[论文解读] A Measurement-based Analysis of the Energy Consumption of Data Center Servers

Jordi Arjona, Angelos Chatzipapas+2 more|arXiv (Cornell University)|Feb 4, 2014

Cloud Computing and Resource Management参考文献 9被引用 10

一句话总结

本文通过实测方法对数据中心服务器的能耗进行了表征分析，研究了在动态电压频率调节（DVFS）和多核配置下，CPU、磁盘和网络接口卡的功耗特性。研究发现，CPU功耗与负载之间的关系既非线性也非纯粹凸性，提出了一种整体性模型，通过调节频率、活跃核心数和I/O块大小，可将能耗估算误差控制在实测值的7%以内，实现最优能效。

ABSTRACT

Energy consumption is a growing issue in data centers, impacting their economic viability and their public image. In this work we empirically characterize the power and energy consumed by different types of servers. In particular, in order to understand the behavior of their energy and power consumption, we perform measurements in different servers. In each of them, we exhaustively measure the power consumed by the CPU, the disk, and the network interface under different configurations, identifying the optimal operational levels. One interesting conclusion of our study is that the curve that defines the minimal CPU power as a function of the load is neither linear nor purely convex as has been previously assumed. Moreover, we find that the efficiency of the various server components can be maximized by tuning the CPU frequency and the number of active cores as a function of the system and network load, while the block size of I/O operations should be always maximized by applications. We also show how to estimate the energy consumed by an application as a function of some simple parameters, like the CPU load, and the disk and network activity. We validate the proposed approach by accurately estimating the energy of a map-reduce computation in a Hadoop platform.

研究动机与目标

• 通过实测方法表征在不同配置（包括DVFS和多核操作）下服务器的能耗与功率消耗特性。
• 挑战在现代多核、可变频率架构中，CPU功耗随负载线性变化的普遍假设。
• 量化CPU、磁盘I/O和网络接口卡（NIC）对总服务器功耗的贡献。
• 开发一种实用的、基于实测数据的方法，利用简单的系统级指标估算应用级能耗。
• 通过Hadoop-based map-reduce计算等真实工作负载验证模型，确保能耗预测具有高精度。

提出的方法

• 通过系统级活动指标隔离CPU、磁盘和NIC的功耗贡献，测量总服务器功耗。
• 采用每秒活跃CPU周期数（ACPS）作为负载指标，避免因CPU频率可变导致的误判。
• 系统性地改变CPU频率、活跃核心数、I/O块大小和网络传输速率，评估其对功耗的影响。
• 构建一个整体能耗模型，涵盖基础功耗、作为负载和频率函数的CPU功耗、磁盘I/O功耗以及NIC功耗。
• 通过将预测能耗与Hadoop-based map-reduce工作负载中的实测数据对比，验证模型。

实验结果

研究问题

• RQ1 当频率和核心数动态调节时，CPU功耗如何随负载变化？
• RQ2 CPU、磁盘I/O和网络活动对总服务器功耗的相对贡献是什么？
• RQ3 I/O块大小和网络传输速率如何影响真实服务器工作负载中的能耗？
• RQ4 能否利用标准系统指标，通过一种简单、基于实测的模型准确预测应用级能耗？
• RQ5 在不同工作负载下，使能耗最小化的CPU频率和活跃核心数的最优配置是什么？

主要发现

• CPU功耗与负载之间的关系既非线性也非纯粹凸性，与先前模型的普遍假设相悖。
• 磁盘I/O是第二大功耗来源，其性能和能耗对I/O块大小高度敏感。
• 网络接口卡（NIC）功耗几乎随传输速率线性增长，对总功耗有不可忽视的贡献。
• 基础功耗（即使在空闲时也消耗）占总服务器能耗的显著比例，尤其在低利用率场景下。
• 最优能效并非通过静态配置实现，而是通过根据工作负载需求动态调节CPU频率和活跃核心数达成。
• 所提出的能耗估算模型在Hadoop-based map-reduce工作负载中，预测精度达到实测值的7%以内。