Conferencia invitada de Jose M. Moya en Datacenter Dynamics Converged Madrid 2012.
Las técnicas actuales de optimización energética de datacenters, basadas en métricas de eficiencia como PUE, pPUE, ERE, DCcE, etc., no tienen en cuenta las características estáticas y dinámicas de las
aplicaciones y los recursos (de computación y refrigeración). Sin embargo, el conocimiento del estado actual del datacenter, de la historia pasada, de las caracteriìsticas térmicas de los recursos y de las caracteriìsticas de demanda energética de los trabajos a ejecutar puede ser utilizado de manera muy eficaz para guiar la toma de decisiones a todos los niveles en el datacenter con objeto de minimizar las necesidades energeìticas. Por ejemplo, el reparto de trabajos en las maìquinas disponibles, si se hace teniendo en cuenta las arquitecturas maìs adecuadas para cada trabajo desde el punto de vista energeìtico, y teniendo en cuenta el tipo de trabajos que van a venir con posterioridad, puede reducir las necesidades energeìticas hasta un 30%.
Además, para conseguir una reducción significativa del consumo energético de datacenters ya eficientes (PUE bajo) cada vez es más importante un enfoque global y multi-nivel, esto es, actuando sobre los diferentes niveles de abstraccioìn del datacenter (planificación y asignación de recursos, aplicación, sistema operativo, compiladores y máquinas virtuales, arquitectura y tecnología), y en los distintos ámbitos (chip, servidor, rack, sala y multi-sala).
SalmorejoTech 2024 - Spring Boot <3 Testcontainers
Eficiencia Energética Más Allá Del PUE: Explotando el Conocimiento de la Aplicación y los Recursos
1. CAMPUS OF
INTERNATIONAL
EXCELLENCE
“Ingeniamos el futuro”
Eficiencia Energética más allá del PUE:
Explotando el Conocimiento de la
Aplicación y los Recursos
José M. Moya <jm.moya@upm.es>
Laboratorio de Sistemas Integrados
José M.Moya | Madrid (Spain), June 12, 2012 1
2. CAMPUS OF
INTERNATIONAL
EXCELLENCE
Contenido
“Ingeniamos el futuro”
• Motivación
• Nuestro enfoque
– Planificación y gestión
de recursos
– Optimización de
máquinas virtuales
– Gestión de modos de
bajo consumo
– Diseño de procesadores
• Conclusiones
José M.Moya | Madrid (Spain), June 12, 2012 2
3. CAMPUS OF
INTERNATIONAL
EXCELLENCE
Motivación
“Ingeniamos el futuro”
• Consumo energético en data centers
– 1.3% de la producción energética mundial en 2010
– USA: 80 mill MWh/año en 2011 = 1,5 x NYC
– 1 datacenter = 25 000 casas
• Más de 43 Millones de Toneladas de CO2 / año
(2% mundial)
• Más agua que la industria del
papel, automóvil, petróleo, madera o plástico
Jonathan Koomey. 2011. Growth in Data center electricity use 2005 to 2010
José M.Moya | Madrid (Spain), June 12, 2012 3
4. CAMPUS OF
INTERNATIONAL
EXCELLENCE
Motivación
“Ingeniamos el futuro” 35000
World server installed base
30000
• Se espera que la electricidad 25000
(thousands)
20000 High-end servers
total utilizada por los data 15000 Mid-range servers
10000
centers en 2015 exceda los 5000
Volume servers
400 GWh/año. 0
2000 2005 2010
• El consumo de energía de la 5,75 Millones de servidores nuevos / año
refrigeración continuará 10% de servidores sin utilizar (CO2 de 6,5
teniendo una importancia millones de coches)
similar o superior al consumo
300
de la computación 250 Infrastructure
(billion kWh/year)
Electricity use
200 Communications
• La optimización energética 150 Storage
de los data centers del futuro 100 High-end servers
50 Mid-range servers
