論文の概要: MOSAIC: A Multi-Objective Optimization Framework for Sustainable
Datacenter Management
- arxiv url: http://arxiv.org/abs/2311.08583v1
- Date: Tue, 14 Nov 2023 23:05:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-16 17:50:38.588200
- Title: MOSAIC: A Multi-Objective Optimization Framework for Sustainable
Datacenter Management
- Title(参考訳): MOSAIC:持続可能なデータセンター管理のための多目的最適化フレームワーク
- Authors: Sirui Qi, Dejan Milojicic, Cullen Bash, Sudeep Pasricha
- Abstract要約: 持続可能なデータセンター管理のための新しいフレームワークを提案する。
我々は、再生可能エネルギー源、可変エネルギーコスト、電力利用効率、炭素要因、エネルギー中の水強度など、地理的および時間的要因を考慮に入れている。
我々のフレームワークは、最先端技術と比較して最大4.61倍の目的(炭素、水、コスト)で累積的な改善を実現している。
- 参考スコア(独自算出の注目度): 2.9699290794642366
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In recent years, cloud service providers have been building and hosting
datacenters across multiple geographical locations to provide robust services.
However, the geographical distribution of datacenters introduces growing
pressure to both local and global environments, particularly when it comes to
water usage and carbon emissions. Unfortunately, efforts to reduce the
environmental impact of such datacenters often lead to an increase in the cost
of datacenter operations. To co-optimize the energy cost, carbon emissions, and
water footprint of datacenter operation from a global perspective, we propose a
novel framework for multi-objective sustainable datacenter management (MOSAIC)
that integrates adaptive local search with a collaborative decomposition-based
evolutionary algorithm to intelligently manage geographical workload
distribution and datacenter operations. Our framework sustainably allocates
workloads to datacenters while taking into account multiple geography- and
time-based factors including renewable energy sources, variable energy costs,
power usage efficiency, carbon factors, and water intensity in energy. Our
experimental results show that, compared to the best-known prior work
frameworks, MOSAIC can achieve 27.45x speedup and 1.53x improvement in Pareto
Hypervolume while reducing the carbon footprint by up to 1.33x, water footprint
by up to 3.09x, and energy costs by up to 1.40x. In the simultaneous
three-objective co-optimization scenario, MOSAIC achieves a cumulative
improvement across all objectives (carbon, water, cost) of up to 4.61x compared
to the state-of-the-arts.
- Abstract(参考訳): 近年、クラウドサービスプロバイダは、堅牢なサービスを提供するために、複数の地理的な場所にまたがるデータセンタを構築し、ホストしている。
しかし、データセンターの地理的分布は、特に水利用や二酸化炭素排出量に関して、地域と地球環境の両方に圧力を増す。
残念ながら、そのようなデータセンターの環境への影響を減らそうとする努力は、しばしばデータセンター運用のコストを増大させる。
グローバルの観点からデータセンター運用のエネルギーコスト、二酸化炭素排出量、水フットプリントを最適化するために、適応型ローカルサーチと協調分解に基づく進化的アルゴリズムを統合し、地理的ワークロード分散とデータセンタ運用をインテリジェントに管理する、多目的持続型データセンター管理(mosaic)のための新しいフレームワークを提案する。
本フレームワークは, 再生可能エネルギー源, 可変エネルギーコスト, 電力利用効率, 炭素量, エネルギー中の水強度など, 複数の地理的および時間的要因を考慮しつつ, ワークロードをデータセンターに継続的に割り当てる。
