1. 面向云计算环境的能耗测量和管理方法
摘要
总结了当前云计算环境的4种能耗测量方法,分析和比较了它们的优势、缺陷和使用环境。
指出了云计算能耗管理的未来研究趋势。
为云计算节能领域的研究指明了方向。
0 引言
随着各个行业对能源危机重视程度的提高,云计算带来的能耗问题逐渐成为了研究的重点。
基于动态电压频率调整(DVFS)技术的调度方法能够动态调整组件的运行频率,降低能耗,但前提需要CPU支持。
及时关闭或睡眠空闲与低负载的服务器同样可以节能,但需要根据资源利用率估算系统能耗。
因此,在运行某种资源调度算法时,必须采用≥1种能耗测量或估算方法对调度方案进行评估。
1 能耗测量和估算方法分析与比较
1.1 基于软件或硬件的直接测量方法
使用额外的物理仪器,如功率表、电流计和电压计、智能电源模块。
一些技术成熟的厂家为自己的产品开发能耗数据采集DAQ系统,
结果准确可信;适用于系统整体测试和评价;
低部署难度和细测量粒度难以兼得
1.2 基于能耗模型的能耗估算方法
基本原理是通过关键资源的利用率(如CPU加内存的利用率)预测整体能耗。
灵活性高;单一类型任务负载下的功耗估计比较可靠;
准确性不足;复杂或混合任务负载下建模困难
1.3 基于虚拟化技术的能耗测量方法
很多学者在XEN虚拟环境下完成算法评估,虚拟机环境可以动态配置CPU核数、内存和磁盘大小等参数。
某人提出了在虚拟机上检测能耗的工具Joulemeter,并应用到各类操作系统中,该方法实际上是通过建立能耗模型来估算组件和系统能耗的。
虚拟机配置灵活;测量粒度细;能耗可视化;
数据准确性有限;能耗效率低,
1.4 基于仿真的能耗评估方法
仿真工具只包含事件驱动的仿真引擎和云耗模型, 还需要编写云任务产生负载。
支持大规模异构集群上的实验;快速实验和低开销
数据可信度低(因为环境是完全模拟的);
仿真的环境种类有限
2 能耗管理研究趋势与展望
2.1 智能主机电源模块
能够兼容多种硬件环境(主要是电源模块)的能耗数据采集结构具有很广泛的市场需求。
2.2 面向不同类型应用的能耗模型
一些应用在功能和硬件资源需求上都出现明显的资源差异化。有必要将应用分为计算密集型应用、数据密集型应用、通信密集型应用以及混合类型应用,对不同类型应用建立不同的能耗模型。
2.3 混合任务负载的能耗模型
混合任务负载的能耗模型建模的关键在于确定表达式中的多个参数。组件之间有相互依赖关系,我们可以研究组件之间的相互影响。
2.4 可动态管理的高效云仿真工具
目标1:可动态管理,目标2:高效,3:云仿真工具
2.5 动态异构分布式集群的能耗
在分散、异构的集群上对系统能耗进行测量会十分困难。
总而言之,高效的、多目标的两阶段调度策略是优化云计算虚拟资源分配和物理资源利用率的关键研究。
2.6 面向大数据分析处理和任务调度的节能方法
2.7 新能源或混合能源供电环境下的节能规划
在能源碳排放模型[60]或相关指标[62]的指导下,云服务提供商往往需要根据新能源和电网的特性,采用基于多目标(如效益+性能)优化的供电规划策略[53,62]进行电能购置和分配.
