Consumo Energético x Qualidade de Serviço em Centros de Dados

  • Marcos Paulo Moro UFGD-Universidade Federal da Grande Dourados
  • Renato Porfirio Ishii Universidade Federal de Mato Grosso do Sul
  • Ronaldo Alves Ferreira Universidade Federal de Mato Grosso do Sul

Resumo


Provedores de nuvem computacional precisam garantir acordos de nível de serviço, mas também precisam economizar energia em seus centros de dados devido aos altos custos operacionais e ambientais. Trabalhos recentes propõem algoritmos para redução do consumo de energia em centros de dados que consideram, geralmente, uma ou duas das três dimensões de maior consumo energético, quais sejam, servidores, sistema de refrigeração ou infraestrutura de rede. Entretanto, algoritmos que otimizam apenas uma ou duas dessas dimensões podem esconder perdas de energia significativas nas demais dimensões. Além disso, otimizações de energia podem aumentar os tempos de resposta de serviços e violar acordos de nível de serviço. Este artigo apresenta um estudo extensivo das relações entre as três principais dimensões de consumo de energia de um centro de dados e seus impactos em indicadores de qualidade de serviço. O artigo também propõe um algoritmo de alocação de máquinas virtuais que explora diferentes níveis de utilização do centro de dados para economizar energia de forma mais agressiva ou para minimizar violações em acordos de nível de serviço e apresenta um novo simulador para estudos de eficiência energética de centros de dados que permite a avaliação de vários algoritmos de escalonamento sob diferentes cargas de trabalho, estratégias de resfriamento e otimizações de rede. Os resultados experimentais foram obtidos por mais de 500 simulações com três traços reais de cargas de trabalho de até 696 mil máquinas virtuais ao longo de até 34 dias.

Palavras-chave: Computação em Nuvem, Virtualização, Consumo de Energia, Simulação

Referências

Akhter, N. and Othman, M. (2016). Energy Aware Resource Allocation of Cloud Data Center: Review and Open Issues. Cluster Computing, 19(3):1163–1182.

Beloglazov, A. and Buyya, R. (2012). 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, 24(13):1397–1420.

Benson, T., Anand, A., Akella, A., and Zhang, M. (2010). Understanding Data Center Traffic Characteristics. SIGCOMM Comput. Commun. Rev., 40:92–99.

Calheiros, R. N., Ranjan, R., Beloglazov, A., De Rose, C. A., and Buyya, R. (2011). CloudSim: A Toolkit for Modeling and Simulation of Cloud Computing Environments and Evaluation of Resource Provisioning
Algorithms. Software: Practice and Experience, 41(1):23–50. GARTNER (2018). The Data Center Is Dead, and Digital Infrastructures Emerge. https://www.equinix.com.br/resources/analyst-reports/gartner-emerging-digital-infrastructures/.

Ge, C., Sun, Z., and Wang, N. (2013). A Survey of Power-Saving Techniques on Data Centers and Content Delivery Networks. IEEE Communications Surveys Tutorials, 15(3):1334–1354.

Hebrew (2018). Parallel Workloads Archive. https://www.cs.huji.ac.il/labs/parallel/workload/logs.html.

Heller, B., Seetharaman, S., Mahadevan, P., Yiakoumis, Y., Sharma, P., Banerjee, S., and McKeown, N. (2010). ElasticTree: Saving Energy in Data Center Networks. In Proceedings of the 7th USENIX NSDI, NSDI’10, pages 17–17, Berkeley, CA, USA. USENIX Association.

Kliazovich, D., Bouvry, P., and Khan, S. (2012). GreenCloud: A Packet-Level Simulator of Energy-Aware Cloud Computing Data Centers. The Journal of Supercomputing, 62(3):1263–1283.

Moore, J., Chase, J., Ranganathan, P., and Sharma, R. (2005). Making Scheduling Cool: Temperature- Aware Workload Placement in Data Centers. In Proceedings of The USENIX Annual Technical Conference, ATC ’05, pages 5–5, Berkeley, CA, USA. USENIX Association.

Moro, M. P. (2018). SimDC3D: A Data Center Simulator. https://github.com/simdc3d.

Nucci, A., Sridharan, A., and Taft, N. (2005). The Problem of Synthetically Generating IP Traffic Matrices: Initial Recommendations. SIGCOMM Comput. Commun. Rev., 35(3):19–32.

Rainer Hegger, Holger Kantz, T. S. (2016). TISEAN 3.0.1 - Nonlinear Time Series Analysis. http://http://www.mpipks-dresden.mpg.de/ tisean/.

Ricciardi, S., Careglio, D., Santos-Boada, G., Sole-Pareta, J., Fiore, U., and Palmieri, F. (2011). Saving Energy in Data Center Infrastructures. In Data Compression, Communications and Processing (CCP), 2011 First International Conference on, pages 265–270.

Rong, H., Zhang, H., Xiao, S., Li, C., and Hu, C. (2016). Optimizing Energy Consumption for Data Centers. Renewable and Sustainable Energy Reviews, 58(C):674–691.

Saino, L., Cocora, C., and Pavlou, G. (2013). A Toolchain for Simplifying Network Simulation Setup. In Proceedings of the 6th International ICST Conference on Simulation Tools and Techniques, SIMUTOOLS ’13, ICST, Brussels, Belgium, Belgium. ICST.

Tighe, M., Keller, G., Bauer, M., and Lutfiyya, H. (2012). DCSim: A Data Centre Simulation Tool for Evaluating Dynamic Virtualized Resource Management. In CNSM 2012 Workshop on Systems Virtualiztion Management, pages 385–392.

Yeo, S. and Lee, H.-H. S. (2012). SimWare: A Holistic Warehouse-Scale Computer Simulator. Computer, 45(9):48–55.

Yue, M. and Zhang, L. (1995). A Simple Proof of the Inequality MFFD(L) <= 71/60 OPT(L) + 1, L for the MFFD Bin-Packing Algorithm. Acta Mathematicae Applicatae Sinica, 11(3):318–330.
Publicado
27/08/2019
Como Citar

Selecione um Formato
MORO, Marcos Paulo ; ISHII, Renato Porfirio; FERREIRA, Ronaldo Alves. Consumo Energético x Qualidade de Serviço em Centros de Dados. In: SIMPÓSIO BRASILEIRO DE REDES DE COMPUTADORES E SISTEMAS DISTRIBUÍDOS (SBRC), 37. , 2019, Gramado. Anais do XXXVII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos. Porto Alegre: Sociedade Brasileira de Computação, aug. 2019 . p. 335-348. ISSN 2177-9384. DOI: https://doi.org/10.5753/sbrc.2019.7370.