基于资源配置等效性的数据中心能耗优化①
2016-12-06孙发强鄢贵海李华伟韩银和
孙发强 鄢贵海 李华伟 韩银和
(中国科学院计算技术研究所 计算机体系结构国家重点实验室 北京 100190)
基于资源配置等效性的数据中心能耗优化①
孙发强②鄢贵海 李华伟③韩银和
(中国科学院计算技术研究所 计算机体系结构国家重点实验室 北京 100190)
针对数据中心服务器的低能效问题，进行了利用资源配置的等效性来优化服务器能效比的研究。研究发现，应用程序的多种资源分配方案具有相同的性能，但表现出较大的能耗差异，这种现象叫做 “基于性能等效的资源配置”，简称“等效配置”。基于这种观察，提出了两种优化能效比的算法——SmartRank算法和SmartBalance算法。SmartRank算法使用资源等效替换的方法寻找能耗最低的资源配置，来达到局部最优的能效比；SmartBalance算法通过评估资源需求向量与剩余资源间的关系来均衡资源分配，同时兼顾单个应用的能耗开销，从而达到全局最大能效比。实验表明，通过对这两个算法的优化，可实现平均节省3%的系统能耗，局部最大可以节省12.5%的能耗。
功耗管理， 数据中心， 资源等效替换， 资源利用率， 资源分配
0 引 言
数据中心IT设备的能耗通常占数据中心能耗的50%以上[1]，IT设备低能效是导致功耗成本大的主要原因。例如文献[2]中的实例表明，一座功耗7600万瓦的数据中心，提升IT设备5.2%的能效比就能够节省100万美元的功耗开销，因此提高IT设备能效至关重要。引起数据中心IT设备低能效的主要因素是数据中心服务器能耗与资源利用率不成比例，服务器资源利用率低[1,3]。针对数据中心服务器的低能效问题，本项目进行了利用资源配置的等效性来提高服务器能效比的研究，并提出了两种优化能效比的算法，即SmartRank算法和SmartBalance算法，而且通过实验验证其有效性。
1 相关研究
服务器能耗与资源利用率不成比例的原因，除了服务器本身闲置(idle)态功耗过高外，更重要的是应用程序资源分配不当。不同的资源分配方案导致不同的资源使用行为，而不同的资源具有不同的功耗特性。在数据中心服务器中一个CPU的典型峰值功耗为80～160W，一个32G内存的典型操作功耗为6～12W，单碟硬盘的工作功耗约为10W。因此不同资源配置可能具有较大的功耗差异。然而迥异的资源配置，可能具有相似的性能，如图1(a)所示，Hadoop Grep在不同资源配置下表现出相似的性能，例如资源配置为3GB内存，60%CPU使用率和资源配置为4GB内存，55% CPU使用率时的性能相近。而前者的能耗比后者高出5%。显然为应用程序分配合适的资源，可以提高服务器的能效比。
服务器资源分配不均衡是导致服务器资源利用率低的主要原因之一。资源分配不均衡是指服务器的某种资源的分配量小于或大于其他资源的分配量。在资源隔离的环境下，一种资源过多的分配会导致其他应用程序由于该资源无法满足而不能分配到本服务器上，从而导致服务器低利用率和低吞吐量[4]。例如分配给CPU密集型应用WordCount 80%的CPU资源[5]，将导致CPU需求率大于20%的应用程序无法分配，进而浪费掉大量的I/O资源。因此保持服务器资源均衡分配能够提高服务器利用率，进而提升服务器能效比。
(a) Hadoop Grep应用中CPU与Memory组合的等效配置 (b) Hadoop Sort应用中硬盘I/O速率与Memory组合的等效配置
国内外学者们通过功耗管理和任务调度来优化服务器的能效比。文献[6-10]通过动态电压频率调整(DVFS)和动态功耗管理(DPM)等功耗管理的方式来调整服务器功耗/能耗。DVFS方式通过调整资源的供电电压和频率来优化性能和功耗；DPM方法通过调整资源所处于的睡眠状态来优化服务器的性能和功耗。文献[6]发现使用DVFS方式可以节省20%的功耗；文献[7]使用DPM获得了74%的功耗减少。文献[6]使用反馈的机制，根据应用程序QoS的变化不断地调整CPU的电压和频率；文献[7,8]使用服务器的深度睡眠状态(S5)来减少服务器空闲时的功耗，进而提高服务器的能效比；文献[9]针对不同的应用程序，权衡开启S3睡眠状态引起的性能损失和功耗节省来提高能效比；文献[10] 结合DVFS和DPM的特征，并且根据应用程序的特征和负载情况，动态调整服务器中各个芯片的功耗状态(power state)来达到高能效比。
在应用程序级，文献[11-15]通过任务调度将应用程序整合在一起的方式来提高资源的利用率，进而提高服务器能效比。文献[11,12]将具有资源互补性的应用程序整合到一起。文献[13-15]使用资源隔离的方式将不同应用程序整合到同一服务器上。
研究者还通过感知服务器资源利用率，使用虚拟机迁移的方式来提高服务器的利用率和能效比。虚拟机迁移的核心思想是将虚拟机从资源利用率低的服务器迁移到其它机器上，然后关闭资源利用率低的服务器。
然而这些方法或者针对单一的资源，如CPU等，动态调整资源的分配，或者着眼于任务调度，粗略地分配资源。然而不同的资源间存在着依赖关系，有关资源组合对功耗和性能的影响缺少研究，还有资源间的均衡分配对利用率的影响。因此将这些方法应用在数据中心这类资源分配复杂、应用多样化、以资源隔离为资源分配基础的系统上时存在明显的局限性。