requerirá un enfoque global 0 Volume servers
y multi-disciplinar. 2000 2005 2010
José M.Moya | Madrid (Spain), June 12, 2012 4
5. CAMPUS OF Problemas de fiabilidad
INTERNATIONAL
EXCELLENCE que dependen de la temperatura
“Ingeniamos el futuro”
✔
Electromigration (EM)
✖
Time-dependent
dielectric-
breakdown (TDDB)
Stress
migration (SM)
✖
✖ Thermal
cycling (TC)
José M.Moya | Madrid (Spain), June 12, 2012 5
6. CAMPUS OF
Refrigeración de
un data center
INTERNATIONAL
EXCELLENCE
“Ingeniamos el futuro”
José M.Moya | Madrid (Spain), June 12, 2012 6
7. CAMPUS OF
INTERNATIONAL
EXCELLENCE
Mejoras en servidores
“Ingeniamos el futuro”
• Virtualización
- 27%
• Servidores conforme a
Energy Star
= 6.500
• Mejor planificación de
capacidad 2.500
José M.Moya | Madrid (Spain), June 12, 2012 7
8. CAMPUS OF
INTERNATIONAL
EXCELLENCE
Mejoras en refrigeración
“Ingeniamos el futuro”
• Mejoras en gestión de flujos de aire y rangos
de temperatura ligeramente más amplios
Reducción del consumo
hasta un 25% 25.000
Recuperación de la inversión
en solo 2 años
José M.Moya | Madrid (Spain), June 12, 2012 8
9. CAMPUS OF
INTERNATIONAL Mejoras en infraestructura
EXCELLENCE
“Ingeniamos el futuro”
CA CC
– 20% reducción de pérdidas de conversión
– 47 millones de dólares de gastos
inmobiliarios por data center
– Mayor eficiencia, ahorro de energía suficiente para
cargar un iPad durante 70 millones de años
José M.Moya | Madrid (Spain), June 12, 2012 9
10. CAMPUS OF
Mejores prácticas de
eficiencia energética
INTERNATIONAL
EXCELLENCE
“Ingeniamos el futuro”
José M.Moya | Madrid (Spain), June 12, 2012 10
11. CAMPUS OF
PUE
Power Usage Effectiveness
INTERNATIONAL
EXCELLENCE
“Ingeniamos el futuro”
• Estado del arte: PUE ≈ 1,2
– La parte importante es el consumo de computación
– El trabajo en eficiencia energética en DC está centrado
en la reducción del PUE
– Reducir PIT no reduce el PUE, pero se nota en la
factura de la luz
• ¿Cómo se puede reducir PIT ?
José M.Moya | Madrid (Spain), June 12, 2012 11
12. CAMPUS OF
Ahorro energético según el
nivel de abstracción
INTERNATIONAL
EXCELLENCE
“Ingeniamos el futuro”
José M.Moya | Madrid (Spain), June 12, 2012 12
13. CAMPUS OF
INTERNATIONAL
EXCELLENCE
Nuestro enfoque
“Ingeniamos el futuro”
• Estrategia global para permitir la utilización de
múltiples fuentes de información y para coordinar las
decisiones con el fin de reducir el consumo total
• Utilización del conocimiento de las características de
demanda energética de las aplicaciones y las
características de los recursos de computación y
refrigeración para aplicar técnicas proactivas de
optimización
José M.Moya | Madrid (Spain), June 12, 2012 13
14. CAMPUS OF
INTERNATIONAL
EXCELLENCE
Enfoque holístico
“Ingeniamos el futuro”
Chip Server Rack Room Multi-
room
Sched & alloc 2 1
app
OS/middleware
Compiler/VM 3 3
architecture 4 4
technology 5
José M.Moya | Madrid (Spain), June 12, 2012 14
15. CAMPUS OF
1. Gestión de recursos
INTERNATIONAL
EXCELLENCE en la sala
“Ingeniamos el futuro”
Chip Server Rack Room Multi-
room
Sched & alloc 2 1
app
OS/middleware
Compiler/VM 3 3
architecture 4 4
technology 5
José M.Moya | Madrid (Spain), June 12, 2012 15
16. CAMPUS OF
INTERNATIONAL Aprovechando la heterogeneidad
CCGrid 2012
EXCELLENCE
“Ingeniamos el futuro”
• Utilización de la heterogeneidad para minimizar el
consumo energético desde un punto de vista
estático/dinámico
– Estático: Encontrar el mejor set-up del datacenter,
dado un número heterogéneo de máquinas
