論文の概要: WattScope: Non-intrusive Application-level Power Disaggregation in
Datacenters
- arxiv url: http://arxiv.org/abs/2309.12612v1
- Date: Fri, 22 Sep 2023 04:13:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-25 16:00:54.046756
- Title: WattScope: Non-intrusive Application-level Power Disaggregation in
Datacenters
- Title（参考訳）: WattScope: データセンターにおける非侵入的アプリケーションレベルの電力分散
- Authors: Xiaoding Guan, Noman Bashir, David Irwin, Prashant Shenoy
- Abstract要約: WattScopeは、個々のアプリケーションの消費電力を非侵襲的に推定するシステムである。
WattScopeは、ビルドパワーを分離するための機械学習ベースのテクニックを適応し、拡張する。
- 参考スコア（独自算出の注目度）: 0.6086160084025234
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Datacenter capacity is growing exponentially to satisfy the increasing demand
for emerging computationally-intensive applications, such as deep learning.
This trend has led to concerns over datacenters' increasing energy consumption
and carbon footprint. The basic prerequisite for optimizing a datacenter's
energy- and carbon-efficiency is accurately monitoring and attributing energy
consumption to specific users and applications. Since datacenter servers tend
to be multi-tenant, i.e., they host many applications, server- and rack-level
power monitoring alone does not provide insight into their resident
applications' energy usage and carbon emissions. At the same time, current
application-level energy monitoring and attribution techniques are intrusive:
they require privileged access to servers and require coordinated support in
hardware and software, which is not always possible in cloud. To address the
problem, we design WattScope, a system for non-intrusively estimating the power
consumption of individual applications using external measurements of a
server's aggregate power usage without requiring direct access to the server's
operating system or applications. Our key insight is that, based on an analysis
of production traces, the power characteristics of datacenter workloads, e.g.,
low variability, low magnitude, and high periodicity, are highly amenable to
disaggregation of a server's total power consumption into application-specific
values. WattScope adapts and extends a machine learning-based technique for
disaggregating building power and applies it to server- and rack-level power
meter measurements in data centers. We evaluate WattScope's accuracy on a
production workload and show that it yields high accuracy, e.g., often <10%
normalized mean absolute error, and is thus a potentially useful tool for
datacenters in externally monitoring application-level power usage.
- Abstract（参考訳）: データセンタのキャパシティは指数関数的に増加しており、ディープラーニングのような計算集約的なアプリケーションに対する需要の増加に応えている。
この傾向は、データセンターのエネルギー消費の増加と炭素フットプリントに関する懸念につながった。
データセンターのエネルギー効率とカーボン効率を最適化するための基本的な前提条件は、特定のユーザやアプリケーションに対するエネルギー消費量の正確な監視と帰属である。
データセンタサーバはマルチテナントである傾向があるため、サーバやラックレベルの電力監視だけでは、居住者のアプリケーションのエネルギー使用量や二酸化炭素排出量に関する洞察が得られない。
同時に、現在のアプリケーションレベルのエネルギーモニタリングと帰属技術は侵入的です。それらはサーバへの特権的なアクセスを必要とし、ハードウェアとソフトウェアで協調的なサポートを必要とします。