本文通过研究各种资源组合对系统性能的影响，发现不同的资源组合在某些情况下存在“等效性能”的现象。基于这种等效特性，在优化能效比上，本文提出了两个核心算法：SmartRank算法和SmartBalance算法。SmartRank算法使用资源等效替换的方法寻找能耗最低的资源配置，来优化单个应用程序(局部)的能效比。SmartBalance算法通过评估资源需求向量与剩余资源间的关系来均衡资源分配，同时兼顾单个应用的能耗开销，从而达到服务器(全局)最大能效比。实验表明，通过这两个算法的优化，系统可以获得最大12.5%的局部能耗节省，平均3%的全局能耗节省。
2 等效资源配置概念
为了提高资源的利用率，现代数据中心采用多个应用程序共享一个物理主机，比如Apache的Yarn和Twitter的Mesos架构。在多程序共享的环境下，为了避免一个应用程序占有绝大部分的资源或保证应用程序足够的资源供应量，通常使用资源隔离的方式来满足服务需求，即限制应用程序使用资源的最大量。最常用的资源隔离的方法有虚拟机资源隔离、应用隔离及Cgroup隔离。这样应用程序的资源配置R=[s1,s2,…,sn]和性能P间的关系可以记为P=f(R)。
对于同一应用程序来说，相似的性能，有不同的资源配置方案。比如Hadoop Grep应用程序。如图1(a)所示，对于不同的CPU配额(最大允许利用率)和内存大小，Hadoop Grep具有不同的性能。随着CPU配额的增加，Hadoop Grep的运行时间不断减少；同时在同一CPU配额下，随着内存容量的增加性能也相应地增加。总体来说，性能沿着资源分布图的斜对角线呈增长趋势。在对角线两侧或相邻的区域，Hadoop Grep的性能相差很小，如图中双向箭头所示。如果忽略应用程序运行时的随机误差[16,17]，我们可以把它们看作是相同的性能。Hadoop Sort应用在内存与硬盘I/O带宽资源组合中，也存在这种资源配置与性能多对一的现象，如图1(b)所示。我们把这种资源配置不同，但性能相近的现象叫做等效资源配置。也就是，给定资源配置R1、R2及性能关系P1=f(R1)、P2=f(R2)，如果P1等于P2，那么R1与R2在性能上等效，称R1、R2为等效资源配置。
资源组合的这种等效特性， 为能耗优化和资源均衡分配提供了优化空间。由于不同资源消耗的能耗差异较大，例如一个CPU的峰值功耗为100瓦，而硬盘单碟的典型工作功耗为10瓦，32GB内存工作功耗典型值为8瓦左右，因此在这样的服务器上工作时，不同资源配置下同一应用程序具有不同的能耗开销。从这些等效配置中，选取能耗最小的配置就可以尽可能地提高单个应用程序的能效，即局部最优化。
资源配置在性能上等效的特性也可以均衡资源的使用，提高服务器的利用率和能效比。在资源分配不均衡的情况下，某一种资源过度分配，将导致其他应用程序无法获得相应的资源，降低服务器的利用率。如图2所示，在这里我们使用长方形来代表资源的一种配置方案，长方形的水平方向表示该配置最大允许使用的内存资源，垂直方向表示CPU资源的最大使用率，那么应用程序APP1、APP2的等效资源配置如图2(a)所示，其中标记E代表应用程序在该资源配置下消耗多少个单位能耗；图2(b)～图2(e)为APP1、APP2的四种可能的资源配置方案及相应的总能耗开销。如果一味地追求局部应用程序能效比的最大化，将导致服务器CPU资源无法满足APP1的需求，使得APP2无法分配到服务器上，最终降低利用率，如图2(b)所示；而图2(c)～图2(e)借助资源配置的等效性，使得APP1、APP2能够同时运行。然而不同的资源等效配置方案，能耗差异较大，图2(d)能耗相对于图2(e)则增长了30%。因此在资源配置等效替换时，需要协调应用程序间的资源分配，才能提高服务器的利用率及能效比。
综上所述，从应用程序的性能出发，服务器的各种资源配置间存在等效替换的特性；在局部范围，资源配置的等效替换可以提高单个应用程序的能效比；协调应用间的资源配置可以优化服务器的能效比，属于组合优化问题。基于这些观察和发现，本文提出用SmartRank算法来提高单个应用程序的能效比，用SmartBalance算法来提高服务器能效比。
图2 利用不同资源配置性能等效的特性优化全局资源分配(E代表应用程序在该资源配置下消耗多少个单位能耗)
3 基于资源配置等效性的能耗优化算法
3.1 问题描述
为了方便问题的形式化描述，我们首先定义三个关键变量——等效区间ER、等效资源配置EC及资源约束函数dj(R)。我们将应用程序在某一性能点上允许波动的范围定义为等效区间ER，例如图1中性能区间(0.92～0.95)可以称为Hadoop Grep的一个ER。我们使用EC(ER,A)来表示应用程序集A在等效区间ER上的等效资源配置集，相应的EC(eri,ai)表示应用程序ai在等效区间eri上的等效资源配置集。比如图2中APP1的等效配置为C1和C2；APP2的等效配置为C3和C4；那么该应用程序组{APP1，APP2}的等效配置为单个应用等效配置的组合(C1，C3)、(C1，C4)，(C2，C3)和(C2，C4)。dj(R)表示资源配置R的第j种资源的需求量。我们将这些符号整理到表1中。
那么利用资源等效替换优化服务器能效比的目标函数为：
