論文の概要: RARE: Renewable Energy Aware Resource Management in Datacenters

• arxiv url: http://arxiv.org/abs/2211.05346v1
• Date: Thu, 10 Nov 2022 05:17:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 15:50:22.471074
• Title: RARE: Renewable Energy Aware Resource Management in Datacenters
• Title（参考訳）: RARE:データセンターにおける再生可能エネルギー意識資源管理
• Authors: Vanamala Venkataswamy, Jake Grigsby, Andrew Grimshaw, Yanjun Qi
• Abstract要約: ハイパースケールクラウドプロバイダは、再生可能エネルギーを使用してデータセンターを動かす計画を発表した。 データセンターを動かすために再生可能エネルギーを統合することは、発電が断続的であるため困難である。 再生可能エネルギーからの断続的な電力供給に継続的に適応しつつ、効果的なジョブスケジューリングポリシーを学習するスケジューラを提案する。
• 参考スコア（独自算出の注目度）: 9.488752723308954
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The exponential growth in demand for digital services drives massive datacenter energy consumption and negative environmental impacts. Promoting sustainable solutions to pressing energy and digital infrastructure challenges is crucial. Several hyperscale cloud providers have announced plans to power their datacenters using renewable energy. However, integrating renewables to power the datacenters is challenging because the power generation is intermittent, necessitating approaches to tackle power supply variability. Hand engineering domain-specific heuristics-based schedulers to meet specific objective functions in such complex dynamic green datacenter environments is time-consuming, expensive, and requires extensive tuning by domain experts. The green datacenters need smart systems and system software to employ multiple renewable energy sources (wind and solar) by intelligently adapting computing to renewable energy generation. We present RARE (Renewable energy Aware REsource management), a Deep Reinforcement Learning (DRL) job scheduler that automatically learns effective job scheduling policies while continually adapting to datacenters' complex dynamic environment. The resulting DRL scheduler performs better than heuristic scheduling policies with different workloads and adapts to the intermittent power supply from renewables. We demonstrate DRL scheduler system design parameters that, when tuned correctly, produce better performance. Finally, we demonstrate that the DRL scheduler can learn from and improve upon existing heuristic policies using Offline Learning.
• Abstract（参考訳）: デジタルサービス需要の指数的な増加は、膨大なデータセンターのエネルギー消費と負の環境影響を引き起こす。 エネルギーとデジタルインフラの課題に対する持続可能なソリューションの推進が不可欠である。 いくつかのハイパースケールクラウドプロバイダは、再生可能エネルギーを使用してデータセンターを動かす計画を発表した。 しかし、発電が断続的であるため、電力供給変動に対処するためには、再生可能エネルギーの統合は困難である。 ハンドエンジニアリング ドメイン固有のヒューリスティックスベースのスケジューラは、複雑な動的グリーンデータセンタ環境で特定の目的関数を満たすには、時間がかかり、費用がかかり、ドメインの専門家による広範なチューニングを必要とする。 グリーンデータセンターは、複数の再生可能エネルギー源(風と太陽)を利用するためのスマートシステムとシステムソフトウェアを必要としている。 我々は,データセンタの複雑な動的環境に継続的に適応しながら,効果的なジョブスケジューリングポリシを自動的に学習する深層強化学習(drl)ジョブスケジューラ(renewable energy aware resource management)を提案する。 DRLスケジューラは、異なるワークロードでヒューリスティックなスケジューリングポリシーよりも優れており、再生可能エネルギーからの断続的な電力供給に適応する。 DRLスケジューラシステムの設計パラメータを正しく調整すると性能が向上することを示した。 最後に,drlスケジューラがオフライン学習を用いて既存のヒューリスティックポリシから学び,改善できることを実証する。

