宋 娟，潘 歡，馬 曉

(1.寧夏大學(xué) 物理與電子電氣工程學(xué)院，銀川 750021；2.寧夏大學(xué) 寧夏沙漠信息智能感知重點實驗室，銀川 750021；3.中國煙草總公司職工進修學(xué)院 信息中心， 鄭州 450008)

0 引 言

近年來，大規(guī)模節(jié)能云數(shù)據(jù)中心的構(gòu)造與使用成了政府和各大IT企業(yè)越來越重視的問題[1-4]。虛擬化及虛擬機遷移技術(shù)使得云數(shù)據(jù)中心的客戶端可以很好地降低云客戶端下載時間和節(jié)省能量消耗，但是相關(guān)研究表明，減少下載時間的維護成本會急劇增加，主要是因為云數(shù)據(jù)中心面臨著拒絕服務(wù)攻擊的威脅[5]。

虛擬機在線遷移過程中，雖然可以提高服務(wù)質(zhì)量(quality of servive,QoS)，節(jié)省云端的能量消耗，但是存在著大量的被網(wǎng)絡(luò)攻擊的風(fēng)險，例如跨站腳本攻擊與邊信道攻擊等。在云數(shù)據(jù)中心的虛擬機遷移或者合并過程中，構(gòu)造安全架構(gòu)提高虛擬機遷移的安全級別是一個新的研究熱點[6]。本文利用隔室隔離技術(shù)(compartment isolation technique,CIT)，提出了基于安全檢測的虛擬機遷移策略，該方法可以很好地降低云數(shù)據(jù)中心中的安全風(fēng)險，包括惡意代碼和病毒的傳播。

1 研究背景與相關(guān)工作

目前學(xué)術(shù)界利用虛擬機動態(tài)遷移來節(jié)省云數(shù)據(jù)中心的能量消耗,構(gòu)建安全的云計算環(huán)境,目前,研究方向主要分為3大類：①是單純的虛擬機遷移策略,沒有利用相關(guān)智能算法進行優(yōu)化，例如文獻[7-8];②是采用貪心算法、遺傳算法等來進行優(yōu)化的虛擬機分配與遷移策略，例如文獻[9-14]；③是以Cloudsim模擬器平臺中的遷移策略為主線的虛擬機分配策略及其后續(xù)的相關(guān)研究[15-17]。后續(xù)還有帶溫度感知的虛擬機遷移策略[18-20]，這些文獻中的內(nèi)容大多參考了Cloudsim項目的研究思路與測試條件。

上述這些研究的主要目的是應(yīng)用虛擬機動態(tài)遷移技術(shù)實現(xiàn)云端服務(wù)的負(fù)載均衡和容錯，最終是為了改善云端的服務(wù)質(zhì)量QoS, 節(jié)省服務(wù)器的能量消耗，減少服務(wù)等級協(xié)議(service level agreement, SLA)違規(guī), 減少虛擬機遷移次數(shù)。虛擬機在遷移時考慮的物理資源使用情況的維度由早期的單一CPU使用率到現(xiàn)在多個維度的指標(biāo),甚至后面可能還有硬件因素,軟件因素,網(wǎng)絡(luò)帶寬因素,網(wǎng)絡(luò)設(shè)備接口能量消耗等。上述研究并沒有考慮到云平臺的安全問題，沒有安全檢測功能。當(dāng)前為了構(gòu)造綠色云計算環(huán)境，節(jié)省云數(shù)據(jù)中心的能量消耗已經(jīng)成了趨勢，所以虛擬機遷移的安全問題具有很大的挑戰(zhàn)，例如邊信道攻擊和共享厄運風(fēng)險攻擊等[21-22]。

云計算平臺的多租賃特性容易暴露CPU的緩存容量、時鐘分析和跟蹤硬件資源。邊信道對外開放，很容易觀察到這些信息或者利用隱藏信道來發(fā)送數(shù)據(jù)。攻擊者使用緩存利用率等方法很容易探測到服務(wù)器上的目標(biāo)虛擬機，當(dāng)虛擬機的目標(biāo)實例和惡意實例在同一個物理節(jié)點時，監(jiān)視到CPU、內(nèi)存、網(wǎng)絡(luò)帶寬和其他的行為可能導(dǎo)致交叉虛擬機信息泄露。

