Au sein d’IBM Montpellier, différents centres de calcul sont présents. Un de ces centres de calcul est particulier dans le sens qu’il a été construit afin d’être économique en énergie. Un centre de calcul écologique est un centre de calcul possédant un PUE faible. Le PUE est donc l’unité de mesure de consommation énergétique des centres de calcul. La mesure de PUE est effectuée en divisant la puissance énergétique en entrée par la puissance informa-tique, une représentation de cette méthode de calcul est présentée en figure 7.5. Ainsi, plus la mesure de PUE est faible, plus le centre de calcul est efficace énergiquement.
FIGURE7.5 – Le PUE est l’unité de mesure des centres de calcul. Cette mesure est réa-lisée en divisant la puissance d’entrée par la puissance informatique utile.
Le centre de calcul écologique d’IBM Montpellier est construit pour atteindre un PUE très faible. Cette vitrine technologique est composée de deux structures : une partie haute
densité et une partie faible densité. Dans le cadre du centre de calcul, la densité est éva-luée en fonction du nombre d’unités de calculs au centimètre carré. La salle composée de machines haute densité est refroidie de manière spécifique. Différents boitiers de refroidis-sement sont mis en place et sont basés sur des solutions économiques en énergie. Il n’est alors plus nécessaire d’utiliser de solution de climatisation générale. La salle basse densité, quant à elle, repose sur le cloisonnement des différentes allées. Les machines aspirent de l’air frais depuis la face avant et au niveau du sol, qui est ensuite rejeté par l’arrière. Plus l’air est chaud, plus il s’élève et il se réchauffe en plus au contact des lames situées sur son passage. La figure 7.6 présente la structure du centre de calcul, grâce à ces différentes optimisations énergétiques, ce centre de calcul possède un PUE proche de 1.5.
(a) (b)
FIGURE7.6 – Représentation schématique du centre de calcul écologique d’IBM, Montpel-lier.
Afin de contrôler le bon fonctionnement de ce centre de calcul, différents capteurs sont placés dans les pièces afin de mesurer les caractéristiques critiques de celles-ci. Pour ce faire, quatre types de capteurs sont mis en place : température, pression, hygrométrie et niveau de batterie des onduleurs. La structure de données des capteurs est composée de peu d’éléments : la localisation(x, y, z), la valeur de captation, le type de capteurs et les bornes supérieures et inférieures. Les données du centre de calcul sont seulement
com-posées des informations des capteurs. En effet, les informations à propos des systèmes de climatisation (crac), la localisation des serveurs, la localisation des allées, ainsi que la to-pologie réelle des deux pièces ne sont pas disponibles. Ces différentes informations seront à raffiner grâce à notre solution.
Les données du centre de calcul sont composées de quatre types de capteurs : tempéra-ture, pression, hygrométrie et niveau de batterie. Ces différentes valeurs sont mesurées afin de gérer le comportement du centre de calcul et surtout de relever des incidents. Ces dif-férents capteurs sont également localisés, la solution de gestion du bâtiment (BMS) stocke donc leur position spatiale. Les données sont également composées d’informations rela-tives à la topologie globale des deux salles réunies. Les figures 7.7(a) et 7.7(b) présentent deux points de vues des données qui nous ont été fournies ; comme nous pouvons le voir les capteurs sont disposés dans une pièce globale qui est une agrégation des deux pièces (haute densité et faible densité).
(a) Vue de dessus des données fournies par IBM au sujet du centre de calcul écologique.
(b) Vue de face de ces mêmes données.
FIGURE7.7 – Vue brute des données du GDC.
Comme nous pouvons le voir au travers de cette visualisation, beaucoup d’informa-tions sont manquantes. Il est donc nécessaire, voir important, d’améliorer le modèle de données que nous possédons. Ici, nous allons montrer comment améliorer ce modèle au travers d’une visualisation volumique.
Afin de segmenter les différentes pièces, nous utilisons les différentes informations de localisation des capteurs. Ainsi, comme le montre la figure 7.8(a), deux paquets de capteurs sont clairement présents, il est alors possible de segmenter les deux pièces grâce à nos outils. Afin d’identifier les pièces (haute densité et basse densité), nous allons nous baser sur une vue globale volumique de ces pièces. La figure 7.8(b) présente une vue globale des
données au travers d’une représentation volumique (rappelons que la figure 7.6 illustre ce que nous connaissons des données). Nous allons nous servir de l’information relative à la segmentation des allées sur la partie faible densité pour identifier les pièces. Il s’agira de notre hypothèse de base que nous chercherons à valider tout au long de cette analyse.
