Luigi Di Carlo, CEO & Founder @Evometrika srl – “Ruolo della computer vision ...
Smau2011
1. P O L I T E CNI CO DI MI L A NO
DI PA RT I ME NTO DI E L E T T RO NI CA
E D I NFO RMA ZI O NE
SOA e risparmio energetico
nei data center: approcci e tendenze
Cinzia Cappiello, Pierluigi Plebani
Dipartimento di Elettronica ed Informazione
Politecnico di Milano
[cappiello,plebani]@elet.polimi.it
SMAU 2011 - 20/10/2011 1
3. Perché i data center?
I data center costituiscono, al momento il 1.3% del consumo
energetico globale (il 2% negli US)1
◦ Nel 2000 era lo 0.5% (US 0.8%)
◦ Nel 2005 era l’ 1% (US 1.5%)
Il concetto di Cloud Computing si sta espandendo sempre di
più
◦ Vantaggio: invece di avere tanti server sparsi e poco utilizzati si
consolidano in diversi punti ottimizzati
1 Koomey, Jonathan. 2011. Growth in Data center electricity use 2005 to 2010. Oakland, CA: Analytics Press. Aug, 1.
SMAU 2011 - 20/10/2011 3
4. Il paradosso di Jevons
I miglioramenti
tecnologici che
aumentano
l'efficienza con cui
una risorsa è usata
possono fare
aumentare il
consumo totale di
quella risorsa, invece
di diminuire
[Wikipedia]
SMAU 2011 - 20/10/2011 4
5. Perché si è arrivati fin qui
Lo spazio costa
Si è ridotto lo spazio
Si è aumentata la densità
La densità scalda
Il caldo richiede aria condizionata
Aria condizionata consuma molto
La bolletta energetica si alza
SMAU 2011 - 20/10/2011 5
7. PUE e DCiE
Benchmark DCiE PUE
Platinum > 0.8 <1.25
Gold 0.7-0.8 1.25-1.43
Silver 0.6-0.7 1.43-1.67
Bronze 0.5-0.6 1.67-2.0
Recognised 0.4-0.5 2.0-2.5
Not
< 0.4 > 2.5
Recognised
SMAU 2011 - 20/10/2011 7
8. Data Center compute Efficiency
Server Compute Efficiency (ScE)
◦ % di tempo che un server esegue un processo
primario (non backup, deframmentazione, ecc…)
◦ Quando ho uno 0% vuol dire che posso
decommisionarlo
DCcE considera gli ScE di tutti i server in un
data center
◦ Non è una misura di produttività: misura quanto
lavora non se è utile quello che fa
SMAU 2011 - 20/10/2011 8
9. Data Center energy Productivity
(DCeP)
Si parla di energia
◦ Fattore tempo è determinante
◦ Assessment window
SMAU 2011 - 20/10/2011 9
10. Maturity Model
Il consorzio
The Green Grid
ha proposto
recentemente un
maturity Model
◦ DCMM: Data Center
Maturity Model
http://www.thegreengrid.org/~/media/Tools/DataCenterMaturityModelv1_0.ashx?lang=en
SMAU 2011 - 20/10/2011 10
16. Il progetto GAMES
Green Active Management of
Energy in IT Service centres
SMAU 2011 - 20/10/2011 16
17. L’obiettivo di GAMES:
efficienza energetica dei service
center…
..sotto la guida delle applicazioni e dei loro requisiti
Applicazioni Infrastruttura
annotazioni
SMAU 2011 - 20/10/2011 17
18. Efficienza energetica dei Service
Center : come è possibile migliorarla?
I servers sono utilizzati in modo efficiente?
◦ Accendere/spegnere/mettere in stand by server quando
opportuno
◦ Allocazione dinamica del workload (sulla base del
contesto/consumo energetico)
La CPU (o altre risorse) sono poco utilizzate?
◦ Virtualizzazione e Consolidamento, migrazione
E in particolare per lo storage?