min E(R)
(1)
S.T.
R∈EC(ER,A)
(2)
dj(R)≤yj， j=1，…，n
(3)
其中yj表示服务器上第j种资源的上限，R为应用程序集A在ER上的一种资源等效配置，E(R)代表该配置下的能耗值。
表1 符号标记说明
该优化目标面临一个挑战：获取应用程序等效配置集。获取应用程序的等效配置集，需要应用程序在不同的配置下进行运行。在实际生产环境中，很难满足这种要求。我们发现通过机器学习的方式可以获得某些应用程序的等效配置集，比如在线应用，入侵检测和日志分析等周期执行的服务。应用程序每次执行的时候，我们改变其资源配置并记录下相应性能和能耗。然后将性能落在相应等效区间的配置作为等效资源配置存储在相应的数据库中。这样我们解决了该挑战。
对于单个应用程序来说(局部优化)，只需要算法遍历该应用的等效配置集，找到满足资源限制的能耗最小的配置即可； 而全局优化则存在时间复杂度的问题。由上文可知，一组应用程序的等效资源配置集是由单个应用程序的等效资源配置组合而成。因而求解最优资源配置是一个组合优化问题，即NP问题。在实际的应用环境中，需要使用启发式算法来加快求解过程。本文针对这两种情况，分别提出了SmartRank算法优化局部资源配置，和启发式方法SmartBalance来优化全局资源配置。SmartBalance算法通过引入WET标准，优先选择WET值小的配置来近似最优解。
3.2 SmartRank 算法
SmartRank算法的主要思想是遍历所有等效资源配置，找到满足资源限制并且能耗最小的资源配置向量。该算法的复杂度为O(N)，伪代码如下：
SmartRank算法输入：等效区间eri，资源与性能关系矩阵M，及相应能耗矩阵EN输出：资源配置向量optR1 MinE=inf；optR=NULL2 Ωp=EC(eri，ai)3 Foreach R1 IN Ωp4 If E(R1)< MinE and Satisfy(R1)==15 MinE=E(R1)6 optR=R17 End8 Done
其中Satisfy(R1)函数为判断资源配置R1是否满足服务器物理资源限制，满足的话返回1，否则返回0。
3.3 SmartBalance 算法
由上文可知，使用资源配置等效替换来获取全局最优解是组合优化问题，因此在实际的应用环境中，需要使用启发式算法来加快求解过程。贪心的选择局部最优的资源配置向量，会导致某一资源分配过量，进而无法分配资源给其他应用程序，如图2(b)所示。资源分配不均衡是导致贪心选择失效的主要原因。因此均衡资源分配是改善贪心选择方法低利用率的关键。鉴于此，本文提出了SmartBalance启发式算法来优化全局资源配置。SmartBalance算法的基本思想是尽量保持各种资源相对均衡的分配，从而达到服务器有足够的资源满足未来的应用程序。通俗来讲，就是哪种资源剩余较多，分配哪种资源相应多点。
研究发现资源配置向量与服务器剩余资源向量间的夹角大小可以衡量资源分配的均衡性。资源分配越均衡，服务器资源利用率越高。如图3所示。在图3(a)中，应用程序的资源分配向量R与服务器剩余资源向量Q有较大的夹角，最终导致了服务器只能再分配2个应用程序；而在图3(b)中，资源分配向量与服务器资源余量始终保持一致的方向，资源分配相对均衡，因而在分配完2个应用后，还有足够的资源供其他应用程序使用。由此可知，保持与服务器资源余量相同的方向，资源分配相对均衡，有利于提高服务器的利用率。资源分配向量R与服务器剩余资源向量Q方向上的差异程度，本文使用它们之间的夹角θR来衡量，如下式所示：
(4)
其中
图3 不同的资源分配方案(相同颜色块为等效配置)
优先分配能耗差异较大的应用程序，能够使服务器获得较少的能耗。这是因为，即使随后的应用程序的资源配置方案不是能耗最小的，该应用程序消耗的能耗与最优解相比也相差较小，降低对整体能耗的影响。而且全局最优解是整体能耗开销最小的资源配置方案，将每个应用程序的等效资源配置按照能耗从小到大排序，可以加快搜索速度。同时全局优化需要兼顾资源分配均衡。因此对于等效资源配置的优先选择上，需要兼顾能耗和整体资源分配均衡。本文使用加权能量通量(weighted energy throughput，WET)来作为等效资源配置优先级衡量的标准，定义如下：
WET=(1-ρ)·E(R)+ρ·θR
(5)
其中ρ为资源分配均衡程度占整体的比重。它表示在选择资源配置时，我们更倾向于能耗还是利用率。当ρ=0时，贪心选择等价于能耗优先，当ρ=1时，贪心选择等价于利用率优先。为了降低搜索空间，对每一个应用程序我们取WET最小的N个等效资源配置。那么SmartBalance算法过程如下。
SmartBalance算法输入：应用程序集A，服务器资源余量Q输出：资源配置方案optR 1 optR=[]；flag=0；cand={} 2 B=Sorted(A) 3 Iteration(1) 4 optR=MinOpt(cand)
Iteration(j)函数 1 Ifj>m 2 cand=cand∪optR 3 ELSE 4 K=EC(erj，Bj)；flag=0 5 For each conf IN TopN(K) 6 If Satisfy(conf)==1then 7 optR=optR∪conf；Q=Q-conf； 8 Iteration(j+1)；flag=1 9 End 10 If flag==1then 11 Q=Q+conf 12 optR=optR-conf；flag=0 13 End 14 End 15 End
