論文の概要: Generalizable Machine Learning Models for Predicting Data Center Server Power, Efficiency, and Throughput
- arxiv url: http://arxiv.org/abs/2503.06439v1
- Date: Sun, 09 Mar 2025 04:39:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-11 15:45:05.584026
- Title: Generalizable Machine Learning Models for Predicting Data Center Server Power, Efficiency, and Throughput
- Title（参考訳）: データセンターサーバの電力・効率・スループット予測のための一般化可能な機械学習モデル
- Authors: Nuoa Lei, Arman Shehabi, Jun Lu, Zhi Cao, Jonathan Koomey, Sarah Smith, Eric Masanet,
- Abstract要約: 本研究では,SPECPower_ssj2008データベースを用いた機械学習手法を用いて,ユーザフレンドリで汎用的なサーバモデリングを実現する。
結果として得られたモデルは精度が高く、エラーはテストデータセットで約10%以内に落ち、実用性と一般化性を示している。
- 参考スコア（独自算出の注目度）: 5.0170620956513465
- License:
- Abstract: In the rapidly evolving digital era, comprehending the intricate dynamics influencing server power consumption, efficiency, and performance is crucial for sustainable data center operations. However, existing models lack the ability to provide a detailed and reliable understanding of these intricate relationships. This study employs a machine learning-based approach, using the SPECPower_ssj2008 database, to facilitate user-friendly and generalizable server modeling. The resulting models demonstrate high accuracy, with errors falling within approximately 10% on the testing dataset, showcasing their practical utility and generalizability. Through meticulous analysis, predictive features related to hardware availability date, server workload level, and specifications are identified, providing insights into optimizing energy conservation, efficiency, and performance in server deployment and operation. By systematically measuring biases and uncertainties, the study underscores the need for caution when employing historical data for prospective server modeling, considering the dynamic nature of technology landscapes. Collectively, this work offers valuable insights into the sustainable deployment and operation of servers in data centers, paving the way for enhanced resource use efficiency and more environmentally conscious practices.
- Abstract（参考訳）: 急速に発展するデジタル時代において、サーバの電力消費、効率、性能に影響を与える複雑なダイナミクスを理解することは、持続可能なデータセンター運用にとって不可欠である。
しかし、既存のモデルには、これらの複雑な関係について詳細で信頼性の高い理解を提供する能力がない。
本研究では,SPECPower_ssj2008データベースを用いた機械学習手法を用いて,ユーザフレンドリで汎用的なサーバモデリングを実現する。
結果として得られたモデルは精度が高く、エラーはテストデータセットで約10%以内に落ち、実用性と一般化性を示している。
厳密な分析を通じて、ハードウェアの可用性日、サーバのワークロードレベル、仕様に関する予測的特徴を特定し、サーバのデプロイメントおよび運用におけるエネルギー保存、効率、パフォーマンスの最適化に関する洞察を提供する。
偏見と不確かさを体系的に測定することにより、技術景観の動的な性質を考慮し、予測されたサーバモデリングに歴史的データを使う際に注意が必要であることを明らかにする。
この研究は、データセンターにおけるサーバの持続可能なデプロイと運用に関する貴重な洞察を提供し、リソース使用効率の向上と環境に配慮したプラクティスの道を開く。
関連論文リスト
- Using Federated Machine Learning in Predictive Maintenance of Jet Engines [0.0]
本稿では,連合型機械学習フレームワークを用いて,タービンジェットエンジンの残留実用寿命(RUL)を予測することを目的とする。
このシステムは、RUL予測の精度を高めるために、エンジンデータの複雑な計算とパターンをキャプチャすることを目的としている。
論文 参考訳（メタデータ） (2025-02-07T20:41:36Z) - From Machine Learning to Machine Unlearning: Complying with GDPR's Right to be Forgotten while Maintaining Business Value of Predictive Models [9.380866972744633]
この研究は、Ensemble-based iTerative Information Distillation (ETID)と呼ばれる、総合的な機械学習から学習へのフレームワークを開発する。
ETIDには、データ消去要求の処理を容易にする正確な予測モデルを構築するための、新しいアンサンブル学習手法が組み込まれている。
また, 効率的かつ効率的なデータ消去を実現するために, 構築されたアンサンブルモデルに適した, 蒸留に基づく未学習手法を提案する。
論文 参考訳（メタデータ） (2024-11-26T05:42:46Z) - Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。
ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。
新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
論文 参考訳（メタデータ） (2023-08-27T03:55:28Z) - Bringing AI to the edge: A formal M&S specification to deploy effective
IoT architectures [0.0]
モノのインターネットは私たちの社会を変え、生活の質と資源管理を改善する新しいサービスを提供しています。
これらのアプリケーションは、限られたコンピューティングリソースとパワーを持つ、複数の分散デバイスのユビキタスネットワークに基づいている。
フォグコンピューティングのような新しいアーキテクチャが登場し、コンピューティング基盤をデータソースに近づけている。
論文 参考訳（メタデータ） (2023-05-11T21:29:58Z) - On Efficient Training of Large-Scale Deep Learning Models: A Literature
Review [90.87691246153612]
ディープラーニングの分野は特にコンピュータビジョン(CV)、自然言語処理(NLP)、音声などにおいて大きな進歩を遂げている。
大量のデータに基づいてトレーニングされた大規模なモデルを使用することは、実用的なアプリケーションにとって大きな可能性を秘めている。
計算能力の需要が増大する中で、ディープラーニングモデルの訓練の加速技術に関する包括的な要約が期待されている。
論文 参考訳（メタデータ） (2023-04-07T11:13:23Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - FedDUAP: Federated Learning with Dynamic Update and Adaptive Pruning
Using Shared Data on the Server [64.94942635929284]
フェデレーテッド・ラーニング(FL)は2つの重要な課題、すなわち限られた計算資源と訓練効率の低下に悩まされている。
本稿では,サーバ上の不感なデータとエッジデバイスの分散データを利用する新しいFLフレームワークであるFedDUAPを提案する。
提案するFLモデルであるFedDUAPは,2つの元の手法を統合することで,精度(最大4.8%),効率(最大2.8倍),計算コスト(最大61.9%)において,ベースラインアプローチを著しく上回っている。
論文 参考訳（メタデータ） (2022-04-25T10:00:00Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳（メタデータ） (2021-12-22T14:45:37Z) - Characterization and Prediction of Deep Learning Workloads in
Large-Scale GPU Datacenters [30.952491139350908]
本稿では,Deep Learningジョブの特徴と資源管理に関する総合的研究について述べる。
本稿では,歴史データに基づく資源管理を行う汎用フレームワークを提案する。
ケーススタディでは、クラスタ全体の平均ジョブ完了時間を最大6.5倍に抑えるQuasi-Shortest-Service-Firstスケジューリングサービスと、クラスタ全体の使用率を最大13%改善するCluster Energy Savingサービスを設計する。
論文 参考訳（メタデータ） (2021-09-03T05:02:52Z) - 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)
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。