另一方面，一些研究表明，針對Web網(wǎng)站上的攻擊行為占有的網(wǎng)絡(luò)攻擊比例超過60%。其中，SQL注入攻擊和跨站腳本攻擊又占用了大部分，這就使得面向互聯(lián)網(wǎng)虛擬機遷移的安全保護變得更加復(fù)雜。云服務(wù)提供商在提供資源共享服務(wù)的時候，云服務(wù)器最容易受到分布式拒絕服務(wù)攻擊，云計算環(huán)境下的效率計算對此類攻擊十分脆弱。云環(huán)境下的拒絕服務(wù)攻擊還可以導(dǎo)致操作系統(tǒng)內(nèi)核損壞，這種損壞可以影響到虛擬機級別。

考慮到上面的安全風(fēng)險，必須采取措施來保證云數(shù)據(jù)中心的虛擬機遷移安全。最簡單的辦法是劃分虛擬機的安全級別，然后在虛擬機遷移過程中處理這些安全級別，判斷其是否可以遷移。本文方法就是基于上述考慮，同時兼顧考慮云數(shù)據(jù)中心的能量節(jié)省，本文方法也屬于Cloudsim項目的后續(xù)研究，大部分算法與性能評價指標(biāo)都是參考Cloudsim項目的內(nèi)容，除考慮節(jié)能目標(biāo)外，增加了帶安全檢測的功能。

2 帶安全檢測的虛擬機遷移策略

2.1 隔室技術(shù)與SIR模型

隔室隔離技術(shù)是一種用來改善網(wǎng)絡(luò)與系統(tǒng)安全的有效技術(shù)，在Java等程序設(shè)計語言都利用這種技術(shù)來防止遠程用戶訪問，限制其執(zhí)行環(huán)境。最常見的還有操作系統(tǒng)的內(nèi)核隔離，在這種隔離中，內(nèi)核層和應(yīng)用層是互相隔離的。虛擬機的隔離也是一種有效的方法來改善云數(shù)據(jù)中心的整體安全級別，降低網(wǎng)絡(luò)攻擊的風(fēng)險。共享厄運是云安全方面的概念，假設(shè)一臺虛擬機被授權(quán)的非法攻擊者隔離或者鎖定，那么同一臺物理節(jié)點的其他虛擬機同樣將被隔離或者鎖定，這是資源共享帶來的厄運。如果隔離級別越高，那么邊信道上的非法入侵及監(jiān)控者也將越少；隔離技術(shù)的最大好處是可以防止惡意代碼和僵尸網(wǎng)絡(luò)的傳播，可以很好地避免邊信道攻擊和傳染到目標(biāo)主機。

本文基于安全檢測的虛擬機遷移策略就使用了隔室技術(shù)。隔室技術(shù)利用了病毒傳染(susceptible infected recovered, SIR)模型，SIR是計算生物學(xué)中分析疾病傳播的一種模型，他被廣泛應(yīng)用到計算機病毒，惡意代碼及僵死網(wǎng)絡(luò)之中[23]。

SIR模型應(yīng)用于安全感知的虛擬機遷移如圖1，S表示易感染的虛擬機數(shù)量，I表示所有有機會傳播與訪問其他虛擬機的虛擬機數(shù)量，R表示整體已經(jīng)恢復(fù)或者移出的虛擬機數(shù)量。

圖1 SIR模型應(yīng)用于安全感知的虛擬機遷移Fig.1 Application of SIR model in secure aware virtualmachine migration

給定時間t，易感染的虛擬機數(shù)量定義為S(t), 感病者虛擬機數(shù)量定義為I(t)，已恢復(fù)的虛擬機數(shù)量定義為R(t),所有的虛擬機數(shù)量定義為N。根據(jù)SIR模型，有

S(t)+I(t)+R(t)=N(t)

(1)

當(dāng)t=0時，有

S(0)≈N

(2)

從R到S的概率是a,從S到I的概率是b，從I到R的概率是c。用S′，I′ ，R′分別表示對應(yīng)的動態(tài)虛擬機數(shù)量，根據(jù)SIR模型，可得

S′=aR-bSI

(3)

I′=bSI-cI

(4)

R′=cI-aR

(5)

S′+I′+R′=0

(6)