其中Sorted()函数按照应用程序在等效配置集中的能耗变化，由大到小排序程序；TopN()为WET最小的N个配置；MinOpt()函数是在所有可行的资源配置方案中寻找能耗最小的资源配置。Iteration()函数为回溯迭代过程，遍历搜索空间寻找所有能够满足资源约束的资源配置方案，一旦找到就将其保存到全局变量cand中，该过程的算法复杂度为O(Nm-1)，其中m为应用程序的个数，N为最大的等效资源配置数； SmartBalance算法关键在于回溯迭代寻找可行解，因此算法的复杂度为O(Nm)。虽然算法的复杂度看起来比较高，但是我们发现，当N取3时，SmartBalance算法的解与最优解的差距平均为0.5%(如图6所示)。因此本算法在实际应用中，可操作性很强。
4 实验结果与分析
4.1 实验平台及测试程序
为了验证资源配置等效替换的优势，本文使用Cgroup来控制KVM虚拟机CPU使用率、硬盘I/O读写速率。KVM运行在对称多处理器(SMP)结构的曙光服务器上，服务器总共具有24个处理器核、24GB内存，硬盘平均读速率为170MB/s、写速率为140MB/s。KVM使用2个处理器核，启动KVM后，使用Cgroup将KVM绑定到相应的处理器核上，同时限制处理器的CPU最大使用率、硬盘的I/O最大读写速率；使用libvirt来控制KVM的运行内存的大小。
本文使用BigDataBench[18]中的测试程序来获取应用程序在不同的资源配置向量下的性能，应用负载见表2；使用CPU利用率来获取应用程序运行时消耗的能耗[19]。本文以单核5%的粒度来调整CPU的利用率、20MB/s的速率改变硬盘I/O的读写性能、1GB的大小改变内存资源分配。测试用例来自四类：微基准测试(Micro Bechmarks)、web应用、机器学习算法及HDFS基准测试。Hadoop版本为2.7.0，默认块大小为128MB； Mahout版本为0.6。KVM虚拟机运行在Ubuntu 14.04，Java版本为1.7.0。
表2 资源配置及负载
4.2 结果分析
我们分别从局部和全局来分析等效资源替换在能耗上的优化结果。能耗优化的程度不但取决于应用程序本身，而且还取决于应用程序的等效区间和算法的资源选择。
应用程序等效区间间的能耗变化迥异。我们选用较小的性能片段作为应用程序的等效区间，如图4中的ER1、ER2和ER3。由图4可知，不同的等效区间上，应用程序的能耗差异较大。如ER2上Hadoop dfsio能耗差异达到6%，而在ER3上能耗差异只有2.5%。这将导致应用程序使用等效资源配置时，有些应用程序能耗降低明显，有的不明显，如图5所示。该发现启发我们求解近似全局最优解时，优先选择能耗降低明显的应用程序。
图4 Hadoop-dfsio 应用在不同资源配置下的能耗差异分布
本文对单个应用程序进行能耗优化研究发现，等效资源配置使应用程序获得了不同程度的能耗节省。实验结果如图5所示(这里我们设置等效区间长度为0.05)。利用资源等效配置，SmartRank使Hadoop Sort最大可以获得12.5%的能耗节省，而Hadoop PageRank最大获得6.8%的能耗节省。然而SmartRank算法仅考虑单个应用的能耗节省，没有考虑服务器整体的利用率，即忽略了资源分配的均衡性。我们在此基础上使用WET来均衡资源分配。实验结果显示，在服务器剩余资源为[80,100,5]的情况下，SmartRank算法也能获得较高的能耗节省，如图5深色柱体所示。在局部使用WET优化能耗，虽然不能够保证应用程序获得最大的能耗节省，但是能够尽可能地接近最优值。如Hadoop Sort、Hadoop Grep与Hadoop PageRank获得了最大的能耗节省，Hadoop Bayesian、Hadoop Conn和Hadoop Kmeans能耗节省仅次于最优解，而Hadoop dfsio与最优解相差30%。这是因为WET参数不但注重能耗优化的量，而且还兼顾系统的利用率。当最优资源配置与当前的资源剩余量有较大的差异时，相对于能耗值来说，资源的均衡使用占据主导，SmartRank选择了与资源剩余量相近，并且能耗较小的配置。能耗优化量与资源分配均衡间的比重可以使用参数ρ来调节；下文中我们将研究ρ对能耗节省的影响。
图5 SmartRank能耗优化评估。“H”代表Hadoop程序
接下来我们研究SmartBalance对服务器能耗的优化效果。我们通过对4个应用负载W1、W2、W3和W4(如表2所示)在总资源配置为[420,620,34]，服务器资源余量为[400,580,30]的情况下的能耗变化来分析SmartBalance的有效性。为了比较SmartBalance算法在能耗优化上的优势，我们使用随机选择算法(Random)，即在所有可能的资源配置方案中，随机选择一种配置，穷举算法(Oracle)作对比。同时为了避免随机(Random)算法选取最坏的情况或最优的情况，我们选择能耗节省处于平均值的资源配置。如图6所示，SmartBalance算法整体能耗仅比最优值多0.5%的功耗，而随机算法平均比最优解多3.3%的能耗开销。不同的负载下，不同的资源配置具有不同的能耗差异，导致SmartBalance算法具有不同的优化空间。比如在负载W1下，不同资源配置平均具有4.5%的能耗差异；W2只有2.8%的能耗差异。因此SmartBalace算法最大减少4%的能耗， 最小获得2.5%的能耗节省；总体来说，SmartBalace算法平均获得3%的能耗节省。
