La croissance de la consommation d’énergie des centres de données a attiré l’attention des chercheurs. Récemment, beaucoup d’efforts ont été mis pour améliorer l’efficacité énergétique des centres de données, y compris la modélisation de la puissance des systèmes informatiques. Ce chapitre examine certaines méthodes, modèles et outils existants pour mesurer la consommation d’énergie et d’estimation des ordinateurs. Tout d’abord, les différents méthodes de mesure de puissance sont décrits. Deuxièmement, une révision bibliographique de l’état de l’art de la modélisation de la puissance des systèmes informatiques est donnée chronologiquement.
Mesure de la puissance
Les wattmètres matériels sont la source la plus précise des mesures de puissance de systèmes informatiques. Par conséquent, ils sont utilisés comme cible tout en créant des modèles pour estimer la consommation d’énergie de système. La puissance peut être caractérisée au niveau du système ou des périphériques. La granularité de mesure est cruciale pour les deux, mesure de puissance et de modélisation, et dépend du type de compteur d’électricité utilisé: externe ou interne. Les wattmètres externes sont placés entre la prise électrique et le bloc d’alimentation de système, les wattmètres internes sont situés à l’intérieur du système [62].
Des mesures à grains fins peuvent être obtenues par insertion des capteurs de puissance dans le système, permettant des mesures spécifiques de l’appareil. Le monitoring de la puissance de chaque ligne d’alimentation en courant continu (DC) est une technique qui permet de découpler la consommation des dispositifs de la puissance du système. Les mesures peuvent être effectuées en utilisant des résistances shunt ou pince multimètre. Les résistances shunt sont placées en ligne avec chaque ligne d’alimentation pour mesurer la chute de tension dans la résistance, permettant le calcul courant et la puissance [80]. Les résistances doivent être soigneusement choisies pour donner une précision élevée et une faible perte de puissance; d’ailleurs, si la tension fournie varie, des composants supplémentaires sont nécessaires pour bien mesurer la puissance. De même, à quelques pinces multimètres sont placés autour de chaque rail d’alimentation sans débrancher les fils, fournissant une mesure de puissance moins intrusive [81].
La méthode indépendante et moins intrusive est de mesurer la puissance en courant alter- natif (AC) au niveau de la prise electrique. Des wattmètres externes mesurerent la puissance consommée par l’ensemble du système. Un environnement à petite échelle peut être déployé avec des solutions d’usage général comme Plogg [88], Kill A Watt [89] et watts [90]. Les mesures de données peuvent être récupérées sur le port série, Ethernet ou même par connexions Bluetooth selon le modèle. En [91], les auteurs introduisent PowerScope, une méthodologie pour collecter l’utilisation détaillée de l’énergie par processus en utilisant un wattmètre externe et appels sys- tème personnalisés. Cependant, des wattmètres externes mesurent la puissance dans un des
Résumé Détaillé
mode à gros grains, à savoir que la puissance au niveau du système est surveillé. Ils ne peuvent pas dissocier la puissance perdue en raison de l’inefficacité de la PSU, pendant la conversion AC à DC. Lorsque vous utilisez un tel compteur comme cible pour la création de modèles, ce manque d’information concernant les pertes de conversion ajoute du bruit aux mesures, ce qui a un impact sur la qualité des modèles électriques.
Modélisation de la puissance
Les modèles de la puissance électrique permettent une meilleure compréhension de la consomma- tion d’énergie sur les systèmes informatiques. La création de tels modèles nécessite l’exécution et le suivi des différentes charges de travail. La Figure 3.1 présente le flux de travail pour créer un modèle. Tout d’abord, une charge de travail d’apprendissage fournit des observations d’entrées
X et de puissance cibles p à la méthodologie de modélisation pour générer un estimateur de
puissance f (X). Ensuite, le modèle réalisé a besoin d’être validé par une nouvelle charge de travail qui n’a pas été utilisée lors de la création du modèle. La charge de travail de valida- tion fournit de nouvelles entrées et les objectifs qui sont utilisés pour estimer la puissance pour chaque entrée et calculer son erreur, et fournissent la précision du modèle.
