與分布式設計.

一方面,依照粗粒度模型,算法將整個進化群體劃分成若干子群(第3 步),子群被分配到不同節點上進行相關的協同進化模擬計算,并適時采取有效的遷移策略(第12 步~第19 步);另一方面,在每一個節點上,大量的進化動力方程(如遺傳算法的適應度函數或人工免疫算法的抗原)計算采用CPU-GPU 非傳統的主從式模型(第5 步~第11 步).這里,主服務器是CPU,而在GPU 眾核上大量執行的并行線程可看作客戶端.

GHSA_di/II algorithm.

2.5 算法時間復雜度分析

設在每一代進化中,種群FeaNonPop和ModNonPop的規模都為θ,克隆倍數為з,變量的維數為￡,約束維數為?,目標函數維數為m,則:

? 在每次克隆種群ModNonPop所用的復雜度為O(зθ);

? 交叉操作所需復雜度為O(￡зθ/2);

? 變異操作所需復雜度為O(￡зθ);

? 計算種群Pop基因親和度值的時間復雜度為O(￡зθ);

? 合并種群ModNonPop所需復雜度為O(￡θ+?θ+mθ);

? 修正種群Pop中個體模因值所需復雜度為O(3m(з+1)θ+2?(з+1)θ);

? 選取并更新可行非支配解集所需復雜度為O((2з+6+mз+2m)θ+m(з+2)2θ2+(з+2)(m+1)θlog2((з+2)θ));

? 選取并更新非支配解集所需復雜度為O((m+1)(з+1)θ+θ+m(з+1)2θ2+(m+1)(з+1)θlog2((з+1)θ)).

因此,算法GHSA_di/II 的復雜度為多項式時間(polynomial time).

3 仿真實驗及結果

實驗在山東省高性能計算中心進行,中心擁有先進異構集群、存儲和網絡資源,可滿足日益增長的云研究及應用服務需求.同時,中心長期為各種數據密集應用提供服務,可就多種輸入實例展開綠色驅動調度研究,以保證其實際通用性.具體包括如下配置.

? 曙光天潮高性能計算集群;

? 浪潮TS10000 計算集群(100 個節點,200 顆2.8Ghz Intel?Xeon?CPU);

? 浪潮TS20000 計算集群(6 個節點,24 顆1.3GHz Intel?ItaniumII CPU);

? HP DL580 高性能服務器;

? Dell r720 服務器、Dell 交換機等大數據處理平臺;

? IBM p690(32 顆1.7GHz Power4+CPU,128G 內存,6TB 硬盤);

? IBM NAS300G 存儲系統(6.6TB 容量);

? 網絡系統(InfiniBand QDR,鏈路速率40Gbps,聚合帶寬69.6TB/s);

? 操作系統(Windows Server 2008);

? 編程語言及環境(C-CUDA,Fortran,Java,MPI);

? 互聯網出口(教育網和聯通運營商專線).

3.1 實驗參數設置

實驗分為兩部分:第1 部分探討GHSA_di/II 算法求解異構調度優化問題的整體性能,對比算法是新發表的3 個實時調度算法代表——PPADE 算法[21]、MOCTS-AI 算法[22]和MaOEA/C 算法[23];第2 部分則比較分析軟硬件節能原理深度融合給異構調度優化解集帶來的綠色感知影響,此部分采用的任務實例包括計算密集型和數據密集型兩類.

(1) 調度實驗采用200 個計算集群,包括常見的3 種能耗異構類型(v∈{1,2,3}),而且基本各占1/3;

(2) 集群編號按能耗類型依次設置,即能耗類型v=1 集群的編號集中排在前面,然后依次是能耗類型v=2,v=3 集群的編號;

(3) 集群節點處理器和硬盤各自的初始利用率大致范圍在[10%,40%];

(4) 在后續小節中,“processor-optim”和“disk-optim”分別表示集群節點能效最高時,處理器和硬盤各自的理論最優利用率.具體講,{disk-optim:[0.75,0.8],processor-optim:[0.8,0.9],v:1}表示對于能耗型v=1 的計算節點,其處理器和硬盤各自的利用率范圍分別為[80%,90%]和[75%,80%],能效最高;同理,對于v=2 和v=3 的計算節點,存在理論最優值:{disk-optim:[0.6,0.65],processor-optim:[0.6,0.7],v:2}和{disk- optim:[0.45,0.5],processor-optim:[0.4,0.5],v:3}.

3.2 整體性能比較

首先,實驗探討GHSA_di/II 算法求解異構調度優化問題的整體性能,對比算法是新發表的3 個元啟發式實時調度算法代表:PPADE 算法[21]、MOCTS-AI 算法[22]和MaOEA/C 算法[23].

評價指標包括能耗值(公式(1))以及系統總體性能(overall system performance,簡稱 OSP).這里,保證率(guarantee ratio)是針對實時任務要求存在不能滿足的情況(比如服務延遲或負載約束等),統計的可調度任務數所占比例;系統總體性能是標準化的安全值與保證率乘積.

可調度計算節點從8 個增加至256 個實驗過程中,圖3 顯示了4 種算法各自的4 項性能評價值.

具體講,從節能、安全性以及系統總體性能這3 項評價指標看,GHSA_di/II 算法的解質量明顯優于PPADE算法[21]、MOCTS-AI 算法[22]和MaOEA/C 算法[23];這里,僅從保證率指標看,GHSA_di/II 算法與MaOEA/C 算 法[23]接近.

更重要的是:對比3 種算法——PPADE 算法[21]、MOCTS-AI 算法[22]和MaOEA/C 算法[23],GHSA_di/II 算法不僅具備顯著的高能效優化性能,而且隨著可調度計算節點從8 到256 的增加,這種優勢迅速提升.

Fig.3 Performance comparison between four meta-heuristics heterogeneous scheduling algorithms圖3 4 種元啟發式異構調度算法的整體性能對比

3.3 軟硬件節能原理深度融合的綠色感知優化影響

本節實驗重點探討軟硬件節能原理深度融合給以元啟發式算法(如遺傳算法、人工免疫算法等)為基礎異構調度算法帶來的綠色感知優化影響,對比算法是在上節實驗中顯現與GHSA_di/II 算法之調度保證率性能指標值接近的MaOEA/C 算法[23].

實驗按實時任務類型分成兩部分:計算密集型和數據密集型.

3.3.1 計算密集型實時任務集的異構調度實驗結果及分析

對于計算密集型任務,每個應用實例被劃分成20 000 個子任務,即m=20000,并將虛擬機數量設置為5 000.

? 如圖4(a)所示:200 個計算集群盡管具有3 種動態能耗異構類型的處理器,但經MaOEA/C 算法[23]調度后,異構處理器利用率之間沒有明顯差異;

? 反之,從圖4(b)分析,GHSA_di/II 算法得到的調度優化解顯示,200 個計算集群3 種異構處理器的資源利用率可分別接近0.9,0.7 和0.5,在相應的理論最優值范圍內.

Fig.4 Comparison of CPU utilization after scheduling computing tasks by MaOEA/C[23] and GHSA_di/II圖4 MaOEA/C 算法[23]和GHSA_di/II 算法調度計算密集型任務后的處理器利用率對比

類似情形也出現在兩種算法調度解產生的硬盤利用率差異上(如圖5 所示).

Fig.5 Comparison of disk utilization after scheduling computing tasks by MaOEA/C[23] and GHSA_di/II圖5 MaOEA/C 算法[23]和GHSA_di/II 算法調度計算密集型任務后的硬盤利用率對比

3.3.2 數據密集型實時任務集的異構調度實驗結果及分析

對于數據密集型任務,每個應用實例同樣被劃分成20 000 個子任務,并將虛擬機數量設置為5 000.

? 如圖6(a)、圖7(a)所示:與計算密集型實時調度情形類似,經MaOEA/C 算法[23]調度后,異構處理器和硬盤利用率之間沒有明顯差異;

? 反之,從圖6(b)、圖7(b)分析,GHSA_di/II 算法得到的調度優化解顯示:200 個計算集群3 種異構處理器的資源利用率可分別接近0.8,0.6 和0.4,相應硬盤的資源利用率可分別接近0.75,0.6 和0.45,皆在相應的理論最優值范圍內.

兩組對比數據說明,GHSA_di/II 算法具有考量兩類密集型任務對硬盤存儲硬件不同偏好的性能優勢.這進一步顯示,軟硬件節能原理深度融合可給實時異構調度算法帶來有效的綠色感知優化效果.

Fig.6 Comparison of CPU utilization after scheduling data intensive tasks by MaOEA/C[23] and GHSA_di/II圖6 MaOEA/C 算法[23]和GHSA_di/II 算法調度數據密集型任務后的處理器利用率對比

Fig.7 Comparison of disk utilization after scheduling data intensive tasks by MaOEA/C[23] and GHSA_di/II圖7 MaOEA/C 算法[23]和GHSA_di/II 算法調度數據密集型任務后的硬盤利用率對比

4 結 論

計算云高性能向高效能演進,是人類可持續發展迫切需求;同時,減少廣域計算成本、降低密集應用開銷、兼顧云服務買賣雙方利益并保證雙層負載均衡性,也是基礎設施運維商增強競爭優勢所在.隨著新常態(云計算、異構計算)、新應用(計算密集型應用、數據密集型應用)和QoS 新指標(能效)的出現,綠色感知的異構實時調度研究具有重大的理論和應用價值.

針對現有元啟發式算法為基礎的實時調度算法大多存在的進化動力不足、個體多樣性不夠或收斂速度過慢等缺陷,本文著眼于軟硬件節能原理的深度融合,提出一種新的綠色異構調度算法.

大量仿真實驗結果顯示:無論對于數據密集型還是計算密集型實例,GHSA_di/II 算法較其他3 種元啟發式異構調度算法,在整體性能、節能降耗以及可擴展性等方面,都具明顯優勢.

概言之,本研究是文獻[11]的后續工作,而無論輻射廣度、攻關難度、理論深度還是創新高度,本文的GHSA_ di/II 算法都是其進一步的拓展和延伸,并可為推進云模式中軟、硬件節能聯動以提高其銜接實效探索新的道路,或奠定一定的理論和技術基礎.