Geri Dön

Energy efficient resource management in cloud datacenters

Bulut veri merkezlerinde enerji verimli kaynak yönetimi

PDF İndir

  1. Tez No: 895190
  2. Yazar: İLKSEN ÇAĞLAR
  3. Danışmanlar: PROF. DR. DENİZ TURGAY ALTILAR
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 118

Özet

Bu tez kapsamında, enerji verimli kaynak yönetimini amaçlayan adaptif bir yaklaşım ileri sürülmüştür. Bu yaklaşım, enerji verimliliğinin yanında performans kaybını da minimize etmeyi amaçlar. Sunucudaki tüm kaynakların (CPU, RAM, Disk, vb.) enerji xxvi verimliliği açısından optimum kullanımı değerleri vardır. Literatürdeki bazı çalışmalar, enerji verimliliğinin kaynak kullanımını arttırmak ile sağlanabileceğini düşünerek kaynakları maximum seviyede doldurmaya çalışırken, bir takım çalışmalar da optimum kullanım değerini önemseyerek bunu statik bir eşik değeri olarak çalışmalarının merkezine koymuşlardır. Oysaki sistemin sadece mevcut durumu değil olası gelecek ihtiyaçlar da göz önünde bulundurulduğunda, iş yerleştirme kararı için statik eşik değeri kullanmak tek başına yeterli değildir. Sistem, olası gelecek tahmin değerlendirmesine göre küçülmeye gidecekse bu durumda yeni gelen iş yükünü atamak için sırf eldeki aktif sunucular eşik değerini aşacak diye yeni bir sunucu ayağa kaldırmak yerine eldeki kaynakları optimum kullanım değerini aşacak şekilde çalıştırmayı seçebilir. Sistemin küçülme eğiliminde olduğu ve kaynakların yeni gelen iş yükünün atanması ile birlikte eşik değeri aşacağı durumda, iş ataması yapılacak sunucu kararı mevcutta çalışan iş yüklerinin kalan zamanı göz önünde bulundurularak verilir. Burada önemli olan eşik değerin aşıldığı süreyi minimize etmektir. Mevcut çalışan iş yüklerinden kullanım oranı yüksek ve kalan süresi az olan iş yükünün çalıştırıldığı sunucu, yeni gelen iş yükünün atanması için seçilir. Yine sistemin küçülme eğiliminde olduğu ve yeni gelen iş yükünün atanması ile birlikte düşük kullanım oranında kalmaya devam edecek sunucular içinden iş yükü ataması için sunucu belirlenmesi kararında da kalan süre önemli bir parametredir. Sistem küçülme eğilimindeyken, boşa düşen sunucular (üzerindeki mevut işleri bitiren ve yeni bir iş yükü almamış olan) kapatılır. Bu nedenle yeni gelen iş yükünün yürütülme süresi, sunucu üzerinde çalıştırılmakta olan iş yüklerinden kalan süresi en fazla olan ile karşılaştırılır. Eğer iş yükünün yürütülme süresi, en fazla kalan süreden daha küçükse bu durumda, en fazla kalan süresi olan iş yükünün yürütüldüğü sunucu iş yükü ataması için seçilir. Böylece, sunucunun kapatılacağı süre uzatılmamış olur. Sistem, olası gelecek tahmin değerlendirmesine göre genişlemeye gidecekse bu durumda, sunucuları optimum kullanım oranında çalıştırmak birincil hedeftir. Bu yaklaşım, konsolidasyon olarak değerlendirilebilir.

Özet (Çeviri)