– Dinámico: Optimización de la asignación de tareas en
el Resource Manager
• Demostramos que la mejor solución se encuentra
en un datacenter heterogéneo
– Muchos datacenters son heterogéneos (diversas
generaciones de máquinas)
M. Zapater, J.M. Moya, J.L. Ayala. Leveraging Heterogeneity for
Energy Minimization in Data Centers, CCGrid 2012
José M.Moya | Madrid (Spain), June 12, 2012 16
17. CAMPUS OF
INTERNATIONAL
EXCELLENCE
Escenario actual
“Ingeniamos el futuro”
Scheduler Resource
WORKLOAD
Manager
Execution
José M.Moya | Madrid (Spain), June 12, 2012 17
18. CAMPUS OF
Potencial de mejora
con mejores prácticas
INTERNATIONAL
EXCELLENCE
“Ingeniamos el futuro”
Total power (computing and cooling) for various scheduling approaches
1400 max computing power, worst thermal placement
min computing power, worst thermal placemenit
optimal computing+cooling
1200 optimal computing+cooling, shut off idles
optimal computing+cooling, shut off idles, no recirculation
1000
Power (KW)
savings by minimizing computing power
savings by minimizing the recirculation’s effect
800 savings by turning off idle machines
unaddressed heat recirculation cost
600 basic (unavoidable) cost
400
200
0
0 20 40 60 80 100
job size relative to data center capacity (%)
José
operation cost (in kilowatts) for various “savings
Fig. 3. Data center M.Moya | Madrid (Spain), June 12, 2012 18
19. energy consume
energy consume
20
Planificación y asignación de recursos
100
15
CAMPUS OF
consciente de la refrigeración
10
INTERNATIONAL
50
EXCELLENCE 5
0
iMPACT Lab (Arizona State U)
0
“Ingeniamos el futuro” FCFS-FF FCFS-LRH EDF-LRH FCFS-Xint SCINT FCFS-FF FCFS-LRH EDF-LRH FCFS-Xint SCINT
(a) (b)
Energy consumption, Scenario (b) 120 jobs, 16039 core-hours, idle servers on Energy consumption, Scenario (b) 120 jobs, 16039 core-hours, idle servers off
40 Energy consumption, Scenario (a) 40 jobs, 25014 core-hours, idle servers off
Energy consumption, Scenario (a) 40 jobs, 25014 core-hours,energy
cooling idle servers on cooling energy
computing energy computing energy
40 cooling energy
300 Throughput 0.580 jobs/hr 0.580 jobs/hr 0.349 jobs/hr 0.580 cooling energy
jobs/hr 0.254 jobs/hr 35 computing energy
200 Turnaround time 8.98 hr computing energy
8.98 hr 12.17 hr 8.98 hr 48.49 hr
Throughput 0.580 jobs/hr 0.580 jobs/hr 0.349 jobs/hr 0.580 jobs/hr 0.427 jobs/hr
Alg. runtime 170 ms 186 ms 397 ms 40.8 min 88.6 min 35
250 Energy savings 0.197 jobs/hr
Throughput 0% 0.197 jobs/hr
1.7% 0.172 jobs/hr
4.1% 0.197 jobs/hr
3.6% 0.163 jobs/hr
4.7% 30 Turnaround time
Throughput
8.98 hr
0.197 jobs/hr
8.98 hr
0.197 jobs/hr
12.17 hr
0.172 jobs/hr
8.98 hr
0.197 jobs/hr
17.75 hr
0.163 jobs/hr
Alg. runtime 171 ms 186 ms 397 ms 42 min 100 min
energy consumed (GJ) (GJ)
energy consumed (GJ) (GJ)
Turnaround time 18.41 hr 18.41 hr 20.75 hr 18.41 hr 51.75 hr Turnaround time 18.41 hr 18.41 hr 20.75 hr 18.41 hr 38.02 hr
Alg. runtime 3.4 ms 6.9 ms 213 ms 23 min 40 min 30 Energy savings 0% 4.0% 14.6% 14.2% 15.1%
25 Alg. runtime 3.4 ms 6.9 ms 213 ms 23 min 43 min
energy consumed
energy consumed
150
200
Energy savings 0% 6.2% 8.6% 8.7% 10.2%
Energy savings 0% 11.8% 54.7% 21.8% 60.5%
25
20
150
20
100 15
100 15
10
50
50 10
5
5
0 0
FCFS-FF FCFS-LRH EDF-LRH FCFS-Xint SCINT FCFS-FF FCFS-LRH EDF-LRH FCFS-Xint SCINT
0 0
FCFS-FF (c)
FCFS-LRH EDF-LRH FCFS-Xint SCINT FCFS-FF (d)
FCFS-LRH EDF-LRH FCFS-Xint SCINT
Energy consumption, Scenario (c)(a) jobs, 45817 core-hours, idle servers on