图6 随机、SmartBalance和穷举算法的能耗优化对比
在本文中，我们使用权重值ρ来调节资源均衡使用和能耗节省之间的重要程度。ρ值取0时，SmartBalance算法相当于能耗优先的算法；当ρ取1时，SmartBalance算法相当于利用率优先的算法。我们在服务器剩余资源为[80,100,5]下，研究ρ对局部最优解的能耗影响。如图7所示，随着ρ值的增大，能耗开销不断地增大；Hadoop Grep、Hadoop Connect component及Hadoop PageRank在ρ值大于0.54时，能耗已经达到最大值；而Hadoop Bayesian、Hadoop sort、Hadoop kmeans及Hadoop dfsio在ρ值达到0.78以上时，能耗逐渐接近最大值。权衡资源使用与能耗支出，ρ应该小于0.54, 在本文中我们倾向选择ρ=0.3。
图7 权重ρ对能耗优化的影响
5 结 论
本文使用资源配置等效替换的策略，改善在局部由于资源分配不当引起的额外能耗开销，和整体资源分配时，由于资源分配不均衡导致的服务器低利用率、低吞吐量等性能损失， 来提高数据中心服务器的能效比。针对局部资源不当导致的能耗浪费，本文提出了SmartRank算法，该算法能降低12.5%的能耗浪费；在全局上，我们提出了启发式算法SmartBalance，该算法获得与最优资源配置相似的能耗节省，仅差0.5%。
本文通过资源重新组合的方法来提高能效比，弥补了传统功耗管理单一资源调整等不足，及资源分配不均引起的利用率低等问题，因此本方法与这些方法是正交的。协同传统功耗管理方法和资源配置等效替换方法，最大化服务器能效比是我们将来需要探寻的方向。
[1] Zhang Q, Shi W S. UPS-aware workload placement in enterprise data centers.IEEEComputerMagazine, 2015，(1)：1-7
[2] Barroso L A, Holzle U. The case for energy-proportional computing.Computer, 2007, 40(12): 33-37
[3] Barroso L A, Clidaras J, Hoelzle U. The Datacenter as A Computer: An Introduction to The Design of Warehouse-scale Machines. Morgan & Claypool Publishers, 2013. 1-154
[4] Lee S, Panigrahy R, Prabhakaran V, et al. Validating heuristics for virtual machines consolidation, MSR-TR-2011-9. Microsoft Research, 2011
[5] Huang S S, Huang J, Dai J Q, et al. The HiBench benchmark suite: Characterization of the MapReduce-based data analysis. In: Proceedings of the 2010 IEEE 26th International Conference on Data Engineering Workshops, California, USA, 2010. 41-51
[6] Lo D, Cheng L Q, Govindaraju R, et al. Towards energy proportionality for large-scale latency-critical workloads. In: Proceeding of the 41st Annual International Symposium on Computer Architecuture, Minneapolis, USA, 2014. 301-312
[7] Meisner D, Gold B T, Wenisch T F. PowerNap: eliminating server idle power. In: Proceedings of the 14th International Conference on Architectural Support for Programming Languages and Operating Systems, Washington, USA , 2009. 205-216
