Por favor, use este identificador para citar o enlazar este ítem:
http://cicese.repositorioinstitucional.mx/jspui/handle/1007/1451| Asignación adaptativa de recursos con conciencia energética para cargas de trabajo heterogéneas en centros de datos de tres niveles Adaptive Energy-Aware Resource Allocation for heterogeneous workloads in three-tier Data Centers | |
| MANUEL COMBARRO SIMON | |
| ANDREY CHERNYKH | |
| Acceso Abierto | |
| Atribución | |
| Cómputo en la nube Calendarización consciente de la energía Calendarización consciente de la red Calendarización adaptativa Cloud computing Data center Energy-aware scheduling Adaptive scheduling Network-aware scheduling Centros de datos | |
| El consumo de energía representa un gran porcentaje de los gastos de operación de los centros de datos, los cuales son un componente fundamental en la infraestructura del cómputo en la nube. La mayoría de las soluciones propuestas para calendarización consciente de la energía se enfocan en la distribución y consolidación de los trabajos entre los servidores, sin considerar el estado de la red del centro de datos. Tampoco hay soluciones que de forma adaptativa decidan si es más conveniente consolidar los trabajos o balancear la red del centro de datos para evitar pérdidas en la calidad de servicio. En esta investigación, se proponen dos modelos de calendarización que son conscientes de la energía y del estado de la red, mediante el ajuste de sus parámetros se puede ahorrar energía, a través de la consolidación de los trabajos, o balancear la red mediante el balanceo de carga entre los servidores. La diferencia entre los modelos es que uno es estático y el otro es adaptativo, esté último ajusta automáticamente sus parámetros en dependencia del estado de la red del centro de datos. Los modelos consideran para la asignación de trabajos entre los servidores su utilización, la proporcionalidad de energía y la utilización de los caminos desde el servidor a la capa núcleo del centro de datos. Para la asignación de un trabajo se prefiere un servidor con alta utilización, buena proporcionalidad de energía y caminos con poca utilización entre el servidor y la capa núcleo. Evaluamos el modelo estático con 21 configuraciones frente a tres tipos de carga de trabajo: HPC (alto rendimiento computacional), DIW (transmisión intensiva de datos) y Balanceada (intermedio entre HPC y DIW); además se compara contra estrategias del estado del arte. El modelo adaptativo se compara contra las mejores configuraciones del modelo estático. Las comparaciones se realizan usando técnicas para comparar aproximaciones al frente de Pareto. El modelo estático supera a las estrategias seleccionadas del estado del arte y el modelo adaptativo, en promedio, da mejores resultados que las configuraciones seleccionadas del modelo estático. Energy consumption represents a large percentage of the operational expenses of data centers, which are used as backend computing infrastructure for cloud computing. Most of the existing solutions for energyaware scheduling are focused on jobs distribution and their consolidation on computing servers, while network characteristics are not considered. There are no solutions that switch, in an adaptive way, between energy-savings through job consolidation and traffic load balancing to avoid quality of service degradation. In this study, we propose energy and network aware scheduling models, which can be tuned to achieve energy-savings through job consolidation and traffic load balancing. The adaptive model automatically adjusts its parameters depending on the state of the data center network. The scheduling models consider the following metrics for task allocation: server utilization, its energy proportionality, and utilization of paths between the server and core layer of the datacenter. Servers with high utilization, good energy proportionality and paths with low utilization are preferred for the task allocation. Twenty-one configurations of the static model were evaluated and compared with state-of-art strategies, for three types of workloads: HPC (high performance computing), DIW (data intensive workload) and Balanced (inbetween HPC and DIW). The adaptive model was compared against the best configurations of the static model, using methods for comparison of approximations to the Pareto front. The static model outperforms selected state-of-the-art strategies and the adaptive model provides better results than the static model. | |
| CICESE | |
| 2017 | |
| Tesis de maestría | |
| Español | |
| Combarro Simón, M. 2017. Asignación adaptativa de recursos con conciencia energética para cargas de trabajo heterogéneas en centros de datos de tres niveles. Tesis de de Maestría en Ciencias. Centro de Investigación Científica y de Educación Superior de Ensenada, Baja California. 85 pp. | |
| HEURÍSTICA | |
| Aparece en las colecciones: | Tesis - Ciencias de la Computación |
Cargar archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| tesis_Combarro_Simón_Manuel_11_ago_2017.pdf | Versión completa de la tesis | 3.12 MB | Adobe PDF | Visualizar/Abrir |