174 Energy consumption, Scenario (c)(b) jobs, 45817 core-hours, idle servers off
174
Energy consumption, Scenario (b) 120 jobs, 16039 core-hours, idle servers on
cooling energy Energy consumption, Scenario (b) 120 jobs, 16039 core-hours, idle servers off
cooling energy
computing energy computing energy
450
cooling energy 40 cooling energy
Throughput 0.892 jobs/hr 0.892 jobs/hr 0.861 jobs/hr 0.892 jobs/hr energy
computing 0.561 jobs/hr 100 Throughput computing
0.892 jobs/hr 0.892 jobs/hr 0.861 jobs/hr 0.892 jobs/hr energy
0.590 jobs/hr
400 Turnaround time 9.99 hr 9.99 hr 13.39 hr 9.99 hr 61.49 hr
300 Turnaround time 9.99 hrjobs/hr 9.99 hrjobs/hr 13.39 hr
Throughput 0.580 0.580
9.99 hr 65.38 hr
0.349 jobs/hr 0.580 jobs/hr 0.254 jobs/hr 35 Alg. runtime 173 ms 191 ms 346 ms 21 min 147 min
Alg. runtime time 173 ms
Turnaround 8.98 hr 196 ms
8.98 hr 346 ms
12.17 hr 20 min
8.98 hr 142 min
48.49 hr Energy savings 0.0% 7.5% 17.3% 25.7% 41.4%
350 Throughput 0.580 jobs/hr 0.580 jobs/hr 0.349 jobs/hr 0.580 jobs/hr 0.427 jobs/hr
energy consumed (GJ) (GJ)
energy consumed (GJ) (GJ)
Energy savings 170 ms
Alg. runtime 0% 2.5%
186 ms 5.9%
397 ms 9.4%
40.8 min 12.5%
88.6 min 80
250 Energy savings 0% 1.7% 4.1% 3.6% 4.7% 30 Turnaround time 8.98 hr 8.98 hr 12.17 hr 8.98 hr 17.75 hr
300 Alg. runtime 171 ms 186 ms 397 ms 42 min 100 min
energy consumed
energy consumed Energy savings 0% 4.0% 14.6% 14.2% 15.1%
25
250
200 60
200 20
150 40
150
15
100
100
20
10
50
50
5
0 0
FCFS-FF FCFS-LRH EDF-LRH FCFS-Xint SCINT FCFS-FF FCFS-LRH EDF-LRH FCFS-Xint SCINT
0 0
FCFS-FF (e)
FCFS-LRH EDF-LRH FCFS-Xint SCINT FCFS-FF (f)
FCFS-LRH EDF-LRH FCFS-Xint SCINT
(c) (d)
Fig. 8. Energy comparison of the simulated schemes for the three scenarios. The plots correspond in respective positions to the plots of Figure 7.
Energy consumption, Scenario (c) 174 jobs, 45817 core-hours, idle servers on Energy consumption, Scenario (c) 174 jobs, 45817 core-hours, idle servers off
José M.Moya | cooling energy (Spain), June 12, 2012
Madrid 19 cooling energy
policy used in the data center, which enables energy execution as soon as they arrive if the queue is empty and the data
450
computing
job computing energy
Throughput 0.892 jobs/hr 0.892 jobs/hr 0.861 jobs/hr 0.892 jobs/hr 0.561 jobs/hr 100 Throughput 0.892 jobs/hr 0.892 jobs/hr 0.861 jobs/hr 0.892 jobs/hr 0.590 jobs/hr
400
20. CAMPUS OF Planificación y asignación de
INTERNATIONAL
EXCELLENCE recursos consciente de la aplicación
LSI-UPM
“Ingeniamos el futuro”
Resource
WORKLOAD Manager
(SLURM)
Execution
Profiling and Energy
Classification Optimization
José M.Moya | Madrid (Spain), June 12, 2012 20
21. CAMPUS OF Planificación y asignación de
INTERNATIONAL
EXCELLENCE recursos consciente de la aplicación
Escenario
“Ingeniamos el futuro”
• Workload:
– 12 tareas del benchmark SpecCPU 2006
– Workload aleatorio de 2000 tareas, dividido en job sets
– Tiempo de llegada aleatorio entre job sets
• Servidores:
José M.Moya | Madrid (Spain), June 12, 2012 21
22. CAMPUS OF Planificación y asignación de
INTERNATIONAL
EXCELLENCE recursos consciente de la aplicación
Profiling de energía
“Ingeniamos el futuro”
Resource
WORKLOAD Manager
(SLURM)
Execution
Profiling and Energy
Classification Optimization
Energy profiling
José M.Moya | Madrid (Spain), June 12, 2012 22
23. CAMPUS OF
Caracterización de la
carga de trabajo
INTERNATIONAL
EXCELLENCE
“Ingeniamos el futuro”
José M.Moya | Madrid (Spain), June 12, 2012 23