[8] Meisner D, Wenisch T F. DreamWeaver: architectural support for deep sleep. In: Proceedings of the 17th International Conference on Architectural Support for Programming Languages and Operating Systems, London, United Kingdom, 2012. 313-324
[9] Isci C, McIntosh S, Kephart J, et al. Agile, efficient virtualization power management with low-latency server power states. In: Proceedings of the 40th Annual International Symposium on Computer Architecture, Tel-Aviv, Israel, 2013. 96-107
[10] Liu Y P, Draper S C, Kim N S. SleepScale: Runtime joint speed scaling and sleep states management for power efficient data centers. In: Proceedings of the 41st Annual International Symposium on Computer Architecture, Minneapolis, USA, 2014. 313-324
[11] Delimitrou C, Kozyrakis C. Quasar: resource-efficient and QoS-aware cluster management. In: Proceedings of the 19th International Conference on Architectural Support for Programming Languages and Operating Systems (ASPLOS), Salt Lake City, USA, 2014. 127-144
[12] Delimitrou C, Kozyrakis C, Paragon: QoS-aware scheduling for heterogeneous datacenters. In: Proceedings of the 18th International Conference on Architectural Support for Programming Languages and Operating Systems, Houston, USA, 2013. 77-88
[13] Lo D, Cheng L Q, Govindaraju R, et al. Heracles: improving resource efficiency at scale. In: Proceedings of the 42nd Annual International Symposium on Computer Architecture, Portland, USA, 2015. 450-462
[14] Ma J, Sui X F, Sun N H, et al. Supporting differentiated services in computers via programmable architecture for resourcing-on-demand(PARD). In: Proceedings of the 20th International Conference on Architectural Support for Programming Languages and Operating Systems, Istanbul, Turkey, 2015. 131-143
[15] Yang H L, Breslow A, Mars J, et al. Bubble-flux: precise online QoS management for increased utilization in warehouse scale computers. In: Proceedings of the 40th Annual International Symposium on Computer Architecture, Tel-Aviv, Israel, 2013. 607-618
[16] Chen T S, Guo Q, Temam O, et al. Statistical performance comparisons of computers.IEEETransactionsonComputers, 2015, 64(5): 1442-1455
[17] Yan G H, Sun F Q, Li H W, et al. CoreRank: Redeeming “Sick Silicon” by dynamically quantifying core-level healthy condition.IEEETransactionsonComputers, 2015, 65(3):716-729
