当前云计算高速发展,作为云计算重要组成部分的云数据中心规模不断扩大,数据中心资源管理面临高能耗和低利用率并存现象,造成严重的二氧化碳排放和资源浪费。数据中心具有高度的异构性,尤其是负载任务,其具有多样性的资源和QoS需求的特点,对数据中心进行合理的资源管理不仅有利于保证云服务商的收益和用户的利益,也有利于保护生态环境,使云数据中心朝着可持续方向发展。本文在充分认识数据中心异构性的基础上,对负载任务进行分类分析,并提出数据中心基于任务分类的高能效资源配置策略(CBRAS),实现数据中心资源管理既降低能耗又保证QoS的高能效目标。本文主要的研究工作如下:1.对负载任务进行合理分类。当前研究对数据中心的异构性认识不足,对数据中心综合一个任务的几个指标参数的任务分类方法研究不够,且对任务的分类大多关注于任务对CPU、内存等资源的需求,忽略任务QoS的需求。为此,本文采用Kmeans算法对Google生产数据中心的负载任务跟踪数据进行了聚类分析,在分类过程中,本文既考虑任务资源的需求,又充分考虑任务优先级、时延敏感度、持续时间这些反应任务QoS需求的指标。2.设计基于任务分类的资源配置方案(CBRAS)。当前资源配置方案往往忽视数据中心普遍存在的异构性,无法保证负载任务需求与配置资源之间的相容性,导致更高的能耗和QoS冲突。为此本文提出在任务分类的基础上,根据任务类的需求差异,考虑资源的负载状态,有针对性地配置资源。将长短任务分开配置相应资源,避免出现众多长任务正处于执行过程中而短任务已执行完毕情况,而增加资源重配置的代价。将CPU和内存需求有差异的任务均衡配置在同一资源队列,提高空闲资源利用率,避免资源抢占现象。同时资源配置时保证高优先级和高时延敏感度的任务类优先执行,另外通过灵活配置虚拟机资源来降低CPU运行频率,减少能耗。实现数据中心资源配置既降低能耗又保证QoS的高能效资源管理目标。3.实验验证CBRAS策略。本文在CloudSim云模拟平台中改写代码实现CBRAS资源配置策略,通过能耗、物理节点启用数量、虚拟机的迁移次数和冲突次数等指标,在降低能耗和保证QoS两方面验证了基于任务分类的资源配置策略(CBRAS)的性能。实验结果显示与基于轮询和MBFD算法的传统资源配置策略相比,该策略有较好的表现。尤其随着任务数的增多,优势更加明显。