24. CAMPUS OF
INTERNATIONAL Trabajo realizado
Optimizaciones
EXCELLENCE
“Ingeniamos el futuro”
Resource
WORKLOAD Manager
(SLURM)
Execution
Profiling and Energy
Classification Optimization
Energy Minimization:
• Minimization subjected to constraints
• MILP problem (solved with CPLEX)
• Static and Dynamic
José M.Moya | Madrid (Spain), June 12, 2012 24
25. CAMPUS OF Planificación y asignación de
INTERNATIONAL
EXCELLENCE recursos consciente de la aplicación
“Ingeniamos el futuro”
Optimización estática
• Definición del datacenter óptimo
– Dado un pool de 100 máquinas de cada
– 1 job set del workload
– El optimizador escoge los mejores servidores
– Constraints de presupuesto y espacio
Mejor solución:
• 40 Sparc
• 27 AMD
Ahorros:
• 5 a 22% en energía
• 30% tiempo
José M.Moya | Madrid (Spain), June 12, 2012 25
26. CAMPUS OF Planificación y asignación de
INTERNATIONAL
EXCELLENCE recursos consciente de la aplicación
“Ingeniamos el futuro”
Optimización dinámica
• Asignación óptima del workload
– Uso del workload completo (2000 tareas)
– El algoritmo encuentra una buena asignación (no la mejor)
en términos de energía
– Ejecución del algoritmo en runtime
Ahorros del 24%
al 47% en energía
José M.Moya | Madrid (Spain), June 12, 2012 26
27. CAMPUS OF Planificación y asignación de
INTERNATIONAL
EXCELLENCE recursos consciente de la aplicación
“Ingeniamos el futuro”
Conclusiones
• Primera prueba de concepto en cuanto a ahorros
energéticos gracias a heterogeneidad
• Solución automática
• La solución automática de procesadores ofrece
notables ahorros energéticos.
• La solución puede ser fácilmente implementable en
un entorno real
– Uso del Resource Manager SLURM
– Workloads y servidores más realistas
José M.Moya | Madrid (Spain), June 12, 2012 27
28. CAMPUS OF
2. Gestión de recursos
INTERNATIONAL
EXCELLENCE en el servidor
“Ingeniamos el futuro”
Chip Server Rack Room Multi-
room
Sched & alloc 2 1
app
OS/middleware
Compiler/VM 3 3
architecture 4 4
technology 5
José M.Moya | Madrid (Spain), June 12, 2012 28
29. CAMPUS OF Políticas de planificación y
INTERNATIONAL
EXCELLENCE asignación de recursos en MPSoCs
“Ingeniamos el futuro”
UCSD – System Energy Efficiency Lab
A. Coskun , T. Rosing , K. Whisnant and K. Gross "Static and dynamic temperature-
aware scheduling for multiprocessor SoCs", IEEE Trans. Very Large Scale Integr. Syst.,
vol. 16, no. 9, pp.1127 -1140 2008
Fig. 3. Distribution of thermal hot spots, with with DPM (ILP).
Fig. 3. Distribution of thermal hot spots, DPM (ILP). Fig. 4. Distribution of spatial gradients, with with DPM (ILP).
Fig. 4. Distribution of spatial gradients, DPM (ILP).
A. Static Scheduling Techniques
A. Static Scheduling Techniques hot spots. While Min-Th reduces the spatial differentials
hot spots. While Min-Th reduces the highhigh spatial differentials
We We next provideextensive comparison of the ILP ILP based above 15 we observe a substantial increase in the spatial
next provide an an extensive comparison of the based above 15 C, C, we observe a substantial increase in the spatial
José M.Moya | Min-Th&Sp. gradients
techniques. We refer to to static approach as as Madrid (Spain), June 12, above 10 C. C. In contrast, method achieves lower
techniques. We referour our static approach Min-Th&Sp. gradients 2012above 10 In contrast,29 our method achieves lower
our
As discussedSection III, we implemented the ILP ILP min- and and more balanced temperature distribution in die. die.