実験の結果, 従来の作業フレームワークと比較して, MOSAICはPareto Hypervolumeの27.45倍, 1.53倍の高速化を実現し, 炭素フットプリントを最大1.33倍, 水フットプリントを最大3.09倍, エネルギーコストを最大1.40倍に削減できることがわかった。
三目的同時最適化のシナリオでは、MOSAICは最先端技術と比較して最大4.61倍の目標(炭素、水、コスト)の累積的な改善を実現している。
関連論文リスト
- SustainDC: Benchmarking for Sustainable Data Center Control [4.159959816797259]
データセンター(DC)のためのマルチエージェント強化学習(MARL)アルゴリズムをベンチマークするためのPython環境セットであるSustainDCを紹介する。
SustainDCは、ワークロードスケジューリング、冷却最適化、補助バッテリー管理などのカスタムDC構成とタスクをサポートする。
SustainDC上での各種MARLアルゴリズムの評価を行い, 各種DC設計, 位置, 気象条件, グリッドカーボン強度, 負荷負荷条件などを検討した。
論文 参考訳(メタデータ) (2024-08-14T22:43:52Z) - Efficient Federated Learning Using Dynamic Update and Adaptive Pruning with Momentum on Shared Server Data [59.6985168241067]
フェデレートラーニング(FL)は、低トレーニング効率と限られた計算資源の2つの重要な問題に遭遇する。
本稿では,サーバ上の共有不感データとエッジデバイスの分散データを活用するための新しいFLフレームワークであるFedDUMAPを提案する。
提案するFLモデルであるFedDUMAPは,従来の3つの手法を組み合わせることで,ベースラインアプローチと比較して性能が大幅に向上した。
論文 参考訳(メタデータ) (2024-08-11T02:59:11Z) - I've Got 99 Problems But FLOPS Ain't One [70.3084616806354]
私たちは、機械学習アプリケーションのための1000億ドルのデータセンターを構築するための公開計画から始まり、関連する研究方向を見つけるために、従来からあるアプローチを取っています。
データセンターのようなワークロードが持つものを見つけ、ネットワーク研究に焦点をあてて、その課題を探求します。
我々は、データセンターの構築とそのようなモデルの訓練は技術的に可能であると結論づけるが、これはDC間通信のための新しい広域トランスポート、マルチパストランスポート、および新しいデータセンタートポロジを必要とする。
論文 参考訳(メタデータ) (2024-07-01T10:33:46Z) - Game-Theoretic Deep Reinforcement Learning to Minimize Carbon Emissions and Energy Costs for AI Inference Workloads in Geo-Distributed Data Centers [3.3379026542599934]
この研究は、地理分散データセンターにおけるAI推論ワークロードの分散を最適化するために、ゲーム理論(GT)と深層強化学習(DRL)を組み合わせたユニークなアプローチを導入する。
提案手法は,非協調型ゲーム理論の原理をDRLフレームワークに統合し,データセンターが作業負荷配分に関するインテリジェントな決定を行えるようにする。
論文 参考訳(メタデータ) (2024-04-01T20:13:28Z) - 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) - Carbon Footprint Reduction for Sustainable Data Centers in Real-Time [2.794742330785396]
本稿では, 炭素フットプリント削減, エネルギー消費, エネルギーコストの目的のために, データセンターを最適化するための多エージェント強化学習(MARL)フレームワークを提案する。
その結果,DC-CFR MARLエージェントは実世界の動的気象条件やグリッド炭素強度条件下での様々な場所での冷却,負荷シフト,エネルギー貯蔵の最適化において,複雑な相互依存性を効果的に解決した。
論文 参考訳(メタデータ) (2024-03-21T02:59:56Z) - SHIELD: Sustainable Hybrid Evolutionary Learning Framework for Carbon,
Wastewater, and Energy-Aware Data Center Management [2.9699290794642366]
地理的分散データセンター(GDDC)は、環境に重大な影響を及ぼす。
本稿では,GDDCの二酸化炭素排出量,水排出量,エネルギーコストを最適化する新しい枠組みを提案する。
論文 参考訳(メタデータ) (2023-08-24T21:11:55Z) - 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) - 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) - 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 Framework for Energy and Carbon Footprint Analysis of Distributed and
Federated Edge Learning [48.63610479916003]
本稿では,分散学習政策の環境フットプリントに影響を与える要因を概説し,分析する。
バニラとコンセンサスによって駆動される分散FLポリシーの両方をモデル化する。
その結果、flは低ビット/ジュール効率を特徴とするワイヤレスシステムにおいて、顕著なエンドツーエンドの省エネ(30%-40%)が可能となった。
論文 参考訳(メタデータ) (2021-03-18T16:04:42Z)
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。