[18] Wang L, Zhan J F, Luo C J,et al. BigDataBench: A big data benchmark suite from internet services. In: Proceedings of the 20th IEEE International Symposium On High Performance Computer Architecture, Orlando, USA, 2014. 488-499
[19] Fan X, Weber W D, Barroso L A. Power provisioning for a warehouse-sized computer. In: Proceedings of the 34th Annual International Symposium on Computer Architecture, New York, USA, 2007. 13-23
Improvement of datacenters’ energy efficiency based on resource allocation equivalency
Sun Faqiang, Yan Guihai, Li Huawei, Han Yinhe
(Key Laboratory of Computer System and Architecture, Institute of Computing Technology,Chinese Academy of Science, Beijing 100190)
The equivalence of resource allocation was used to improve the energy-efficiency proportion of servers to solve the low energy efficiency problem of modern datacenters. The study observed that variety of resource allocation schemes for applied programs have the same performance but they are apparently different in energy consumption. This phenomenon was called the equivalent allocation. Based on the observation, two algorithms for improving the energy-efficiency proportion, named SmartRank and SmartBalance, were proposed. The SmartRank algorithm uses the resource equivalent replacement to seek the resource allocation consuming lowest energy to achieve the energy-efficiency proportion of local optimization. The SmartBalance algorithm balances the resource allocation through evaluation of the relation between the vector of resource demand and the surplus resources while takes account of the cost for energy consumption to achieve the maximum local energy-efficiency proportion. The experiments show that the SmartRank algorithm can reduce the energy of a single application as much as 12.5%, and the SmartBalance algorithm can save 3% of energy of the whole system on average.
power management, datacenter, resource equivalent replacement, resource utilization, resource allocation
10.3772/j.issn.1002-0470.2016.04.001
①国家自然科学基金(61221062， 61376043， 61432017， 61572470， 61532017)资助项目。
，E-mail: lihuawei@ict.ac.cn(
2015-12-29)
②男，1986年生，博士；研究方向：数据中心能效优化和资源管理；E-mail: sunqle2010@gmail.com
