[論文レビュー] Computing server power modeling in a data center: survey,taxonomy and performance evaluation

Leila Ismail, Huned Materwala|arXiv (Cornell University)|Apr 26, 2020

Cloud Computing and Resource Management参考文献 89被引用数 6

ひとこと要約

本論文は、一貫したベンチマーク、測定手法、誤差指標を用いて、3つのサーバー・アーキテクチャにわたる24種類のソフトウェアベースのサーバー電力モデルを統合的に評価する。SVMベースのモデルは多変数シナリオで他のモデルを上回り、単一変数モデルでは補間法が最良であることが判明。性能はハードウェアプラットフォームによって顕著に異なる。

ABSTRACT

Data centers are large scale, energy-hungry infrastructure serving the increasing computational demands as the world is becoming more connected in smart cities. The emergence of advanced technologies such as cloud-based services, internet of things (IoT) and big data analytics has augmented the growth of global data centers, leading to high energy consumption. This upsurge in energy consumption of the data centers not only incurs the issue of surging high cost (operational and maintenance) but also has an adverse effect on the environment. Dynamic power management in a data center environment requires the cognizance of the correlation between the system and hardware level performance counters and the power consumption. Power consumption modeling exhibits this correlation and is crucial in designing energy-efficient optimization strategies based on resource utilization. Several works in power modeling are proposed and used in the literature. However, these power models have been evaluated using different benchmarking applications, power measurement techniques and error calculation formula on different machines. In this work, we present a taxonomy and evaluation of 24 software-based power models using a unified environment, benchmarking applications, power measurement technique and error formula, with the aim of achieving an objective comparison. We use different servers architectures to assess the impact of heterogeneity on the models' comparison. The performance analysis of these models is elaborated in the paper.

研究の動機と目的

• 実験的条件を標準化することで、ソフトウェアベースのサーバー電力モデルの客観的かつ再現可能な比較を可能にすること。
• 異なるサーバー・アーキテクチャにわたるハードウェアの非均質性が、電力モデルの精度に与える影響を評価すること。
• 多様なアプリケーションワークロードに対して、線形および非線形の両方の電力モデリング手法の中で最も正確な手法を同定すること。
• データセンターオペレーターがエネルギー効率の高い電力モデルの選定または開発に役立てるインサイトを提供すること。
• 電力モデリングにおける重要な設計上の考慮事項、例えばアイドル電力、特徴選択、カーネル関数の選択を強調すること。

提案手法

• ハードウェアの非均質性に耐えるモデルの堅牢性を評価するため、3つの異なるサーバー・アーキテクチャで実験を実施した。
• CPU、メモリ、ディスク、ネットワーク集約ワークロードをシミュレートするため、9種類の多様なベンチマークアプリケーションを用いた。
• すべてのモデルとシステムにわたって、一貫した電力測定手法と誤差計算式（MAPE）を採用した。
• 線形回帰、SVM、Lasso、補間法を含む24種類のソフトウェアベースの電力モデルを、システムのパフォーマンス指標とカウンターを用いて評価した。
• 特徴選択技術を適用し、モデル開発に向けた高相関特徴（例：CPU、メモリ、ディスクI/O）を同定した。
• スループットベースとパフォーマンスカウンターに基づくモデリングアプローチを比較し、その正確性とキャリブレーションの必要性を評価した。

実験結果

リサーチクエスチョン

• RQ1 異種のサーバー・アーキテクチャにわたる統一された実験環境下で、さまざまなソフトウェアベースの電力モデルはどのように性能を発揮するか？
• RQ2 線形モデルと非線形モデルのうち、どちらがサーバー電力消費の推定誤差を最小にするか？
• RQ3 メモリ使用率と複数のパフォーマンスカウンターを含めることで、CPUオンリーモデルと比較してモデルの正確性はどのように向上するか？
• RQ4 特にエネルギー効率の高いサーバーにおいて、アイドル電力がピーク電力の70％であるという仮定が、モデル予測の正確性に与える影響は何か？
• RQ5 カーネル関数の選択と多項式利用関数（線形、2次、3次）が、SVMベースのモデルの性能にどのように影響するか？

主な発見

• 単一変数モデルの中で、補間法が最も低い推定誤差を示し、線形回帰や他の手法を上回った。
• 多変数モデルの中で、SVMベースの電力モデルが最も低い誤差を示し、特に複雑なマルチリソースワークロードにおいて顕著だった。
• CPU集約アプリケーションでは、補間モデルが最も正確な予測を提供したが、SVMはCPU＋メモリ、CPU＋メモリ＋ディスク、およびCPU＋メモリ＋ディスク＋ネットワークワークロードにおいて優れた性能を示した。
• 30変数を用いたLasso回帰モデルは、すべてのアプリケーションタイプで最も高い推定誤差を示し、最も悪い性能を示した。
• モデルの性能は、異なるサーバー・アーキテクチャ間で顕著に異なり、再評価を行わなければ、プラットフォーム間でのモデルの移植性は限定的であることが示された。
• アイドル電力がピーク電力の70％であるという仮定は、特にアイドル電力比が低い現代のエネルギー効率の高いサーバーでは、誤った予測を引き起こす。