この問題に対処するために,サーバのオペレーティングシステムやアプリケーションに直接アクセスすることなく,サーバの集合電力使用量の外部測定を用いて,個々のアプリケーションの消費電力を非侵襲的に推定するシステムWattScopeを設計する。
私たちのキーとなる洞察は、運用トレースの分析に基づいて、低変数、低等級、高周期といったデータセンターのワークロードの電力特性は、サーバの総電力消費をアプリケーション固有の値に分解することができるということです。
wattscopeは、ビルディングパワーを分解する機械学習ベースの技術を採用して拡張し、データセンターのサーバーレベルおよびラックレベルの電力メータ計測に適用する。
例えば、10%の正規化平均絶対誤差を発生させるため、アプリケーションレベルの電力使用を外部から監視する上で、データセンタにとって潜在的に有用なツールである。
関連論文リスト
- A Robust Power Model Training Framework for Cloud Native Runtime Energy Metric Exporter [2.661555989363678]
現在のクラウド環境における電力消費量の推定は、グリーンコンピューティングに向けた炭素定量化に不可欠である。
本稿では,この目標に関する複数の課題について考察する。
最初の課題は、複数の顧客が同じハードウェアプラットフォームを共有していることだ。
第2の課題は、クラウドプラットフォームコントロールプレーンが引き起こす電力消費のオーバーヘッドである。
論文 参考訳（メタデータ） (2024-04-10T02:20:29Z) - A Reinforcement Learning Approach for Performance-aware Reduction in
Power Consumption of Data Center Compute Nodes [0.46040036610482665]
我々はReinforcement Learningを使用して、クラウド計算ノード上での電力供給ポリシーを設計する。
実ハードウェア上でトレーニングされたエージェントが、消費電力とアプリケーションパフォーマンスのバランスをとることで、どのように行動を起こすかを示す。
論文 参考訳（メタデータ） (2023-08-15T23:25:52Z) - Non-Intrusive Electric Load Monitoring Approach Based on Current Feature
Visualization for Smart Energy Management [51.89904044860731]
我々はAIのコンピュータビジョン技術を用いて、スマートエネルギー管理のための非侵襲的な負荷監視手法を設計する。
マルチスケールの特徴抽出とアテンション機構を備えたU字型ディープニューラルネットワークを用いて,色特徴画像からすべての電気負荷を認識することを提案する。
論文 参考訳（メタデータ） (2023-08-08T04:52:19Z) - Outsourcing Training without Uploading Data via Efficient Collaborative
Open-Source Sampling [49.87637449243698]
従来のアウトソーシングでは、デバイスデータをクラウドサーバにアップロードする必要がある。
我々は、公開および異種ソースから収集された膨大なデータセットである、広く利用可能なオープンソースデータを活用することを提案する。
我々は,オープンソースデータからクラウドトレーニングのためのプロキシデータセットを構築するための,ECOS(Efficient Collaborative Open-source Sampling)と呼ばれる新しい戦略を開発した。
論文 参考訳（メタデータ） (2022-10-23T00:12:18Z) - How Much More Data Do I Need? Estimating Requirements for Downstream
Tasks [99.44608160188905]
小さなトレーニングデータセットと学習アルゴリズムがあれば、ターゲットの検証やテストのパフォーマンスに到達するのに、どれくらいのデータが必要か?
データ要求を過大評価または過小評価すると、十分な予算で回避できる相当なコストが発生する。
本ガイドラインを用いることで,機械学習システムのデータ要求を正確に推定し,開発時間とデータ取得コストの双方で節約することができる。
論文 参考訳（メタデータ） (2022-07-04T21:16:05Z) - Measuring the Carbon Intensity of AI in Cloud Instances [91.28501520271972]
我々は,ソフトウェアの炭素強度を測定するための枠組みを提供し,運転中の炭素排出量を測定することを提案する。
私たちは、Microsoft Azureクラウドコンピューティングプラットフォームにおける排出削減のための一連のアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-10T17:04:04Z) - Treehouse: A Case For Carbon-Aware Datacenter Software [4.7521372297013365]
デナードのスケーリングの終わりとムーアの法則の減速は、データセンターのエネルギー利用を持続不可能な経路に押し上げた。
我々は、ソフトウェア中心のアプローチにより、データセンターコンピューティングの炭素強度を大幅に削減できると主張している。
論文 参考訳（メタデータ） (2022-01-06T16:00:53Z) - 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) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳（メタデータ） (2021-02-12T09:33:00Z) - Catch Me If You Can: Using Power Analysis to Identify HPC Activity [0.35534933448684125]
本稿では,HPCプラットフォームからの電力消費データを用いて,実行プログラムを特定する方法を示す。
我々はローレンス・バークレー国立研究所のHPCラックで、様々な科学的ベンチマークを用いてアプローチを検証した。
論文 参考訳（メタデータ） (2020-05-06T20:57:41Z)
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。