针对分布式文件系统中由于数据块随机放置而导致的服务器利用率低、能耗管理复杂的问题,建立了数据块访问特征向量模型描述用户对数据块的随机访问,运用K-means算法对数据块进行聚类计算,根据计算结果将数据节点划分为多个区域以存储不同聚类簇的数据块,在系统负载较低时进行数据块动态重配置,关闭不必要节点达到节能的目的。为使得策略适用于对能耗和资源利用率有不同要求的场景,算法中聚类簇间隔参数可灵活设置。实验通过和冷热区划分算法进行比较表明:按照聚类结果进行数据块重配置后,能耗节省效率优于冷热区划分算法,节省能耗35%~38%。

内存云(RAMCloud)的出现改善了在线数据密集型(OLDI)应用的用户体验，但其能耗高于传统的云数据中心。针对该问题，提出一种适用于该架构的磁盘节能策略。首先，引入遗传算法中适应度函数和轮盘赌法，尽量选择更为节能的磁盘进行数据持久化备份；其次，设定合理的服务器内存缓冲区来延长磁盘的平均连续空闲时间，使得部分服务器磁盘在空闲时进入待机状态。仿真实验结果表明，在50台服务器的内存云系统中，该策略能有效节能约12.69%；而缓冲区大小的设定对于节能效果和数据可用性具有双重影响，需权衡考虑。

针对云计算环境下服务器利用率低、能耗浪费严重的问题，提出一种基于用户访问特征的云存储副本动态管理节能策略。通过把用户访问特征的研究转化为计算Block的访问热度，根据节点的整体访问热度，DataNode主动申请休眠从而达到节能的目的。给出了详细的休眠申请、休眠判断算法，以及在DataNode休眠期间出现对已休眠Block进行访问的情况时如何处理的解决方案。实验结果表明，采用该策略后可休眠29%~42%的DataNode，减少能耗31%，且服务器的用户响应时间不受影响。经过性能分析，得出该策略在保证数据可用性的同时可有效地降低能耗。