當(dāng)沒有虛擬機被感染，或者沒有惡意代碼傳播的時候，I′=0， 表示脫毒平衡。如果I′>0，表示系統(tǒng)中有被感染的虛擬機。

定義一個閾值邊界，用來判斷是否有惡意代碼入侵，也可以將其定義為基本產(chǎn)生數(shù)，用符號R0表示為

(7)

當(dāng)基本產(chǎn)生數(shù)在I′=0的時候也存在著脫毒平衡狀態(tài)。R0表示了病毒的傳播潛力，如果R0<1，表示沒有進行傳播；如果R0>1，表示在云數(shù)據(jù)中心中有病毒迅速的傳播；如果R0=1，表示云數(shù)據(jù)中心中的病毒傳播(從I到S)處于穩(wěn)定的控制階段，具有一定的概率特性。

根據(jù)SIR模型，如果利用隔室技術(shù)來隔離被感染的虛擬機，那么病毒平衡就會改變，如果一惡意代碼能夠被感染到虛擬機的概率為P，那么所有的虛擬機能夠被感染的概率則為Pn,如果有m個惡意代碼，那么虛擬機能夠被感染的概率則為Pmn。因此，所有的虛擬機能夠被m個惡意代碼所感染的概率為

P(s)=Pmn

(8)

如果有r個區(qū)域，那么有

(9)

由(8)—(9)式得

P(s)>P(s/r)

(10)

從 (10) 式可以看出，采用隔室技術(shù)來分離虛擬機可以降低計算機病毒交叉感染的可能性，因此，虛擬機在線遷移的時候，本文方法可以降低云數(shù)據(jù)中心的安全風(fēng)險。

2.2 安全檢測虛擬機選擇算法

構(gòu)造一種安全的虛擬機遷移策略，有下面4方面因素需要考慮。

1)物理主機超負(fù)載檢測；

2)物理主機低負(fù)載檢測；

3)虛擬機選擇算法；

4)虛擬機放置算法。

物理主機的超負(fù)載或者低負(fù)載可以通過觀察他的資源使用狀態(tài)來判斷，如果CPU的使用效率超過90%可以認(rèn)為是超負(fù)載，低于10%可以認(rèn)為是低負(fù)載。在這個時候，該物理節(jié)點的這臺虛擬機將被選擇出來，同時放置到另外一臺正常負(fù)載的物理節(jié)點之上。本文提出了帶安全檢測的虛擬機選擇算法(security based selection,SBS)和帶安全檢測的虛擬機放置算法(security based placement,SBP)。

與CloudSim中項目不同的是，SBS考慮了虛擬機的安全級別，如果一臺物理主機被標(biāo)記具有安全級別, 面臨著1—10級安全威脅，那么該物理主機上具有相同安全級別的虛擬機將一直駐留，不會被選擇。其他的虛擬機將在下一遷移周期進行遷移。在CloudSim項目中，已經(jīng)有的虛擬機選擇算法包括下面幾種。

1)最大關(guān)聯(lián)選擇方法 (maximum correlation MC),即選擇同一臺物理主機上與CPU使用效率有最高關(guān)聯(lián)度的虛擬機作為對象;

2)最小遷移時間選擇方法(minimum migration time,MMT)，即遷移一臺在最短時間內(nèi)能夠完成的虛擬機作為選擇對象;

3)最小使用效率選擇辦法(minimum utilization,MU),即對一臺具有最小使用效率的虛擬機進行遷移；

4)隨機選擇策略(random selection,RS)，即在物理服務(wù)器上隨機選擇一臺虛擬機進行遷移。

虛擬機遷移的具體過程是先選擇，然后放置。在選擇階段，本文帶安全檢測的SBS選擇方法在RS, MMT, MC, MU算法中增加了安全性檢查，增強了算法的安全性。SBS算法的偽代碼如下。

算法1 SBS算法

Input: host

Output:vmsToMigrate

1 migratableVMs=getMigratableVms(host)

2 minMetric=MAX

3 for each vm in migratableVMs do

4 if vm is not in migration then

5 metric=vm.getRam()