関連論文リスト

• D5RL: Diverse Datasets for Data-Driven Deep Reinforcement Learning [99.33607114541861]
  ロボット操作と移動環境の現実的なシミュレーションに焦点を当てたオフラインRLのための新しいベンチマークを提案する。 提案するベンチマークでは、状態ベースドメインと画像ベースドメインを対象とし、オフラインRLとオンライン微調整評価の両方をサポートしている。
  論文  参考訳（メタデータ） (2024-08-15T22:27:00Z)
• Spatio-temporal load shifting for truly clean computing [0.5857582826810999]
  本研究では、時間と場所の双方において、コンピュータジョブのシフトと関連する電力負荷の影響について検討する。 我々は,ロードブルティの情報利用に関連する3つの信号を分離した。 24/7 CFEのコストは1.29$pm$0.07 EUR/MWhに削減される。
  論文  参考訳（メタデータ） (2024-03-26T13:36:42Z)
• Sustainable AIGC Workload Scheduling of Geo-Distributed Data Centers: A Multi-Agent Reinforcement Learning Approach [48.18355658448509]
  生成的人工知能の最近の進歩は、機械学習トレーニングの需要が急増し、エネルギー消費の大幅な増加によるコスト負担と環境問題を引き起こしている。 地理的に分散したクラウドデータセンタ間でのトレーニングジョブのスケジューリングは、安価で低炭素エネルギーのコンピューティング能力の使用を最適化する機会を浮き彫りにする。 本研究では,実生活におけるワークロードパターン,エネルギー価格,炭素強度を組み込んだクラウドシステムと対話することで,マルチエージェント強化学習とアクタクリティカルな手法に基づく最適協調スケジューリング戦略の学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-17T02:12:30Z)
• Distributed Energy Management and Demand Response in Smart Grids: A Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
  本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。 特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
  論文  参考訳（メタデータ） (2022-11-29T01:18:58Z)
• Job Scheduling in Datacenters using Constraint Controlled RL [0.0]
  本研究では,グリーンデータセンター環境におけるジョブスケジューリング問題に対して,PID(Proportional-Integral-Derivative)ラグランジアン法を適用した。 実験では、PIDラグランジアン法を使わずにスケジューリングポリシーよりも性能が向上した。
  論文  参考訳（メタデータ） (2022-11-10T04:43:14Z)
• HUNTER: AI based Holistic Resource Management for Sustainable Cloud Computing [26.48962351761643]
  我々は,HUNTERと呼ばれる持続可能なクラウドコンピューティングのための人工知能(AI)に基づく総合的資源管理手法を提案する。 提案モデルでは,多目的スケジューリング問題として,データセンターのエネルギー効率を最適化する目標を定式化している。 シミュレーションおよび物理雲環境の実験により、HUNTERはエネルギー消費、SLA違反、スケジューリング時間、コスト、温度を最大12、35、43、54、3%で上回った。
  論文  参考訳（メタデータ） (2021-10-11T18:11:26Z)
• Deep Reinforcement Learning Based Multidimensional Resource Management for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
  エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。 本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
  論文  参考訳（メタデータ） (2021-09-17T08:55:48Z)
• Power Modeling for Effective Datacenter Planning and Compute Management [53.41102502425513]
  我々は,すべてのハードウェア構成とワークロードに適用可能な,正確でシンプルで解釈可能な統計パワーモデルの設計と検証の2つのクラスについて論じる。 提案された統計的モデリング手法は, 単純かつスケーラブルでありながら, 4つの特徴のみを用いて, 95% 以上の多様な配電ユニット (2000 以上) に対して, 5% 未満の絶対パーセンテージエラー (MAPE) で電力を予測できることを実証した。
  論文  参考訳（メタデータ） (2021-03-22T21:22:51Z)
• A robust modeling framework for energy analysis of data centers [0.0]
  データセンターはエネルギー集約型であり、電力需要が大きく成長している。 現在のモデルでは、データセンターに対して一貫した高次元エネルギー分析を提供していない。 本研究の目的は,政策立案者やデータセンタエネルギーアナリストに対して,データセンターエネルギーの利用状況と効率性に関する包括的理解を提供することである。
  論文  参考訳（メタデータ） (2020-06-11T21:05:20Z)
• Artificial Intelligence (AI)-Centric Management of Resources in Modern Distributed Computing Systems [22.550075095184514]
  Cloud Data Centres (DCS) は大規模で複雑で異種であり、複数のネットワークと地理的境界に分散している。 IoT(Internet of Things)駆動のアプリケーションは、リアルタイム処理と迅速な応答を必要とする膨大なデータを生成しています。 既存のリソース管理システム(RMS)は、そのような複合システムや動的システムには静的またはソリューションが不十分である。
  論文  参考訳（メタデータ） (2020-06-09T06:54:07Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。