Les modèles diffèrent en fonction d’un grand nombre d’aspects. Dans cette section, une critique sur l’état de l’art sur la modélisation de puissance est faite. Les modèles sont introduits en fonction de leur niveau de dépendance et de leur complexité. D’abord, nous introduisons quelques approches dépendantes de matériel, à savoir les modèles qui sont soit intégrés dans un dispositif spécifique, ou exigent l’utilisation d’instruments supplémentaires. Ainsi, nous présen- tons quelques simulateurs permettant d’estimer la composition du matériel cible. Par la suite, les modèles d’exécution sont exposés sur la base de la méthodologie utilisée lors de leur créa- tion; les modèles analytiques exigent la connaissance de l’expert en profondeur, tandis que les approches d’apprentissage peuvent générer des modèles basés sur l’analyse des données. Enfin, une discussion sur les modèles existants se fait en résumant et en les comparant sur la base de certaines caractéristiques telles que la granularité, l’exactitude, la portabilité, la simplicité, le type de compteur de puissance utilisé lors de la création et validation du modèle, entre autres.
Les modèles présentés dans ce chapitre diffèrent sous plusieurs caractéristiques. Afin de comparer les modèles présentés, les paramètres suivants ont été analysés: degré d’autonomie, niveau de granularité, méthodologie, simplicité, portabilité, précision et le wattmètre utilisé. Le Tableau 3.1 présente une comparaison entre les modèles et les techniques utilisées. On peut voir une grande variété de techniques et de limitations. Un certain nombre de publications ont une très faible granularité et explorerent au niveau des processus, dans cette revue seulement 5 références attaquent à ce niveau de granularité, avec une précision variant de 3 à 20 %. La plupart des approches modélisent chaque composant avec les principaux efforts sur le processeur, en raison de sa forte consommation d’énergie. La plupart des modèles sont des modèles de régression linéaire ou modèles analytiques qui utilisent LR pour se calibrer. Le nombre de variables dans un modèle peut varier de 2 à 24, bien qu’aucune influence directe sur la précision peut être remarqué. 9 parmi les 15 utilisent des wattmètres externes et utilisent leurs données pour créer les estimateurs sans tenir compte des pertes du PSU ou la modélisation du bruit, fournissant des estimations imprécises. L’utilisation de la technique d’apprentissage automatique ont augmenté au cours des 5 dernières années, la plupart d’entre eux sont basés sur des modèles de régression linéaire.
Bien que très important, la précision des modèles est généralement évaluée sous les charges de travail spécifiques et, dans la plupart des cas, ne peuvent être utilisés à titre de comparaison. La majorité des modèles utilisent des charges de travail de synthèse pour évaluer le modèle,
Résumé Détaillé
offrant une grande précision mais pas en utilisant des applications du monde réel. En outre, certaines charges de travail utilisées pour valider les modèles sont exécutés dans un environ- nement contrôlé, avec ou sans simultaneous multithreading (SMT) et la fréquence modifiée, ce qui rend difficile de comparer les résultats rapportés. Pendant le développement de cette recherche, nous avons proposé ectools, un outil pour analyser les modèles en fonction des be- soins de l’utilisateur [123]. Le noyau de cet outil est une bibliothèque modulaire de capteurs et de modèles électriques écrites en C/C++, les capteurs disponibles sont décrites dans le Chapitre 4, tandis que les modèles électriques sont constituées d’approches proportionnelles CPU. Il fournit un outil de suivi au niveau des processus avec des interfaces génériques pour permettre à des modèles de puissance d’être facilement intégrés et comparés avec d’autres approches existantes soit en run-time ou hors ligne. Il fournit également un profileur de l’énergie, qui peut être utilisé pour comparer différentes implémentations de code.
Des modèles au niveau du processus ne sont pas validés en utilisant la puissance totale, soit la somme de tous les processus en cours d’exécution contre la puissance totale consommée par la machine. [91] découple la puissance mesurée, fournissant un modèle qui ne peut pas être évalué. Dans [109] aucune validation est effectuée. Dans [112, 114, 116] seulement un sous-ensemble des applications sont évaluées.
Contrairement à toutes les approches, nous avons ajusté les valeurs obtenues à partir des wattmètres pour réduire le bruit et d’améliorer les données utilisées pour l’apprentissage. Cette recherche se distingue des approches précédentes par la modélisation de la puissance des systèmes informatiques comme suit. Premièrement, il propose la modélisation de la puissance du PSU, donnant un aperçu de son impact sur la précision des modèles. Deuxièmement, elle propose l’utilisation d’une nouvelle approche d’apprentissage automatique pour la création des modèles de puissance, a savoir, les réseaux de neurones artificiels. Troisièmement, on fournit des estima- tions au niveau des processus. Enfin, on compare le modèle réalisé avec d’autres techniques en utilisant la même configuration de l’environnement et des charges de travail qui fournissent une comparaison équitable.