6 if (metric

7 if hostSecurityLevel!=vmSecurityLevel then

8 vmToMigrate=vm

9 end if

10 end if

11 end if

12 end for

13 return vmsToMigrate

SBS算法的輸入為物理主機，輸出為被選擇好的虛擬機列表。每臺物理主機上可能有多臺將要遷移的虛擬機，SBS可以從這里選擇出最合適的虛擬機。算法開始的時候，所有的候選虛擬機都被過濾，選擇的標(biāo)準(zhǔn)是虛擬機為大內(nèi)存容量。當(dāng)一臺虛擬機具有大的內(nèi)存容量的時候，他將獲得高的優(yōu)先級。接下來，在SBS階段，如果虛擬機和物理主機的安全級別不匹配，那么該虛擬機將被選擇作為遷移的對象。在本算法中，完成了2個操作過程：

1)選擇一臺虛擬機進入隔離區(qū)，該隔離區(qū)內(nèi)虛擬機和物理主機的安全級別是不相容的；

2)選擇一臺具有比較高內(nèi)存容量的虛擬機，這樣也可以降低遷移的時間。

2.3 安全檢測的虛擬機放置算法

CloudSim項目中，也提到幾種虛擬機放置算法。

1)局部歸約放置方法(local regression,LR)；

2)魯棒局部歸約放置方法(local regression robust,LRR)；

3)絕對中位差放置方法(median absolute deviation, MAD)；

4)靜態(tài)的資源使用效率閾值放置法(static threshold,THR)。

本文SBP算法在虛擬機放置算法(LR, LRR, MAD, THR)中進行了對應(yīng)修改，也完成了安全檢查，然后再將虛擬機放置到合適的物理節(jié)點之上。當(dāng)各物理主機上的虛擬機被選擇完成后，SBP算法開始工作。SBP算法通過遷移信息表來維護與虛擬機及其對應(yīng)的物理主機信息。SBS算法的輸出為被選擇好的虛擬機列表，他將作為SBP算法的輸入。

在SBP算法的處理過程中，物理主機將被測試，判斷其是否與虛擬機的安全級別匹配，最后還要進行能量消耗情況判斷，能量消耗有一個最大的設(shè)定值，SBP算法的偽代碼如下。

算法2 SBP算法

Input: vmList, hostList

Output:hostList

1 vmList.sortDecreasingUtilization()

2 for each vm in vmList do

3 minPower=MAX

4 allocatedHost=NULL

5 for each host in hostList do

6 if (hostSecurityLevel=vmSecurityLevel) then

7 if host has enough resources for vm then

8 Power=estimatedPower(vm,host)

9 if (Power

10 if (VMsInPM

11 allocatedHost=host

12 minPower=Power

13 end if

14 end if

15 end if

16 end if

17 end for

18 if allocatedHost!=NULL then

19 allocation.add(allocatedhost,vm)

20 end if

21 end for

22 return allocation

SBP算法中estimatedPower()函數(shù)用來檢測虛擬機遷移之后云數(shù)據(jù)中心的整體能量消耗，在第1次迭代過程中，該函數(shù)的返回值將和每臺物理主機的能量消耗比較。在每次循環(huán)中，都可以選擇出最小的能量消耗，也要完成安全級別的檢查。

通過各種檢查的虛擬機最終將進入物理節(jié)點的虛擬機分配表，當(dāng)分配表構(gòu)造完成，即完成虛擬機到物理主機的放置，這樣虛擬機遷移過程的所有步驟就完成，在此過程中，虛擬機遷移的循環(huán)過程不停地執(zhí)行，可以通過變量來控制虛擬機遷移循環(huán)的頻率。

3 仿真實驗與性能分析

3.1 仿真實驗概況

為了測試本文的基于安全檢測的虛擬機遷移策略，本節(jié)使用Cloudsim模擬器。Cloudsim支持按照需求進行資源的配置,資源的管理，可以評測云數(shù)據(jù)中心中的能量消耗的相關(guān)算法,其他的模擬器往往不提供此功能。

本實驗環(huán)境包括3種類型的場景，在模擬過程中，云數(shù)據(jù)中心都有不同類型的應(yīng)用程序負(fù)載訪問，同時評價基于安全檢測的虛擬機遷移策略的性能變化情況。第1類工作場景就是在一個時間段內(nèi)應(yīng)用程序負(fù)載不斷增加，可以稱為基本負(fù)載測試。第2類工作場景是調(diào)整云數(shù)據(jù)中心的物理主機的數(shù)量，判斷其可擴展性情況。第3類工作場景是測試云數(shù)據(jù)中心的能量消耗與SLA違規(guī)的情況。