we propose an energy efficient resource allocation approach that integrates Holt Winters forecasting model for optimizing energy consumption while considering performance in a cloud computing environment. The approach is based on adaptive decision mechanism for turning on/off machines and detection of over utilization. By this way, it avoids performance degradation and improves energy efficiency. The proposed model consists of three functional modules, a forecasting module, a workload placement module along with physical and virtual machines, and a monitoring module. The forecasting module determines the required number of processing unit (Nr) according to the user demand. It evaluates the number of submitted workloads (NoSW), mean execution time of submitted workloads in interval and mean CPU requirements of them to calculate approximately total processing requirement (APRtotal). These three values are forecasted separately via forecasting methodologies namely Holt Winters (HW) and Auto Regressive Integrated Moving Average (ARIMA). The Holt Winters gives significantly better result in term of Mean Absolute Percentage Error (MAPE), since the time series include seasonality and trend. In addition, the interval is short and the long period to be forecasted, the ARIMA is not the right choice. The future demand of processing unit is calculated using these data. Therefore, the forecasting module is based on Holt Winters forecasting methodology with 8.85 error rate. Therefore, the forecasting module is based on the Holt Winters. Workload placement module is responsible for allocation of workloads to suitable VMs and allocation of these VMs to suitable servers. According to the information received from forecasting module, decision about turning a server on and off and placement for incoming workload is making in this module. The monitoring module is responsible for observing system status for 5 min. The consolidation algorithm is based on single threshold whether to decide that the server is over utilized. In other words, if the utilization ratio of CPU exceeds the predefined threshold, it means that the server is over utilized otherwise, the server is under load. If the utilization of server equals the threshold, the server is running at optimal utilization rate. Unlike other studies, overloading detection does not trigger VM migration. Overloading is undesirable since it causes performance degradation but, it can be acceptable under some conditions. To decide allocation of incoming workloads, this threshold is not only and enough parameter. Beside the threshold, the future demands are also considered as important as systems current state. The proposed algorithm also uses different parameters as remaining execution time of a workload, active number of servers (Na), required number of servers (Nr) besides efficient utilization threshold. The system can be instable with two cases; (1) Na is greater than Nr that means there are underutilized servers and it causes energy inefficiency (2) Nr is greater than Na, if new servers are not switched on, it causes over utilized servers and performance degradation. The algorithm is implemented and evaluated in CloudSim which is commonly preferred in the literature since, it provides a fair comparison between the proposed algorithm with previous approaches and it is easy to adapt and implementation. However, workloads come to the system in a static manner and the usage rates of the works vary depending on time. Our algorithms provide dynamically submission. Therefore, to make fair comparison, the benchmark code is modified to meet dynamic requirement by working Google Cluster Data via MongoDB integration. The forecasting module is based on Holt Winters as described before. Therefore, the approach is named Look-ahead Energy Efficient Allocation – Holt Winters (LAA-HW). If we knew the actual values instead of forecasted values, the system would give the result as Look-ahead Energy Efficient Allocation –Optimal (LAA-O). The proposed model uses Na and Nr parameters to decide the system's trend whether the system has active servers than required. If Na is greater than the Nr, incoming workloads are allocated on already active servers. It causes bottleneck for workloads with short execution time and less CPU requirement as the Google Tracelog workloads. The mean cpu requirement of a day and the mean execution time of a day are 3% and 1,13 min 32 respectively. It gives the small Nr value and it causes less number of received workload than Local Regression-Minimum Migration Time (LRMMT). The number of migration is zero in our approach. The energy consumption for switching on and off in our model is less in comparison with the migration model.

Benzer Tezler

  1. Tez No

    894843

    An energy optimization algorithm for cloud computing

    Bulut bilişim için bir enerji optimizasyon algoritması

    OĞUZHAN ŞEREFLİŞAN

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtılım Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    PROF. DR. MURAT KOYUNCU

  2. Tez No

    560909

    Veri merkezlerinde mikroservis mimarilerinin enerji analizi ve verimliliğin artırılması

    Energy analysis of microservis architectures in data centers and increasing efficiency

    ÖZMEN EMRE DEMİRKOL

    Doktora

    Türkçe

    Türkçe

    2019

    Bilim ve TeknolojiSakarya Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. CEMİL ÖZ

  3. Tez No

    389586

    Yeşil bilgi teknolojisi, özel bulut ve karma bir sanallaştırma uygulaması: Orman Genel Müdürlüğü

    Green IT, application of private cloud and a hybrid virtualization: General Directorate of Forestry

    ABDULKADİR ÖKLÜ

    Yüksek Lisans

    Türkçe

    Türkçe

    2013

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırıkkale Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. HALİL MURAT ÜNVER

  4. Tez No

    884665

    Resource managemegment in cloud computing

    Bulut bilişimde kaynak yönetimi

    ABDULLAHI HASSAN JAMA

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgi ve Belge YönetimiAltınbaş Üniversitesi

    Bilişim Teknolojileri Ana Bilim Dalı

    DOÇ. DR. SEFER KURNAZ

  5. Tez No

    683247

    Energy demand forecasting in fog computing based microgrids using ensemble learning

    Sis bilişimi tabanlı mikro şebekelerde topluluk öğrenme ile enerji talep tahmini

    TUĞÇE KESKİN

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÖKHAN İNCE

Geri Dön