As discussed in in Section III, we implemented the for for min- more balanced temperature distribution in the the
30. CAMPUS OF Planificación y asignación de
INTERNATIONAL
EXCELLENCE recursos consciente de la aplicación
“Ingeniamos el futuro”
• La caracterización energética de las
aplicaciones permite la definición de políticas
proactivas de planificación y asignación de
recursos que minimizan los hotspots
• La reducción de hotspots permite aumentar la
temperatura del aire de los sistemas de
refrigeración
José M.Moya | Madrid (Spain), June 12, 2012 30
31. CAMPUS OF
3. Máquina virtual consciente
INTERNATIONAL
EXCELLENCE de la aplicación y los recursos
“Ingeniamos el futuro”
Chip Server Rack Room Multi-
room
Sched & alloc 2 1
app
OS/middleware
Compiler/VM 3 3
architecture 4 4
technology 5
José M.Moya | Madrid (Spain), June 12, 2012 31
32. CAMPUS OF
Compilación JIT en
máquinas virtuales
INTERNATIONAL
EXCELLENCE
“Ingeniamos el futuro”
• La máquina virtual
compila (JIT) la
aplicación a código
nativo por eficiencia
• El optimizador es
genérico y orientado a
la optimización de
rendimiento
José M.Moya | Madrid (Spain), June 12, 2012 32
33. CAMPUS OF
Compilación JIT para
reducción de energía
INTERNATIONAL
EXCELLENCE
“Ingeniamos el futuro”
Back-end
Front-end Generador de
Optimizador código
• Compilador consciente de la aplicación
– Caracterización de aplicaciones y transformaciones
– Optimizador dependiente de la aplicación
– Visión global de la carga de trabajo del data center
• Optimizador de energía
– En la actualidad, los compiladores para procesadores
de altas prestaciones solo optimizan rendimiento
José M.Moya | Madrid (Spain), June 12, 2012 33
34. CAMPUS OF
Potencial de ahorro desde
el compilador (MPSoCs)
INTERNATIONAL
EXCELLENCE
“Ingeniamos el futuro”
T. Simunic, G. de Micheli, L. Benini, and M. Hans. “Source code optimization and
profiling of energy consumption in embedded systems,” International Symposium on
System Synthesis, pages 193 – 199, Sept. 2000
– Reducción de un 77 % de energía en un
decodificador MP3
FEI, Y., RAVI, S., RAGHUNATHAN, A., AND JHA, N. K. 2004. Energy-optimizing source
code transformations for OS-driven embedded software. In Proceedings of the
International Conference VLSI Design. 261–266.
– Hasta el 37,9% (media 23,8%) de ahorro
energético en programas multiproceso sobre
Linux
José M.Moya | Madrid (Spain), June 12, 2012 34
35. CAMPUS OF
4. Gestión automática de
INTERNATIONAL
EXCELLENCE frecuencia a nivel global
“Ingeniamos el futuro”
Chip Server Rack Room Multi-
room
Sched & alloc 2 1
app
OS/middleware
Compiler/VM 3 3
architecture 4 4
technology 5
José M.Moya | Madrid (Spain), June 12, 2012 35
36. CAMPUS OF
DVFS – Dynamic Voltage
and Frequency Scaling
INTERNATIONAL
EXCELLENCE
“Ingeniamos el futuro”
• Al decrementar la tensión de alimentación, la
potencia se reduce cuadráticamente (a
frecuencia constante)
• El retardo se incrementa solo linealmente
• La frecuencia máxima también se decrementa
linealmente
• Actualmente los modos de bajo consumo se
activan por inactividad del sistema operativo
de un servidor
José M.Moya | Madrid (Spain), June 12, 2012 36
37. CAMPUS OF
INTERNATIONAL
EXCELLENCE
DVFS a nivel de sala
“Ingeniamos el futuro”
• Para minimizar el consumo hay que minimizar
los cambios de modo
• Existen algoritmos óptimos para un conjunto
conocido de tareas (YDS)
• El conocimiento de la carga de trabajo permite
planificar los modos de bajo consumo a nivel