(a) Possibilité de segmentation des deux pièces afin d’extraire une première information topolo-gique.
(b) Vue volumique des deux pièces réunies.
FIGURE7.8 – Méthode de visualisation améliorée des données brutes et segmentation de l’espace du GDC.
7.3.1 Analyse de la pièce haute densité
Sur la partie haute densité, nous allons utiliser différents filtres et visualisations afin d’identifier des informations adaptées à nos connaissances.
En utilisant la solution à base de voxels, (figure 7.9(a)) aucune information permettant d’augmenter le modèle n’est visible. Lorsque l’on utilise une des méthodes basées sur les shaders, différentes structures commencent à apparaitre, comme illustré en figure 7.9(b). En utilisant la visualisation par température de la salle, il est possible d’extraire des infor-mations : en filtrant les données nous obtenons la figure 7.9(c) où deux masses émergent. Grâce à nos connaissances du terrain, il est possible d’identifier l’origine de ces blocs : il s’agit des emplacements des deux unités de calculs refroidies soit par air soit par eau.
En analysant les parties chaudes, il est possible de se rendre compte qu’une dernière masse est présente. Il s’agit de la partie du centre de calcul variable, cette partie est modi-fiée en fonction des usages et des besoins clients.
Grâce à notre outil de soumission de contenu, il est alors possible de localiser le mobi-lier particumobi-lier de cette pièce et ainsi d’améliorer le modèle de la pièce. Ces informations
pourront ensuite être réutilisées pour raffiner le modèle physique du bâtiment et optimiser l’utilisation des pièces. Ces optimisations peuvent être proposées au modèle afin d’amé-liorer le rendu, comme illustré en figure 7.9(d).
(a) Visualisation volumique de la pièce haute densité en utilisant des voxels non transparents.
(b) Visualisation volumique de la pièce en utili-sant les shaders.
(c) Visualisation volumique de la pièce en filtrant les données sur les températures les plus élevées.
(d) Informations extraites à partir de notre visua-lisation.
FIGURE7.9 – Différentes vues de la pièce haute densité.
7.3.2 Analyse de la pièce basse densité
Sur la partie basse densité, nous avons utilisé le même processus. Grâce aux particules interpolées, il est possible d’avoir un point de vue relatif à l’état de la salle de calcul. Ainsi,
nous cherchons également à détecter des informations en fonction des données connues. Pour ce faire, nous allons nous intéresser principalement aux températures, les autres va-riables ne fournissent pas d’informations suffisamment significatives. En appliquant la même méthode sur la partie faible densité, la figure obtenue est la 7.10(a). En filtrant les données, trois régions d’intérêts sont mises en avant. La figure 7.10(b) présente les tem-pératures les plus élevées de la salle, la figure 7.10(c) montre les temtem-pératures basses de la salle et enfin, le dernier filtre utilisé en figure 7.10(d) extrait les températures les plus faibles de la pièce. Comme nous l’avons présenté précédemment (cf figure 7.6), 3 zones étaient connues dans le modèle original. Nous avons retrouvé ces trois zones, mais égale-ment une quatrième.
En visitant le centre de calcul, nous nous sommes aperçus que ces températures de faible intensité correspondent à la partie CRAC de ce centre de calcul. En effet, la pièce d’extraction d’air est également surveillée par des capteurs. Nous avons donc pu soumettre ces différents contenus au modèle global de RIDER et ainsi améliorer le modèle du centre de calcul. Le modèle précédent peut être amélioré et permet de proposer une nouvelle vue du centre de calcul comme illustré en figure 7.11.
Une seconde utilisation de notre outil permet d’extraire un autre type d’informations. En utilisant la temporalité de notre visualisation, il est possible de mettre en avant les zones qui varient dans le temps. Ainsi, nous avons pu constater que sur la partie haute du centre de calcul, certaines lames de serveurs chauffaient plus que les autres. En pre-nant en compte la dynamique des fluides (les flux d’air chaud montent), il est nécessaire de réorganiser l’armoire afin de réduire l’énergie nécessaire pour la refroidir. En effet, la température au sommet de l’armoire est plus élevée qu’en bas : le refroidissement étant réalisé par le sol. Identifier des lames de calculs les plus utilisées est recommandé afin de proposer un placement optimale de celles-ci.