論文の概要: Thermal Prediction for Efficient Energy Management of Clouds using Machine Learning

• arxiv url: http://arxiv.org/abs/2011.03649v3
• Date: Wed, 16 Dec 2020 01:14:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 22:26:53.098890
• Title: Thermal Prediction for Efficient Energy Management of Clouds using Machine Learning
• Title（参考訳）: 機械学習による雲の効率的なエネルギー管理のための熱予測
• Authors: Shashikant Ilager, Kotagiri Ramamohanarao, Rajkumar Buyya
• Abstract要約: プライベートクラウドからのデータを分析し、熱的変動の存在を示す。 温度予測のための勾配強化機械学習モデルを提案する。 さらに,ホストのピーク温度を最小化する動的スケジューリングアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 31.735983199708013
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Thermal management in the hyper-scale cloud data centers is a critical problem. Increased host temperature creates hotspots which significantly increases cooling cost and affects reliability. Accurate prediction of host temperature is crucial for managing the resources effectively. Temperature estimation is a non-trivial problem due to thermal variations in the data center. Existing solutions for temperature estimation are inefficient due to their computational complexity and lack of accurate prediction. However, data-driven machine learning methods for temperature prediction is a promising approach. In this regard, we collect and study data from a private cloud and show the presence of thermal variations. We investigate several machine learning models to accurately predict the host temperature. Specifically, we propose a gradient boosting machine learning model for temperature prediction. The experiment results show that our model accurately predicts the temperature with the average RMSE value of 0.05 or an average prediction error of 2.38 degree Celsius, which is 6 degree Celsius less as compared to an existing theoretical model. In addition, we propose a dynamic scheduling algorithm to minimize the peak temperature of hosts. The results show that our algorithm reduces the peak temperature by 6.5 degree Celsius and consumes 34.5% less energy as compared to the baseline algorithm.
• Abstract（参考訳）: ハイパースケールのクラウドデータセンターにおける熱管理は重要な問題である。 ホスト温度が上昇するとホットスポットが発生し、冷却コストが大幅に増加し、信頼性に影響を及ぼす。 資源の効率的な管理にはホスト温度の正確な予測が不可欠である。 温度推定は、データセンターの熱的変動による非自明な問題である。 既存の温度推定のソリューションは計算の複雑さと正確な予測の欠如のため非効率である。 しかし、温度予測のためのデータ駆動機械学習手法は有望なアプローチである。 この点について、我々はプライベートクラウドからデータを収集・研究し、熱的変動の存在を示す。 ホスト温度を正確に予測するために,複数の機械学習モデルを調査した。 具体的には,温度予測のための勾配強化機械学習モデルを提案する。 実験の結果,平均rmse値0.05,摂氏2.38度の平均予測誤差が既存の理論モデルよりも6度低い温度を正確に予測できることがわかった。 さらに,ホストのピーク温度を最小化する動的スケジューリングアルゴリズムを提案する。 その結果,本アルゴリズムはピーク温度を摂氏6.5度減らし,ベースラインアルゴリズムに比べて34.5%少ないエネルギーを消費することがわかった。

関連論文リスト

• To Cool or not to Cool? Temperature Network Meets Large Foundation Models via DRO [68.69840111477367]
  LFMを改善するために,小型だが一般化可能な温度予測ネットワーク(TempNet)を学習するための基本的枠組みを提案する。 LLMとCLIPモデルに関する我々の実験は、TempNetが既存のソリューションやモデルの性能を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2024-04-06T09:55:03Z)
• Improving Building Temperature Forecasting: A Data-driven Approach with System Scenario Clustering [3.2114754609864695]
  暖房、換気、空調のシステムは、建築セクターにおけるエネルギー使用量の約40%を消費する。 大規模HVACシステム管理では,各サブシステムに対して詳細なモデルを構築することは困難である。 k平均クラスタリング法に基づく新しいデータ駆動室温予測モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-21T09:04:45Z)
• Emerging Statistical Machine Learning Techniques for Extreme Temperature Forecasting in U.S. Cities [0.0]
  本稿では,新しい統計機械学習技術を用いた極端温度パターンの包括的解析を行う。 これらの手法を、最も人口の多い5つの米国都市の気候時系列データに適用する。 本研究は, 統計的手法の違いを強調し, 最も効果的なアプローチとして多層パーセプトロンを同定した。
  論文  参考訳（メタデータ） (2023-07-26T16:38:32Z)
• Accurate melting point prediction through autonomous physics-informed learning [52.217497897835344]
  NPTアンサンブルにおける共存シミュレーションから自律的に学習することで融点を計算するアルゴリズムを提案する。 固液共存進化の物理モデルを統合することで、アルゴリズムの精度が向上し、最適な意思決定が可能になることを実証する。
  論文  参考訳（メタデータ） (2023-06-23T07:53:09Z)
• GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
  我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。 全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。 我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-24T18:15:39Z)
• Runtime data center temperature prediction using Grammatical Evolution techniques [1.8909283916360866]
  本稿では,データセンターの温度モデルの生成手法と,可変冷却環境下でのCPUおよび入出力温度の実行時予測について述べる。 時間を要する計算流体力学技術とは対照的に、我々のモデルは問題に関する具体的な知識を必要としない。 以上の結果から,データルーム内のサーバの温度を,CPUの2C以下,サーバの入出力温度0.5C以下で予測できることを示す。
  論文  参考訳（メタデータ） (2022-11-11T16:30:26Z)
• Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
  ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。 入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。 CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
  論文  参考訳（メタデータ） (2022-07-13T14:13:49Z)
• MLRM: A Multiple Linear Regression based Model for Average Temperature Prediction of A Day [3.6704226968275258]
  我々は,過去の気象データと複数の線形回帰モデルを用いて,地域の天気を予測することを目的としている。 このモデルは摂氏2.8度の誤差で1日の平均気温を予測できる。
  論文  参考訳（メタデータ） (2022-03-11T10:22:57Z)
• Role of topology in determining the precision of a finite thermometer [58.720142291102135]
  低接続性は、温度計を低温で動作させるためのリソースであることに気付きました。 位置測定により達成可能な精度を,エネルギー測定に対応する最適値と比較する。
  論文  参考訳（メタデータ） (2021-04-21T17:19:42Z)
• A latent variable approach to heat load prediction in thermal grids [10.973034520723957]
  この方法はスウェーデンのルリアにある1つの多層住宅に適用される。 結果は、人工ニューラルネットワークを用いた予測と比較される。
  論文  参考訳（メタデータ） (2020-02-13T09:21:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。