论文部分内容阅读
随着大数据、人工智能及云计算技术的飞速发展,云数据中心的业务呈现爆发式增长,其规模也在迅速扩大,而建造、维护和升级数据中心的成本是巨大的,其中电力设施建设和日常能耗就占据了数据中心整体拥有成本的近三分之一。当前基于电网供电的云数据中心高能耗不仅带来了巨额电费的直接开销,也会间接地产生大量温室气体,给自然环境造成影响。因此,学术界和工业界开始在数据中心里引入如风能、太阳能等可再生清洁能源进行供电,通过建设新型绿色数据中心降低运营成本,并减少环境破坏。然而,在绿色数据中心中,新能源电能的供给和负载的行为随着时间的变化各自呈现出显著且毫无关联的波动特性。因此,数据中心迫切地需要高效的调度方法,以此实现负载电力需求和新能源电能供给之间的匹配。为了解决绿色数据中心里电能供给和负载电能需求动态匹配的目标,已有的研究工作分别从底层的服务器系统能耗控制和上层的新能源供给角度出发,提出了若干种解决方案,如SolarCore和HEB等电能管理策略。但是,这些工作并没有充分挖掘现有数据中心广泛存在的硬件异构特性以及处理器可动态调度的潜力,无法同时实现负载、服务器硬件和新能源电能更高效的协同管理,从而深度优化绿色数据中心整体能耗效率和性能。以下从三个具体的方面进行深入研究。为了实现异构服务器系统和运行时任务的协同管理,降低绿色数据中心整体能耗,提出了一种基于性能感知的动态反馈调度策略Montgolfier。异构服务器的设计能够显著增加数据中心整体的能耗效率,但是在异构服务器系统中运行延迟敏感型任务时,服务器之间的切换开销可能会降低负载的服务质量(Quality of Service,QoS)。Montgolfier策略将强服务器和弱服务器组合成异构计算节点,并且能够严格保证延迟敏感型任务运行时的性能。为了消除由任务迁移所带来的额外开销,Montgolfier采用了动态负载预测方法对数据中心负载强度进行短期的预测,从而确定负载在服务器之间切换的最佳时机。该预测方法是由指数加权移动平均方法优化而来,它在原有的单一权重系数基础上又增加一个负数权重系统数,从而提升了预测负载峰值时的准确性;同时,设计了处理器功耗配置(如调频技术)的优化选择方法以应对波动的负载请求。该方法采用双阈值调控机制,细粒度地将实时的响应延迟控制在安全范围内。最后,从提升服务器资源利用率角度出发,设计了Montgolfier-Mix策略。该策略开启异构计算节点的两台异构服务器,实现了同时运行批处理和延迟敏感型任务的目标。实验结果表明,相比同构服务器设计,Montgolfier能够在保证延迟敏感型任务的QoS目标的情况下,降低最多34.9%的能耗。相比静态混合负载调度策略,Montgolfier-Mix可以使批处理任务性能提升多达53%。为了实现新能源电能供给和异构服务器系统的协同管理,合理分配绿色数据中心电能资源,提出了一种基于异构数据中心的自适应电能分配策略GreenHetero。数据中心的系统和硬件的常规升级,如服务器的迁移、更换失效的服务器部件、扩充服务器的计算和存储容量等操作,会导致现有的数据中心内部呈现出更多的异构特性。但是,在以新能源为主要电源的绿色数据中心里,仍没有部署感知底层异构的有效电能分配方案能在有限且波动的新能源供给下,实现数据中心整体性能最大化。GreenHetero是一个动态的电能分配策略,它采用了霍尔特指数平滑电能预测算法,帮助电源选择器从新能源、电池和电网中选择合适的电源。该预测算法能够抓取当前监测数据的趋势信息,更准确地预测新能源电能和服务器能耗。为了匹配负载和计算平台的多样性特征,GreenHetero采用轻量级的运行时采样方法,为所有的服务器配置和负载建立了对应的性能-电能供给关系的数据库,并且进行实时维护和更新。基于该数据库信息和电能预测机制,GreenHetero使用解算器来确定所有异构服务器的电能分配比例,并且通过电能执行器模块实施电源选择和电能分配的决策。实验结果表明,在相同的电能供给条件下,相比于无异构感知策略,GreenHetero最多可以获得2.2倍的性能提升。为了实现新能源电能供给和处理器计算能力动态调度的协同管理,优化绿色数据中心的计算性能,提出了一种基于新能源电能供给的高效数据中心计算冲刺策略GreenSprint。计算冲刺技术(Computational Sprinting)能够短期加速负载的处理能力,但在数据中心层部署计算冲刺技术会面临两个挑战:第一,处理器级别的散热能力有限,导致处理器无法持续以最大频率和最多核心数处理计算任务。第二,数据中心电网设施电力容量有限,而计算冲刺提升了数据中心当前的能耗需求,会造成数据中心电力供给不足。GreenSprint策略使用分布式的新能源和电池供给来满足计算冲刺的短期高能耗需求。首先提出了三种基本控制策略,这些策略能够根据当前的电能供给来确定计算冲刺强度(如核心数量和频率)。不同于以上策略,提出了一种新的基于强化学习算法的Hybrid策略,该策略动态地决定最优计算冲刺配置,能够同时保证电能供应的安全和应用的服务质量。具体而言,Hybrid策略将以上优化问题的解决方法视为马尔科夫决策过程,它根据当前的响应延迟和能耗状态计算系统的奖励值,然后在有限的动作集合(调频和调核)中选择能获得最大总奖励值的最佳动作。在考虑到实际的服务器散热条件时,进一步提出了温度感知的计算冲刺策略Hybrid-T。该策略拓展了Hybrid,将处理器温度限制加入决策过程当中,并选择最优的计算冲刺强度以防止处理器出现过热情况。最后,在搭建好的一个由10台服务器组成的实验平台上对GreenSprint进行整体评估。实验结果表明,对比无计算冲刺策略的情形,GreenSprint能够提升典型交互式应用SPECjbb性能4.8倍。上述三个方面的研究实现了绿色数据中心的计算资源以及电能资源的高效协同调度管理,为未来建设高效的绿色数据中心提供了必要的理论和关键技术的支撑。