EATS زمان بندی وظایف آگاه از انرژی در سیستم های محاسباتی ابری
چکیده
هزینه فزایندۀ مصرف انرژی در مراکز داده و تهدیدات متناظر محیطی باعث شده اند که تقاضای محاسبه انرژی کارآمد افزایش یابد. علی رغم اهمیت آن، آثار کمی روی معرفی مدل ها برای مدیریت مصرف مؤثر انجام شده بود. با افزایش کاربرد محاسبات ابری، این موضوع از اهمیت بالایی برخوردار گشت. در محاسبات ابری، سرویس هایی در مرکز داده روی مجموعه ای از خوشه ها راه اندازی می شود که توسط محیط محاسبات ابری مدیریت می شوند. این سرویس به شکل نرم افزار به عنوان سرویس (SaaS)، پلتفرم به عنوان سرویس (PaaS) و زیرساخت به عنوان سرویس (IaaS) ارائه شده اند. مقدار انرژی مصرف شده توسط سیستم های محاسباتی که به مقدار کم و یا بسیار زیاد مورد استفاده قرار گرفته، ممکن است قابل توجه باشد. بنابراین، برای توجه به مصرف انرژی در بهره برداری از منابع انرژی کارآمد ابری، به الگوریتم های زمان بندی نیاز داریم. به عبارت دیگر، محاسبات ابری برای عملکرد محاسباتی بالا مهم به نظر می رسد؛ به عنوان مثال، برای پردازش داده های بزرگ و به خاطر کاهش مصرف انرژی نباید زیاد به خطر بیفتند. در این مقاله، از مدل زمان بندی وظایف آگاه از انرژی (EATS) استفاده می کنیم، که داده بزرگ را در سیستم ابری تقسیم و زمان بندی می کند. هدف اصلی EATS افزایش کارآیی این برنامه و کاهش مصرف انرژی از منابع زیرساختی است. مصرف انرژی سرور محاسباتی تحت شرایط مختلف بار کاربردی/مجاز اندازه گرفته شده بود. آزمایشات نشان می دهند که نسبت مصرف انرژی در بالاترین میزان، با یک حالت ساکن 3/1 مقایسه می شود. این نشان می دهد که از منابع باید صحیح و بدون شکافتن استفاده شوند. نتایج حاصل از رویکرد ارائه‌شده بسیار امیدوارکننده و دلگرم کننده است. از این رو، اتخاذ چنین استراتژی هایی توسط ارائه دهندگان ابر به صرفه جویی در انرژی برای مراکز داده منجر می شود.
1 مقدمه
محاسبات ابری یک تکنولوژی نوظهور برای دسترسی شبکه ای راحت، همه‌جایی و عندالمطالبه به مجموعه ای از منابع محاسباتی قابل تنظیم است (مثل شبکه ها، سرورها، ذخیره سازی، برنامه ها و خدمات) که می توانند با تلاش مدیریت حداقلی یا فعل‌وانفعال ارائه دهندۀ سرویس منتشر و آزاد گردند. ترکیبی از سه مدل است: رایانش ابری نرم افزار به عنوان یک سرویس (SaaS)، رایانش ابری پلتفرم به عنوان یک سرویس (PaaS) و زیرساخت به عنوان سرویس (IaaS). ابر SaaS برای کاربر برنامه هایی را فراهم می کند که می توانند راه اندازی شوند و به نتیجه برسند. ابر PaaS برای کاربر امکانی را فراهم می کند تا بتواند برنامه ها را درون ابر گسترش دهد. ابر IaaS برای کاربر قابلیت پردازش، ذخیره سازی و تهیه شبکه هایی را ایجاد می کند که برای راه اندازی برنامه های آنها است. این سرویس در مرکز داده و روی مجموعه ای از خوشه ها راه اندازی می شود که توسط محیط محاسباتی ابری مدیریت می شوند. محاسبات ابری برای عملکرد محاسباتی بالا در بسیاری از برنامه های علمی و مهندسی امیدبخش است؛ مثلاً برای هدف پردازش داده های بزرگ. عملکرد و کیفیت سرویس ها مهم هستند. بسیاری از محققان می خواستند عملکرد برنامه ها را با انتخاب منابع کافی بدون توجه به مصرف انرژی افزایش دهند. با این حال، مصرف انرژی از مرکز داده موضوعی مهم برای ماهیت میزبانی مرکز داده مانند صورتحساب افزایش در هزینه، و برای محیط است. به عنوان نمونه مراکز داده در اتحادیه اروپا در سال 2005 حدود 1% برآورد شدند (شامل خنک کننده) در میزان آن در ایالات متحده حدود 8/2% تخمین زده شد. برآورد شد که آنها 3% از مجموع کلی تولید برق در اروپا را مصرف می کنند، از این رو، به همان میزان نیز مسئول انتشار CO2 هستند.
