Das exponentielle Wachstum des Cloud Computing hat zu einem signifikanten Anstieg der Anzahl und der Energieintensität von Rechenzentren geführt, die nun eine entscheidende Rolle bei der Bereitstellung von bedarfsorientierten Rechenressourcen spielen. Diese Übersicht konzentriert sich auf Methoden wie die Vorhersage der Nutzung von Host-CPUs, Unterlast-/Überlast-Erkennung, Auswahl, Migration und Platzierung von virtuellen Maschinen (VMs) unter Verwendung von maschinellem Lernen, Heuristiken, Metaheuristiken und statistischen Methoden. Die Ergebnisse zeigen, dass heuristische Ansätze Energieeinsparungen von 5,4 % bis 90 % im Vergleich zu bestehenden Methoden erzielt haben. Metaheuristische Techniken haben eine Reduktion des Energieverbrauchs von 7,68 % bis 97 % demonstriert, während Methoden des maschinellen Lernens Einsparungen von 1,6 % bis 88,5 % gezeigt haben. Statistische Methoden haben ebenfalls zur Reduzierung des Energieverbrauchs um 5,4 % bis 84 % beigetragen, wenn sie mit verschiedenen Ansätzen unter unterschiedlichen Bedingungen und Parametern verglichen wurden. Das übergeordnete Ziel dieser Übersicht ist es, die vielfältigen Methodologien zusammenzufassen, die Forscher eingesetzt haben, um die Energieeffizienz in Cloud-Rechenzentren zu verbessern, und somit zu einem nachhaltigeren Ressourcenmanagement beizutragen. Schlüsselwörter: Rechenressourcen, Pay-as-you-go, Cloud-Daten, Metaheuristik, Heuristik, Rechenzentren, Nachhaltigkeit.
Salem Fadlalla Abdalhamid Mansori (Di,) hat diese Frage untersucht.