CloudSim 的能耗模块是在 3.0 版本完善的。最早的工作可能在 2011 年到 2012 年之间，论文：
Anton Beloglazov, and Rajkumar Buyya, “Optimal Online Deterministic Algorithms and Adaptive Heuristics for Energy and Performance Efficient Dynamic Consolidation of Virtual Machines in Cloud Data Centers”, Concurrency and Computation: Practice and Experience (CCPE), Volume 24, Issue 13, Pages: 1397-1420, John Wiley & Sons, Ltd, New York, USA, 2012
论文主要讨论了能耗和性能之间平衡的最优方法。首先阐述了单机上的 VM 迁移问题，确定单机的最佳迁移时机并应用竞争分析建立一个在线最优算法，然后分析多机动态迁移的问题。分别使用竞争分析说明确定性的 online 最优算法、用平均情况说明非确定性的 online 最优算法。
相应地支持仿真实验， CloudSim 在核心程序中加入了 org.cloudbus.cloudsim.power 包，即虚拟机能耗仿真的包。其目录结构如下：
1 | . |
为了支持能耗评估，CloudSim 实际上作出了不少的修改，并采用了一种侵入式的设计，不仅仅局限于 power 包。为了获得性能参数，甚至改变了原来 CloudSim 的事件循环进行了修改。在数据收集方面，放弃了之前 CloudSim 论文发表时候用的 Sensor 类，而是采用在 PowerDatacenter 和 VM 等实体里嵌入数据收集的代码。分解起来有点费劲。
以下是简要的修改说明：
- 实体相关：
- 能耗数据中心（
PowerDatacenter）：覆盖了调度更新的算法以支持能耗的计算，包括能耗调度算法的嵌入（见调度策略）、能耗收集计算两方面的更新 - 能耗数据中心用户（
PowerDatacenterBroker）：在处理出错上提前退出，几乎没更新 - 能耗主机（
PowerHost、PowerHostUtilizationHistory）：新增能耗模型相关的更新 - 能耗虚拟机（
PowerVm）：覆盖方法记录 CPU 使用历史
- 能耗数据中心（
- 模型：
- 调度策略
- 选择策略（
PowerVmSelectionPolicy）：找出给定的PowerHost要迁移的虚拟机 - 放置策略（
PowerVmAllocationPolicyAbstract）：继承自VmAllocationPolicy，简单实现了分配虚拟机到主机的策略，并在optimizeAllocation(vmList)方法中返回主机和虚拟机的优化配对
- 选择策略（
- 资源利用率的能耗模型（
PowerModel）：主要是根据资源利用率（CPU？）获取能耗
- 调度策略
提出的几种算法：
- 虚拟机放置（分配）择策略：主要是使用稳定估计量估计主机是否需要过载
- 基础统计量：
MigrationInterQuartileRange、MigrationMedianAbsoluteDeviation - 回归预测：
MigrationLocalRegression、MigrationLocalRegressionRobust - 固定阈值判断：
MigrationStaticThreshold - 不优化（对照实验）：
Simple
- 基础统计量：
- 虚拟机选择策略：
- 最大相关性：
MaximumCorrelation选择资源利用率向量的相关性最大的虚拟机进行迁移 - 最短迁移时间：
MinimumMigrationTime尽可能近，并且内存尽可能少的虚拟机进行迁移 - 最低利用率：
MinimumUtilization选择利用率最低的进行迁移，使性能损失减小 - 随机选择（对照实验）：
RandomSelection
- 最大相关性：
其选择虚拟机的基本依据来自资源利用率和能耗的历史统计量，算法的具体过程可以参考论文。
对能耗的仿真模型定义在 PowerModel，这个借口只提供一个抽象方法，就是 getPower(double):double 从给定的资源利用率里推导出能耗。估计 CloudSim 的想法是对每个资源都建立一个利用率到能耗的映射，然后能耗是所有资源的累积和：
$$
P = \sum_{u\in U} P_u(u)
$$
其中的 $P_u(u)$ 即建立的利用率到能耗的映射。对于 CloudSim Power 部分的论文和具体实现来说，只考虑了粗粒度下 CPU 的能耗代表整机能耗，具体的依据来源于
Kusic D, Kephart JO, Hanson JE, Kandasamy N, Jiang G. Power and performance management of virtualized computing environments via lookahead control. Cluster Computing 2009; 12(1):1–15.
另一篇文献同样说到这个事情，出自 Google 研究员的关于 CPU 到能耗的经验曲线模型：
Fan, Xiaobo, W. D. Weber, and L. A. Barroso. “Power provisioning for a warehouse-sized computer.” Acm Sigarch Computer Architecture News 35.2(2007):13-23.
形式化描述为：
$$
P_{CPU}(u) = \alpha (2u - u^r) + \sigma
$$
思路都是用 CPU 能耗直接替代整机能耗。这个一方面确实是 CPU 在能耗方面占了主导，另一方面，则是由于分析的便捷性。
当然，对能耗模型的调研，觉得这篇文章的说法比较靠谱：
Kansal, Aman, et al. “Virtual machine power metering and provisioning.” Acm Symposium on Cloud Computing ACM, 2010:39-50.
CPU 大约占了 60% 的能耗，其余的能耗大户包括 RAM 和磁盘。但是要对 CloudSim 进行扩展，不修改 power 包里的内容估计是做不到了。
另外，对于多核架构来说，简单的线性模型也是很难说服的，在论文的实验部分，作者意识到这个问题，因此，还引用了标准组织 SPECPower 2008 公布的季度各主流服务器厂商的服务器 CPU 利用率和功耗的对应表作为关系映射。
由于动态调度，涉及到一台物理主机服务多个 VM 的情况。大多数论文认为虚拟机放置是一种装箱问题，但实际上一台物理机可以服务的 VM 数目应该是不确定的。但是，要考虑“过载”（overload）的情况，作为一种性能损失的衡量。论文认为过载是由于所分配的 VM 都满载以后，可能违反一次 SLA（服务等级协定）。而这个定义感觉是不清晰的。实际上，物理核心数和 VM 要求的核心数可能存在不一致的情况。在典型的 Web 应用场景，实际上 CPU 满载的情况并不多，主要以 IO 处理为主。桌面应用满载的情况更低了，这个自己就可以验证。因此，多个 VM 共用一个核心也是完全可能的，也是资源极大化利用应该考虑的。
在后来修改版里，CloudSim 3.0 引入了 VmSchedulerTimeSharedOverSubscription 类对满载的虚拟机进行调度。但采用的是简单的分时调度，采用 MIPS （每秒指令数）来量度：
$$
MIPS_{VM} = \min \left( \frac{MIPS_{PM} }{n_{VM} }, MIPS_{VM} \right)
$$
随着 VM 的增加，每个 VM 获得的实际 MIPS 比所请求的 MIPS 少；而分配的 VM 较少时，单个 VM 最多的资源也只能是规定的资源量。然而这么定义在公平调度的意义上是合理的。但 VM 在实际的调度环境中，是可以进入休眠状态而基本不消耗资源，分配给该 VM 的资源可以被另一个资源所独占（优先级调度）。另外一点是调度器也没有考虑优先级的问题。