Abstract
The increasing cost in power consumption in data centers, and the corresponding environmental threats have raised a growing demand in energy-efficient computing. Despite its importance, little work was done on introducing models to manage the consumption efficiently. With the growing use of Cloud Computing, this issue becomes very crucial. In a Cloud Computing, the services run in a data center on a set of clusters that are managed by the Cloud computing environment. The services are provided in the form of a Software as a Service (SaaS), Platform as a Service (PaaS), and Infrastructure as a Service (IaaS). The amount of energy consumed by the underutilized and overloaded computing systems may be substantial. Therefore, there is a need for scheduling algorithms to take into account the power consumption of the Cloud for energy-efficient resource utilization. On the other hand, Cloud computing is seen as crucial for high performance computing; for instance for the purpose of Big Data processing, and that should not be much compromised for the sake of reducing energy consumption. In this work, we derive an energy-aware tasks scheduling (EATS) model, which divides and schedules a big data in the Cloud. The main goal of EATS is to increase the application efficiency and reduce the energy consumption of the underlying resources. The power consumption of a computing server was measured under different working load conditions. Experiments show that the ratio of energy consumption at peak performance compared to an idle state is 1.3. This shows that resources must be utilized correctly without scarifying performance. The results of the proposed approach are very promising and encouraging. Hence, the adoption of such strategies by the cloud providers result in energy saving for data centers.
1. Introduction
Cloud computing1,2,3 is an emerging technology for enabling ubiquitous, convenient, on-demand network access to a shared pool of configurable computing resources (e.g., networks, servers, storage, applications, and services) that can be rapidly provisioned and released with minimal management effort or service provider interaction. It is composed of three service models: Cloud Software as a Service (SaaS), Cloud Platform as a Service (PaaS), and Infrastructure as a Service (IaaS). The Cloud SaaS provides the users with applications that they can run and get results. The Cloud PaaS provides the users with the possibility to deploy applications onto the cloud. The Cloud IaaS provides the users with the capability to provision processing, storage, and networks for running their applications. The services run in a data center on a set of clusters that are managed by the Cloud Computing environment. The Cloud computing is promising for high performance computing4,5 of many scientific and engineering applications; for instance for the purpose of Big Data processing. Both performance and quality of services are essential. Many researchers were aiming at increasing the performance of applications by selecting adequate resources without paying attention to energy consumption. However, the energy consumption of the data center is equally a crucial issue for the both the entity hosting the data center as the corresponding bill increases in cost, and for the environment. For instance, Data centers in European Union are estimated to be about 1% in 2005 (including cooling) and it is estimated that it has reached 2.8% in the US. They are estimated to use 3% of the total electricity production in Europe, hence responsible for the same percentage of CO2 emission6.
چکیده
1 مقدمه
2 مدل سیستم EATS
3 مدل زمان بندی برنامه ریزی غیرخطی
4 زمینه و آثار مرتبط
5 تحلیل عملکرد
5-1 محیط آزمایشی
5-2 آزمایشات
5-3 تحلیل نتایج آزمایشی
6 نتیجه گیری و آثار آینده
Abstract
1. Introduction
2. EATS SYSTEM MODEL
3. NON LINEAR PROGRAMMING SCHEDULING MODEL
4. BACKGROUND AND RELATED WORKS
5. PERFORMANCE ANALYSIS
5.1. Experimental Environment
5.2. Experiments
5.3. Experimental Results Analysis
6. Conclusion and Future Works
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه