Zhang et al. (2012) present an adap

Zhang et al. (2012) present an adaptive power management
framework in the Cloud to achieve autonomic resource
configuration. We propose a software and lightweight approach
to accurately estimate the power usage of virtual machines and
Cloud servers. It explores hypervisor-observable performance
metrics to build the power usage model. To configureCloud
resources, we consider both the system power usage and the
SLA requirements, and leverage learning techniques to achieve
autonomic resource allocation and optimal power efficiency.
We implement a prototype of the proposed power management
system and test it on a Cloud testbed. Experimental results show
the high accuracy (over 90%) of our power usage estimation
mechanism and our resource configuration approach achieves
the lowest energy usage among the compared four approaches

Hasil (Bahasa Indonesia) 1:

Zhang et al. (2012) hadir manajemen adaptif power kerangka kerja di internet untuk mencapai otonom sumber konfigurasi. Kami mengusulkan pendekatan perangkat lunak dan ringan untuk secara akurat memperkirakan penggunaan daya dari mesin virtual dan Cloud Server. Ini mengeksplorasi hypervisor-observable kinerja metrik untuk membangun model penggunaan daya. Untuk configureCloud sumber daya, kami mempertimbangkan kedua penggunaan daya sistem dan Persyaratan SLA, dan leverage belajar teknik untuk mencapai alokasi sumber daya otonom dan efisiensi tenaga yang optimal. Kami menerapkan sebuah prototipe dari manajemen daya diusulkan sistem dan mengujinya pada testbed awan. Tampilkan hasil percobaan akurasi yang tinggi (lebih dari 90%) dari estimasi penggunaan kekuatan kami mekanisme dan pendekatan konfigurasi sumber daya kami mencapai penggunaan energi terendah antara pendekatan empat dibandingkan

Hasil (Bahasa Indonesia) 2:

Zhang et al. (2012) menyajikan manajemen daya adaptif
kerangka di Cloud untuk mencapai sumber daya otonom
konfigurasi. Kami mengusulkan perangkat lunak dan ringan pendekatan
untuk secara akurat memperkirakan penggunaan daya mesin virtual dan
server Cloud. Ini mengeksplorasi hypervisor-diamati kinerja
metrik untuk membangun model penggunaan daya. Untuk configureCloud
sumber, kami mempertimbangkan baik penggunaan daya sistem dan
persyaratan SLA, dan teknik pembelajaran leverage untuk mencapai
alokasi sumber daya otonom dan efisiensi daya yang optimal.
Kami menerapkan prototipe dari manajemen daya yang diusulkan
sistem dan mengujinya pada testbed Cloud. Hasil percobaan menunjukkan
akurasi yang tinggi (lebih dari 90%) dari estimasi penggunaan daya kami
mekanisme dan pendekatan konfigurasi sumber daya kami mencapai
penggunaan energi terendah di antara dibandingkan empat pendekatan