2. 面向云计算数据中心的能耗建模方法
摘要
能耗和资源使用率的关系已经难以用简单的线性函数来描述。因此,从处理器性能计数器和系统使用情况入手,结合多元线性回归和非线性回归的数学方法,分析总结了不同参数和方法对服务器能耗建模的影响,提出了适合云计算数据中心基础架构的服务器能耗模型。
1 云数据中心的能耗模型
云数据中心建立的原则:全系统、精确、快速、通用性、弹性、简单。
基本流程
a) 采样. 基本方向: 处理器的性能计数器和系统使用率
b) 建立能耗模型. 利用回归分析的手法,通过数学手段,筛选能耗因子,降低模型复杂度。
c) 检验能耗模型的精确度,利用模型检测系统能耗
表1 常见的Benchmark及类型 SPEC2006,处理器、内存密集型
2 相关工作
2.1 基于系统使用率的建模
有人把服务器分为处理器、硬盘、驻村等,构建多元线性回归模型,还有人加上了系统的环境温度、总线活动作为影响因子,还有人使用服务器的最大功率、最小功率和CPU的当前使用率来表述能耗模型。
2.2 基于Performance counter的建模
为了提高能耗模型的精度,人们提出了基于性能计数器的能耗建模。
2.3 针对特定环境的建模
有人提出了针对MapReduce数据中心建立以应用为中心的能耗模型。
3 基于云数据中心计算节点的能耗建模过程
3.1 性能计数器的监控事件
Intel处理器从奔腾系列起,就将一组特定模型的性能监计数器引入了性能监控系统,允许选择性能参数进行检测和测量。
3.2 基于系统使用率的能耗建模
CPU是计算机系统中主要的耗能部件,并且调节方法便捷。
多元线性回归模型,套索(lasso)回归
3. 基于性能计数事件的计算机功耗估算模型
摘要
基于系统运行时的性能计数事件,应用机器学习理论分析性能事件与功耗的关系,建立多核计算机系统实时功耗估算模型。
模型构建使用多元线性回归和支持向量回归方法,并对两种方法建立的功耗估算模型进行对比分析。
1 相关研究
基于参数配置的模拟器评估功耗:通过配置指令级参数来获取模拟功耗数据。
基于计算机系统使用率的功耗建模技术
基于系统主要硬件性能计数事件的功耗建模技术
2 计算机功耗估算模型
2.1 基于性能计数事件功耗估算原理:已有大量研究表明,计算机系统硬件性能计数器与系统功耗存在密切联系。
当系统中存在大量HPCs(硬件性能计数事件)时,监测性能事件发生次数可直观体现出程序运行时硬件执行特征。
2.2 建模流程
一般采用闭环反馈的方法建立功耗模型。
1) 选择基准测试集合 2) 通过实验采集功耗性能事件计数值及对应功耗值 3) 对实验数据进行回归分析
2.3 功耗估算模型评估标准
准确性;实时性;通用性和可移植性;开销小;简单性
3 数据回归分析方法
求解多元线性回归模型一般使用逐步回归与最小二乘法结合来求解参数向量。
目前最常用的功耗建模分析方法采用支持向量机回归方法。
4 计算机功耗建模实验分析
4.1 实验环境:惠普服务器,8848A功率仪
4.2 选择硬件性能事件集合
本文通过逐步分析法从123个性能计数事件中选取了16个事件。
4.3 选择基准测试集合与采样
4.4 回归建模
4. 考虑DVFS的云计算系统虚拟机部署策略研究
第一章是绪论部分,主要阐述研究工作的背景和研究意义,阐述降低云数据
中心能耗的实际意义,并介绍当前虚拟机部署问题的研究现状。
第二章是相关理论介绍,首先介绍了云计算的概念、关键技术、部署模型以
及服务模式,然后介绍了云数据中心目前采取的主要节能技术,最后介绍了云数
据中心的虚拟机部署问题以及虚拟机迁移问题。
第三章首先介绍了DVFS技术,并根据其原理得出了基于DVFS的多核物理
服务器能耗模型;然后通过对虚拟机迁移机制进行深入研究,提出了虚拟机迁移
开销的度量方法,包括虚拟机迁移过程中的能耗、虚拟机迁移时间与宕机时间
第四章首先阐述了本文所要解决的虚拟机部署问题模型,提出一种单核虚拟
机部署算法EEVD,并详细阐述了其中的虚拟机重部署方法与执行频率决策方法;
其次,阐述了多核虚拟机模型,并提出了一种多核虚拟机部署算法EMCVD o
第五章为实验与结果分析,分别在系统能耗等多方面验证了在EMCVD算法
有效性,实验结果表明,EMCVD算法能够减少虚拟机迁移次数,降低系统总能耗,
提高云服务提供商的收益。
第六章首先对本文的内容进行了全局的总结,然后指出了几个未来可能的研
5. 混合供电数据中心能耗优化研究进展
目标:在数据中心充分利用可再生能源
第2节介绍可再生能源混合供电的数据中心能耗优化的基本思路和技术层次:
思路不再是简单的减少耗电,而是减少不可再生能源的利用率。
不能完全用绿色能源的原因是绿色能源通常不稳定,比如风能,有时候不足,有时候浪费。
目标是实现产电和耗电的匹配。
第3节介绍可再生能源的产电模型和数据中心耗电模型
产电:分别介绍太阳能电池、风涡轮机的功率模型。需要重点考虑气象因素
耗电:介绍计算任务和虚拟机的能耗
第4节介绍基于功率控制的能耗优化方法
CPU等设备可以通过调整自身状态改变功率。比如PC的工作功率是80W,休眠功率不足10W。功率管理使数据中心能源需求更为灵活。目前的主要方法是DVFS。
第5节介绍基于负载均衡的能耗优化方法
负载是计算机耗能的根本原因。利用请求在时空上的灵活性,通过调度、延迟、迁移等技术,改变负载的分布,进而影响数据中心的能耗。
第6节提出能耗优化的约束问题
第7节总结全文
6. Power modeling on FPGA: a neural model for RT-level power estimation
在FPGA上建模:RT-级别功率估计神经网络模型
摘要
对小型嵌入式设备来说,降低功耗是一个主要问题。我们提出了基于神经网络的新功耗模型,预测FPGA上实现的数字运算器消耗的功率。
1 引言