[论文解读] 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 6

一句话总结

本文对三种服务器架构下的24种基于软件的服务器功耗模型进行了统一评估，采用一致的基准测试、测量技术和误差度量方法。研究发现，在多变量场景中，SVM模型表现优于其他模型；而在单变量模型中，插值法表现最佳，且不同硬件平台上的性能表现差异显著。

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.

研究动机与目标

• 通过标准化实验条件，实现对基于软件的服务器功耗模型的客观、可复现比较。
• 评估硬件异构性对不同服务器架构下功耗模型准确率的影响。
• 识别适用于多样化应用工作负载的最准确功耗建模技术——包括线性和非线性方法。
• 为数据中心运营商在选择或开发能效更高的功耗模型方面提供可操作的见解。
• 强调功耗建模中的关键设计考量，如空闲功耗、特征选择以及核函数的选择。

提出的方法

• 在三种不同的服务器架构上开展实验，以评估模型在硬件异构性下的鲁棒性。
• 使用九种不同的基准应用，模拟CPU、内存、磁盘和网络密集型工作负载。
• 在所有模型和系统中采用一致的功耗测量方法和误差计算公式（MAPE）。
• 评估24种基于软件的功耗模型，包括线性回归、SVM、Lasso和插值法，结合系统性能指标和计数器进行分析。
• 应用变量选择技术，识别与功耗高度相关的特征（例如CPU、内存、磁盘I/O）以支持模型构建。
• 测试基于吞吐量和基于性能计数器的建模方法，比较其准确率和校准需求。

实验结果

研究问题

• RQ1 在异构服务器架构的统一实验设置下，不同基于软件的功耗模型表现如何？
• RQ2 在线性与非线性建模技术中，哪种方法能实现最低的功耗估计误差？
• RQ3 与仅基于CPU的模型相比，包含内存利用率和多个性能计数器是否能提升模型准确率？
• RQ4 对能效更高的系统而言，假设空闲功耗为峰值功耗的70%会对模型预测准确率产生何种影响，尤其是在此类系统中空闲功耗比例较低时？
• RQ5 核函数的选择以及多项式利用函数（线性、二次、三次）如何影响SVM模型的性能？

主要发现

• 在单变量模型中，插值法实现了最低的估计误差，优于线性回归及其他方法。
• 在多变量模型中，基于SVM的功耗模型表现出最低的误差，尤其在复杂、多资源工作负载下优势明显。
• 对于CPU密集型应用，插值模型提供了最精确的预测；而SVM在CPU+内存、CPU+内存+磁盘及CPU+内存+磁盘+网络工作负载中表现更优。
• 使用30个变量的Lasso回归模型表现最差，所有应用类型下的估计误差均最高。
• 不同服务器架构上的模型性能存在显著差异，表明在未重新评估的情况下，模型在不同平台间的可移植性有限。
• 假设空闲功耗为峰值功耗的70%会导致误导性预测，尤其对现代、能效更高的服务器（其空闲功耗比例更低）影响更为严重。