[论文解读] Data Center Cost Optimization Via Workload Modulation Under Real-World Electricity Pricing

Cheng Wang, Bhuvan Urgaonkar+3 more|arXiv (Cornell University)|Aug 2, 2013

Cloud Computing and Resource Management参考文献 25被引用 11

一句话总结

本文提出了一种通过需求丢弃和延迟实现工作负载调制的DC成本优化框架，适用于包含分时电价和峰值功率收费的真实电力定价机制。该框架引入了一种随机动态规划（SDP）方法及在线算法，其竞争比经证明为 $2 - \frac{1}{n}$，表明与丢弃相比，延迟工作负载可实现显著更高的成本节约——在Google工作负载下最高可达10.74%的成本降低，尤其在基于峰值的计价模式下效果更显著。

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).

研究动机与目标

• 解决在包含分时电价和峰值功率收费等复杂真实定价机制下，最小化数据中心电力成本的挑战。
• 利用流体近似建模工作负载的功耗需求，并引入两个抽象控制参数：需求丢弃（减少工作负载量）和需求延迟（时间上调整工作负载），每个参数均关联相应的惩罚成本。
• 针对可预测工作负载场景，开发计算上可行的优化技术，特别是随机动态规划（SDP）及其近似方法。
• 为低可预测性环境设计完全在线算法，并提供理论性能保证。
• 通过实证评估不同工作负载和电力计价模式下调制技术的成本节约潜力，识别关键的运行洞察。

提出的方法

• 基于数据中心功耗的流体模型，统一建模包含分时电价和峰值功率收费的优化问题。
• 通过两个抽象控制参数建模工作负载调制：需求丢弃（减少工作负载量）和需求延迟（时间上移动工作负载），每个参数均关联相应的惩罚成本。
• 开发一种随机动态规划（SDP）方法，利用对未来工作负载和电价的预测模型，实现离线优化。
• 提出SDP Lin和SDP Drop近似方法，以在精确SDP不可行时降低计算复杂度。
• 为预测能力差的场景设计完全在线算法（ON Drop和ON MPC），其中ON Drop被证明具有竞争比 $2 - \frac{1}{n}$。
• 采用真实与合成的工作负载轨迹，结合实际电力公司定价数据（如National Grid U.S.），在不同计价模式和工作负载特性下评估性能。

实验结果

研究问题

• RQ1 在包含分时电价和基于峰值的收费的真实电力定价机制下，通过需求延迟和丢弃实现工作负载调制，在降低数据中心电力成本方面效果如何？
• RQ2 在不同电力计价模式和工作负载模式下，需求延迟与需求丢弃的相对成本节约潜力如何？
• RQ3 工作负载特性（如PAR、P70以及与电价的时间相关性）如何影响成本节约？
• RQ4 在缺乏准确价格与需求预测的情况下，在线算法的性能保证如何？
• RQ5 工作负载需求与电价之间的相关性如何影响需求调制策略的有效性？

主要发现

• 在峰值削峰方面，需求延迟显著优于需求丢弃，在基于峰值的计价模式下，Google工作负载通过延迟实现10.74%的成本节约，而丢弃仅实现1.45%。
• 在分时电价模式下，成本节约差异显著：Facebook在基于峰值的计价下节约16.97%，而在分时电价下仅节约1.55%，凸显了计价模式对节约潜力的决定性影响。
• 在分时电价下，当工作负载需求与电价正相关时节约最高（11.98%），负相关时最低（3.41%）。
• 对延迟更敏感的工作负载（通过二次延迟成本建模）从调制中获得的收益更低，例如在分时电价下，Facebook在二次延迟成本下的节约仅为1.55%。
• 当工作负载表现出强烈的时间日周期模式时，随机动态规划（SDP）可实现接近最优的成本节约，凸显了预测建模的价值。
• 在线算法ON Drop实现了竞争比 $2 - \frac{1}{n}$，即使在预测不确定的情况下也提供了理论性能保证。