异构数据中心能耗管理方法研究

Data centers are facing big challenges: high energy expenditures and huge GreenHouse Gas emissions. People are paying attention to research on power management in data centers. With increasing demand of GPUs in data centers, power management in the heterogeneous data centers remains to be further improved in terms of power models and workload scheduling. First, training power models without application classification makes enhance accuracy of power estimation quite difficult. Selecting complicated features from resource components makes power models unsuitable for power management. Second, GPUs consume a large amount of power in a data center. Scheduling of GPU-enabled workloads is not only limited at GPUs but also full system. Third, some crucial problems such as frequent up-down and overheat for GPUs and servers are not fully considered. This study first proposes an approach to training accurate power models of GPUs according to application classification and configurable features. On the basis of models, this study then optimizes workload scheduling to meet requirements of SLA and power capping from the view of multi-layer management.

数据中心有巨大的能耗开支和大规模的温室气体排放等问题，学术界和工业界对数据中心的能耗管理问题开展了深入的研究。但是随着数据中心对GPU的需求量持续上升，异构数据中心能耗管理的研究在功耗模型和任务调度方面仍存在很大的优化空间。第一，对GPU应用不加区分，建立功耗模型时都采用相同的训练方法，提升功耗估计的精度存在瓶颈。现有功耗模型的硬件特征选取比较复杂，限制了它们在功耗管理时的使用。第二，GPU对能耗的影响很大，需要从数据中心全系统的角度考虑GPU的任务调度。第三，一些重要的问题比如GPU频繁状态切换和局部过热等在任务调度时没有深入的考虑。本研究首先根据应用的特点和特征的可配置性来训练GPU模型，再分别从多层级的角度考虑任务调度时如何满足性能SLA和功耗上限两个主要制约因素。

随着数据中心对GPU的需求量持续上升，异构数据中心能耗管理的研究在功耗模型和任务调度方面存在很大的优化空间。针对异构数据中心现有的能耗管理模型缺乏对GPU资源的有效管理，并且模型的精度提升还存在瓶颈，提出了一种感知应用的GPU功耗估计模型。针对异构数据中心性能约束能耗优化问题，评估多种异构资源的负载状态、数据的缓冲时间对多种任务SLA和能耗的影响，提出了基于任务迁移的SLA性能约束能耗优化模型，保障总体能耗最优。针对数据中心功率限制的问题，提出GPU-服务器-机架-PDU-数据中心多级的数据中心功耗上限管理办法，在约束条件内对性能影响最小。本项目建立了一套切实有效的异构数据中心能耗管理的理论机制，对于提升我国在相关领域的研究水平和自主创新能力具有重要的现实意义。.本项目发表国际学术会议或国际期刊论文共计9篇，其中SCI检索论文3篇，EI检索论文4篇，包含CCF A类会议论文1篇（VLDB），B类会议（VEE）论文1篇。申请受理国家发明专利2项。培养博士研究生5名，硕士研究生1名，指导本科生毕业设计1名。