3.2 基本負(fù)載的仿真實驗及性能分析

仿真實驗設(shè)置了800個物理節(jié)點和1052臺虛擬機，這樣就可以保證云數(shù)據(jù)中心的基本負(fù)載。通過比較物理主機的使用效率和其上的能量消耗情況，可以形成一張能量消耗表。表1為仿真實驗CPU使用率和能量消耗之間的關(guān)系。能量模型使用的是SPEC模型，當(dāng)然這也是Cloudsim項目中使用的能量模型，物理服務(wù)器中CPU使用率和能量消耗之間的關(guān)系是通過Cloudsim工具中的編碼來完成的。

表1 基于資源使用效率的物理服務(wù)器能量消耗模型

實驗中使用了2種類型的物理服務(wù)器，HP ProLiant G4 和HP ProLiant G5。根據(jù)表1中的數(shù)據(jù)可以看出，當(dāng)CPU的使用效率從0%增加到100%時，能量消耗大約增加27%。模擬器物理節(jié)點的配置與虛擬機的配置情況如表2、表3。

表2 云數(shù)據(jù)中心中的物理節(jié)點配置

表3 虛擬機對資源的需求情況

在隔室隔離技術(shù)中，有多種類型的隔離級別，每類級別都可以用來隔離虛擬機，在對云數(shù)據(jù)中心的模擬中，虛擬機遷移周期設(shè)置為每小時一次，這種設(shè)置就意味著帶安全檢測的虛擬機的負(fù)載探測和虛擬機的遷移1 h運行一次，一共運行24 h。

圖2為基本負(fù)載的仿真結(jié)果。圖2縱坐標(biāo)表示24 h內(nèi)的能量消耗，橫坐標(biāo)表示了基于安全檢測的隔離方法的級別。從圖2可以看出，隨著安全級別的提高，云數(shù)據(jù)中心的能量消耗相應(yīng)有一定增加，安全級別從Level2提高到Level10，能量消耗大約只增加了1.8%，云服務(wù)提供商的能量消耗雖然有少量的增加，但降低了安全風(fēng)險，以犧牲1.8%的能量消耗為代價，換取安全級別為10的云服務(wù)是值得的。

還可以觀察到，在安全級別在Level6至Level8的時候，能量的消耗基本沒有什么變化，這表明在整個虛擬機遷移的過程中，安全級別Level6至Level8是活動物理主機數(shù)量最穩(wěn)定的時候，活動物理主機的數(shù)量是與云數(shù)據(jù)中心的總體能量消耗呈線性關(guān)系的[15]，該結(jié)果也證明了安全級別越高，能量消耗越大，企業(yè)成本越高。

3.3 可擴展性的仿真及性能分析

在可擴展的測試環(huán)境構(gòu)造中，調(diào)整物理主機的數(shù)量，然后觀察基于安全檢測的虛擬機遷移策略的性能變化情況，對主機的數(shù)量進行2到3次調(diào)整。表4為可擴展性的測試環(huán)境。

圖2 基本負(fù)載虛擬機遷移安全性能比較Fig.2 Load-based performance analysis of virtual machine migration security

表4 可擴展性的測試環(huán)境構(gòu)造

圖3為云數(shù)據(jù)中心的物理主機數(shù)量分別為1 000,2 000,3 000條件下系統(tǒng)的能量及安全級別變化的性能曲線。從圖3可以看出，從沒有使用安全策略的level 1到安全級別逐級提高至level 8，能量消耗有少量增加，這些少量增加的能量消耗對于虛擬機遷移過程中系統(tǒng)的安全級別來說是可以接受的。

隨著安全級別的增加，在物理節(jié)點數(shù)量分別為1 000,2 000,3 000的情況下，云數(shù)據(jù)中心的整體能量消耗沒有急劇增加。圖3表明了能量消耗與安全虛擬機檢測平衡的情況。當(dāng)沒有安全檢測時，能量消耗很小，當(dāng)隔離級別為Level2時，能量消耗突然上升，但是從Level3逐級增至Level10時，能量消耗處于穩(wěn)定降低狀態(tài)。值得注意的是，當(dāng)物理主機數(shù)為3 000的時候，能量消耗卻低于主機數(shù)為1 000與2 000時，這是因為很少的物理主機會產(chǎn)生保持隔離空間的開銷。從另外一個角度分析，當(dāng)1 000或者2 000臺物理主機運行相同的工作負(fù)載時，他們需要更多開銷用于產(chǎn)生維護隔離區(qū)域。從圖3還可以看出，云數(shù)據(jù)中心的規(guī)模會影響系統(tǒng)的能量消耗。本文基于安全檢測的虛擬機遷移策略是可擴展的，比較適合物理主機數(shù)目比較大的情形。