◦ Accendere/spegnere/mettere in stand by dischi
◦ Migrazione
◦ Rallentare l’accesso ai dischi
SMAU 2011 - 20/10/2011 18
19. … ma si può intervenire
anche sulle applicazioni
Le applicazioni possono essere
riprogettate per migliorare la loro
efficienza energetica:
◦ Funzionamento differente a seconda dei
requisiti di utilizzo
◦ Annotazioni
◦ Ri-negoziazione requisiti
◦ Sostituzione di servizi
SMAU 2011 - 20/10/2011 19
20. GAMES: concetti chiave
Energy efficiency
Green Performance
Indicators (GPIs)
Monitoraggio
Contesto
Adaptation & azioni di
miglioramento energetico
SMAU 2011 - 20/10/2011 20
21. Adaptation
Monitoraggio e acquisizione dati
Valutazione GPIs
Controllo e adattamento
Evoluzione
SMAU 2011 - 20/10/2011 21
22. Architettura GAMES
Design- me
Tool
Enviroment Knowledge
GAMES-enabled Applica on Base
Applica on layer
Run- me Adapta on Controllers
Applica on Container
Middleware layer Monitoring Data
tools Mining
T5.1–T6.1 Infrastructure Access Module
Tools
IT Infrastructure Data Storage
Facili es
Sensors
(Cooling, Hea ng, …)
Infrastructure layer
SMAU 2011 - 20/10/2011 22
25. 1 Valutazione preliminare:
raccolta dati
Sensore
NAGIOS
Sensore (esteso per il
progetto)
Sensore
Dati
monitorati
25
SMAU 2011 - 20/10/2011
26. 3 Classificazione GPI/KPI
• Gli indicatori (GPI/KPI) sono classificati in base all’impatto
Organizational GPIs
Indicatori che considerano gli obiettivi strategici dell’impresa
Energy impact GPIs
Indicatori che misurano l’impatto del service center sull’ambiente
Application lifecycle KPIs
Indicatori definiti per misurare le prestazioni delle applicazioni
IT Resource Usage GPIs
Si focalizzano su dati grezzi di consumo dei diversi componenti del data storage
SMAU 2011 - 20/10/2011 26
27. Definizione GPI/KPI: dipendenze
Definiamo una mappa di collegamenti tra indicatori che
mettono in luce:
◦ Dipendenze funzionali
◦ Dipendenze qualitative
SMAU 2011 - 20/10/2011 27
29. 4 Annotazione dei processi
Descrizione
Vincoli su risorse
indicatori utilizzate
Metadati per la
descrizione Descrizione
del flusso di dati utilizzati
processo
SMAU 2011 - 20/10/2011 29
30. 5 Esecuzione
Stima energia Valutazione
dell’energia Energy-aware
consumata effettivamente adaptation
dal processo consumata
E-BP= f(struttura del La valutazione dell’energia
processo, ambiente consumata può essere
virtuale, dispositivi ottenuta dai sensori installati
fisici) sui sensori fisici
ts1 ts3 ts3 ts1 ts2 ts3
P P
ts1 ts2 ts3
SMAU 2011 - 20/10/2011 30
31. Energy-aware Adaptation:
controli globali e locali
Annotated …
Process
Controllo globale
Service Center
Controllo locale
SMAU 2011 - 20/10/2011 31
32. 6 Validazione
Verifica dell’esattezza delle relazioni tra indicatori
Analisi di scenari diversi quali:
◦ High Performance Computing (HPC)
◦ Applicazioni Web (approccio a servizi)
• Analizzare gli effetti delle azioni di adaptation (breve termine
e lungo termine)
SMAU 2011 - 20/10/2011 32
33. Per maggiori informazioni
http://www.green-datacenters.eu/
Cinzia CAPPIELLO - cappiello@elet.polimi.it
Pierluigi PLEBANI - plebani@elet.polimi.it
Dipartimento di Elettronica ed Informazione
Politecnico di Milano
Via Ponzio 34/5
20133 Milano
SMAU 2011 - 20/10/2011 33
Notas do Editor
Qui indicarecheil cloud computing richiede data center diversi da quelliclassici in housing e hosting
Il PUEmiglioriviaggianoattorno a 1.07 e 1.2Google èpassato in qualchecaso da PUE di 2.4 a pue di 1.5 con pochemosseENI ne staaprendouno in provincia di Pavia chepunto a diventare 1.2
È DIFFICILE DA CALCOLAREU èL’UTILITà DI UN TASK… COME LO DEFINISCO? È SOGGETTIVO
Preliminary assessment:Based on the questionnaireAiming at collecting information about the IT Service Centre elementsHW/SW ComponentsFacilitiesthe IT energy consumptionGeneral Policies: High level objective about energy consumptionThey can be expressed in terms of strategic GPIs
Most GPIs are at facility and lower compute node levelAt application level only Application Performance Indicator as Energy Impact GPI is defined. Correlation and linking between high level GPIs and low level GPIs may have an narrowing impact. KPIs are only defined at application levelCompute node => Application Performance Indicator depends on its CPU Usage and how effectively energy is being used by a CPU or processor; the Memory Usage and how much energy is consumed for transferring specific amounts of data in the according main memory; I/O device Usage and how effectively energy is being used to perform I/O transaction; Storage Usage and energy consumed by the storage facilityApplication => Facility level: DC-EEP Index is calculated by multiplying two independent but interrelated ratios SI-EER and Application Performance Indicator.SI-EER, PUE/DCiE and SI-POM present similar energy consumption properties and can be consolidated.CADE is calculated by multiplying CPU Usage and the Facility capacity.CPE is the ratio between DCiE and IT Equipment Utilization ( DH-UR )