[논문 리뷰] Data Center Cost Optimization Via Workload Modulation Under Real-World Electricity Pricing

Cheng Wang, Bhuvan Urgaonkar외 3명|arXiv (Cornell University)|2013. 08. 02.

Cloud Computing and Resource Management참고 문헌 25인용 수 11

한 줄 요약

이 논문은 실세계 전기 요금 체계를 고려한 작업량 조절을 통한 데이터센터 비용 최적화 프레임워크를 제안한다. 이는 시간에 따라 변하는 요금과 피크 전력 요금을 모두 포함한다. 확률적 동적계획법과 경쟁률이 입증된 온라인 알고리즘을 도입하여, 특히 피크 기반 요금제에서 작업량을 연기하는 것이 작업량을 제거하는 것보다 훨씬 높은 비용 절감 효과를 보이며, 구글 작업량 기준 최대 10.74%의 절감 효과를 입증한다.

ABSTRACT

We formulate optimization problems to study how data centers might modulate their power demands for cost-effective operation taking into account three key complex features exhibited by real-world electricity pricing schemes: (i) time-varying prices (e.g., time-of-day pricing, spot pricing, or higher energy prices during coincident peaks) and (ii) separate charge for peak power consumption. Our focus is on demand modulation at the granularity of an entire data center or a large part of it. For computational tractability reasons, we work with a fluid model for power demands which we imagine can be modulated using two abstract knobs of demand dropping and demand delaying (each with its associated penalties or costs). Given many data center workloads and electric prices can be effectively predicted using statistical modeling techniques, we devise a stochastic dynamic program (SDP) that can leverage such predictive models. Since the SDP can be computationally infeasible in many real platforms, we devise approximations for it. We also devise fully online algorithms that might be useful for scenarios with poor power demand or utility price predictability. For one of our online algorithms, we prove a competitive ratio of 2-1/n. Finally, using empirical evaluation with both real-world and synthetic power demands and real-world prices, we demonstrate the efficacy of our techniques. As two salient empirically-gained insights: (i) demand delaying is more effective than demand dropping regarding to peak shaving (e.g., 10.74% cost saving with only delaying vs. 1.45% with only dropping for Google workload) and (ii) workloads tend to have different cost saving potential under various electricity tariffs (e.g., 16.97% cost saving under peak-based tariff vs. 1.55% under time-varying pricing tariff for Facebook workload).

연구 동기 및 목표

• 시간에 따라 변하는 요금과 피크 전력 요금을 포함하는 복잡한 실세계 요금 체계에서 데이터센터 전기 비용을 최소화하는 데 도전하는 것.
• 유체 근사 모델을 사용해 작업량 전력 수요를 모델링하고, 각각 관련 비용이 수반되는 두 가지 추상적 제어 장치인 작업량 제거와 작업량 지연을 도입하는 것.
• 예측 가능한 작업량이 있는 경우에 대해 계산적으로 구현 가능한 최적화 기법—특히 확률적 동적계획법(SDP) 및 그 근사치—을 개발하는 것.
• 예측 능력이 떨어지는 환경을 위한 완전한 온라인 알고리즘 설계 및 이론적 성능 보장을 제공하는 것.
• 다양한 작업량과 전기 요금 체계에서 조절 전략의 비용 절감 잠재력을 실증적으로 평가하고 핵심 운영 통찰을 도출하는 것.

제안 방법

• 데이터센터 전력 수요의 유체 모델을 사용해 시간에 따라 변하는 전기 요금과 피크 전력 요금을 통합한 통합 최적화 문제를 수립하는 것.
• 작업량 조절을 두 가지 추상적 제어 장치인 작업량 제거(작업량 양 감소)와 작업량 지연(시간에 따라 작업량 이동)로 모델링하고, 각각 관련된 보상 비용을 수반하는 것.
• 미래의 작업량과 전기 요금 예측 모델을 활용해 오프라인 최적화를 위한 확률적 동적계획법(SDP)을 개발하는 것.
• 정확한 SDP가 비가능한 경우 계산 복잡도를 줄이기 위해 SDP Lin 및 SDP Drop 근사치를 제안하는 것.
• 예측 능력이 떨어지는 상황을 위한 완전한 온라인 알고리즘(ON Drop 및 ON MPC)을 설계하고, ON Drop이 $2 - \frac{1}{n}$의 경쟁률을 보임을 입증하는 것.
• 실제 및 합성 작업량 트레이스를 실제 전력 공급자 요금 데이터(예: National Grid U.S.)와 결합하여 다양한 요금 체계와 작업량 특성에서 성능을 평가하는 것.

실험 결과

연구 질문

• RQ1 실세계 요금 체계에서 시간에 따라 변하는 요금과 피크 기반 요금이 포함된 상황에서, 작업량 지연 및 제거를 통한 작업량 조절이 데이터센터 전기 비용 절감에 얼마나 효과적인가?
• RQ2 다양한 전기 요금 체계와 작업량 패턴에서 작업량 지연과 작업량 제거의 상대적 비용 절감 잠재력은 어떠한가?
• RQ3 PAR, P70 및 전기 요금과의 시간적 상관관계와 같은 작업량 특성이 비용 절감에 어떻게 영향을 미치는가?
• RQ4 정확한 가격 및 수요 예측이 없는 상황에서 온라인 알고리즘의 성능 보장 수준은 어떠한가?
• RQ5 작업량 수요와 전기 요금 간의 상관관계가 작업량 조절 전략의 효율성에 어떻게 영향을 미치는가?

주요 결과

• 피크 절감 측면에서 작업량 지연은 작업량 제거보다 훨씬 효과적이며, 피크 기반 요금제에서 구글 작업량 기준 10.74%의 비용 절감을 달성하는 반면, 제거 방식은 단지 1.45%에 그친다.
• 시간에 따라 변하는 요금 제도에서는 비용 절감 폭이 작업량에 따라 크게 달라지며, 피크 기반 요금제에서는 페이스북 작업량 기준 16.97%의 절감을 기록하는 반면, 시간에 따라 변하는 요금 제도에서는 단지 1.55%에 그친다. 이는 요금 체계에 따라 절감 잠재력이 크게 달라짐을 시사한다.
• 시간에 따라 변하는 요금 제도에서 비용 절감 폭은 작업량 수요와 전기 요금이 정상적으로 상관관계가 있을 경우가 가장 높았으며(11.98% 절감), 반대로 부정적인 상관관계일 경우가 가장 낮았다(3.41% 절감).
• 지연에 대한 민감도가 높은 작업량(이차 지연 비용으로 모델링)은 조절에서 낮은 이점을 얻으며, 시간에 따라 변하는 요금 제도에서 페이스북 작업량은 이차 지연 비용 기준으로 단지 1.55%의 절감에 그친다.
• 강한 시간대 패턴을 보이는 작업량에서 확률적 동적계획법(SDP)은 거의 최적의 비용 절감을 달성하여 예측 모델링의 가치를 입증한다.
• 온라인 알고리즘 ON Drop은 $2 - \frac{1}{n}$의 경쟁률을 확보하여 정확한 예측이 없더라도 이론적 성능 보장을 제공한다.