圖3 物理主機數(shù)量為1 000，2 000，3 000能量消耗比較Fig.3 Energy consumption results of 1 000, 2 000, 3 000 physical nodes

3.4 節(jié)能與SLA違規(guī)仿真及性能分析

本節(jié)將安全檢測的策略應(yīng)用到Cloudsim中多個與能量相關(guān)的虛擬機算法之中。隨機選擇某24 h內(nèi)的工作負(fù)載進行測試。根據(jù)工作負(fù)載的特點，定義了1 000臺虛擬機分布在800臺物理主機之上，虛擬機的遷移時間間隔設(shè)置為1 h，即24 h內(nèi)一共循環(huán)運行24次虛擬機遷移算法，一臺物理服務(wù)器上最大允許運行8臺虛擬機，物理服務(wù)器和虛擬機的資源配置情況與表2、表3的配置一樣。性能比較對象為無安全檢測的Cloudsim中的虛擬機選擇及放置策略,他們分別是IRQ-MC遷移策略,MAD-MMT遷移策略,LLR-MMT遷移策略,LR-MU遷移策略, LR-MMT遷移策略和THR-MMT遷移策略.

在帶安全檢測的虛擬機SBS選擇算法及SBP放置算法中，可以把Cloudsim中已有的各種能量感知算法結(jié)合起來，這樣就形成了6種不同的測試方法，圖4為測試結(jié)果。從圖4可以看出，隨著安全級別的增加，能量消耗也隨著緩慢增加，從級別Level2提高到Level10，能量消耗增加大約為3%。

圖4底部的2條曲線能量消耗比較低，他們分別表示帶安全檢測的THR-MMT與LR-MMT算法，這表明這2個組合性能比較好?？梢缘贸鱿旅?結(jié)論。

1)隨著安全級別提高，能量消耗也隨著增加，這是很正常的現(xiàn)象。

2)帶安全檢測的LR-MMT組合算法具有最好的安全性能，優(yōu)于其他的能量感知遷移策略。

圖4 基于安全檢測的虛擬機遷移策略及能量消耗比較Fig.4 Energy consumption results of different security-baed virtual machine migration model

Cloudsim項目中SLA違規(guī)的具體值計算表示為

SLAV=SLATAH*PDM

(11)

(11)式中：SLATAH表示CPU使用效率為100%的活動主機所占的比例；PDM代表整個系統(tǒng)因為虛擬機遷移后的性能降低值。

Cloudsim中用能量消耗與服務(wù)質(zhì)量平衡指標(biāo) (energy and SLA violations, ESV)方法評價整個云數(shù)據(jù)中心的性能,ESV的計算公式為

ESV=E*SLAV

(12)

(12)式中：E是云數(shù)據(jù)中心的整體能量消耗；SLAV是 (11) 式的結(jié)果值。

表5為基于安全檢測的虛擬機遷移的SLA違規(guī)與節(jié)能情況。從表5可以看出，帶安全檢測的Secure LR-MMT虛擬機遷移方法具有最低的SLA違規(guī)值和最低的ESV值,這種組合結(jié)果是值得云服務(wù)提供商參考的。

表5 安全檢測的虛擬機遷移策略中的ESV性能比較

4 結(jié) 論

本文利用隔室技術(shù)，提出了云數(shù)據(jù)中心中基于安全檢測的虛擬機遷移策略，面向綠色的云計算平臺構(gòu)造，降低了能量消耗，在一定程度上保證云數(shù)據(jù)中心不會受到常見的網(wǎng)絡(luò)安全攻擊。參考Cloudsim項目中的思路，實現(xiàn)了帶安全檢測的虛擬機選擇算法SBS和虛擬機放置算法SBP。仿真結(jié)果表明：本文基于安全檢測的虛擬機遷移策略比不帶安全檢測的算法會增加一定能量消耗,但安全性更高。本文的研究對政府和IT企業(yè)構(gòu)造節(jié)能和安全的云數(shù)據(jù)中心具有一定參考價值。