global sin pérdida de rendimiento
José M.Moya | Madrid (Spain), June 12, 2012 37
38. CAMPUS OF
Paralelismo para ahorrar
energía
INTERNATIONAL
EXCELLENCE
“Ingeniamos el futuro”
José M.Moya | Madrid (Spain), June 12, 2012 38
39. CAMPUS OF
5. Emplazamiento de cores
INTERNATIONAL
EXCELLENCE consciente de la temperatura
“Ingeniamos el futuro”
Chip Server Rack Room Multi-
room
Sched & alloc 2 1
app
OS/middleware
Compiler/VM 3
architecture 4 4
technology 5
José M.Moya | Madrid (Spain), June 12, 2012 39
40. CAMPUS OF
Floorplanning consciente
de la temperatura
INTERNATIONAL
EXCELLENCE
“Ingeniamos el futuro”
José M.Moya | Madrid (Spain), June 12, 2012 40
41. Average MaxTemp reduction: 12 oC
CAMPUS OF
Potencial de ahorro
Larger temperature reductions for benchmarks
with higher maximum temperature por floorplaning
energético
INTERNATIONAL
EXCELLENCE
“Ingeniamos el futuro”
For many benchmarks, temperature reducions are
Y. Han, I. Koren, and C. A. Moritz. Temperature Aware Floorplanning. In Proc. of the
larger than 20 oC
Second Workshop on Temperature-Aware Computer Systems, June 2005
Maximum Temperature original modified
140
120
100
80
60
40
20
0
wupwise
twolf
swim
gzip
mgrid
mcf
lucas
applu
ammp
bzip2
crafty
fma3d
perlbmk
vortex
avg
apsi
vpr
equake
facerec
gcc
mesa
eon
gap
art
parser
– Reducciones de temperatura máxima de hasta 21oC
– Media: -12oC en temperatura máxima
– Mayor reducción en los casos más críticos
José M.Moya | Madrid (Spain), June 12, 2012 41
42. CAMPUS OF
Floorplanning consciente de la
INTERNATIONAL
EXCELLENCE temperatura en chips 3D
“Ingeniamos el futuro”
• El circuito integrado 3D está recibiendo
atención:
– Escalado: reduce área 2D equivalente
– Rendimiento: menor longitud de
comunicaciones
– Fiabilidad: menor cableado
• Desventaja:
– Aumentan drásticamente los picos de
temperatura con respecto a los diseños 2D
equivalentes
José M.Moya | Madrid (Spain), June 12, 2012 42
43. CAMPUS OF
Floorplanning consciente
de la temperatura
INTERNATIONAL
EXCELLENCE
“Ingeniamos el futuro”
• Reducción de hasta 30oC por capa en un chip
3D de 4 capas y 48 cores
José M.Moya | Madrid (Spain), June 12, 2012 43
44. CAMPUS OF
INTERNATIONAL
EXCELLENCE
Y todavía hay más
“Ingeniamos el futuro”
• Smart Grids
– Consumir cuando nadie consume
– Reducir el consumo cuando todo el mundo
consume
• Reducción de la factura de luz
– Coste dependiente del horario
– Coeficiente de energía reactiva
– Picos de consumo
José M.Moya | Madrid (Spain), June 12, 2012 44
45. CAMPUS OF
INTERNATIONAL
EXCELLENCE
Conclusiones
“Ingeniamos el futuro”
• Reducir el PUE no es lo mismo que reducir el consumo
– El consumo de computación es dominante en data centers
modernos
• El conocimiento de la aplicación y de los recursos puede
ser utilizado para establecer políticas proactivas para
reducir la energía total
– A todos los niveles
– En todos los ámbitos
– Considerando simultáneamente computación y refrigeración
• La gestión adecuada del conocimiento del comportamiento
térmico del data center permite reducir los problemas de
fiabilidad
• Reducir el consumo total no es lo mismo que reducir la
factura de la luz
José M.Moya | Madrid (Spain), June 12, 2012 45
46. CAMPUS OF
INTERNATIONAL
EXCELLENCE
Contacto
“Ingeniamos el futuro”
José M. Moya
+34 607 082 892
jm.moya@upm.es
ETSI de Telecomunicación, B104
Avenida Complutense, 30
Madrid 28040, Spain
Gracias:
José M.Moya | Madrid (Spain), June 12, 2012 46