基于遗传算法的数据中心能效仿真

随着数据中心数量和规模的不断扩大,能耗已经成为制约数据中心成本和可靠性的关键问题。而且,随着数据中心投入运营后的硬件迭代更新,数据中心服务器的异构性进一步加大,其能效也同设计建设之初相比有较大的变化。因此,根据数据中心服务器的构成和硬件配置,对整个数据中心进行动态能效仿真与分析,有助于实时掌握数据中心的能效现状,进行能效感知的负载调度,并提供能效优化的可能性。首先基于企业级服务器的SPECpower测试结果,对近年来服务器的能效发展趋势和影响因素进行了分析;然后基于遗传算法对数据中心的能效优化进行仿真,并设计了一个数据中心的能效仿真器原型系统。该仿真器可以根据供电限额、负载情况和吞吐量指标等动态仿真和调整数据中心服务器的运行状态,并对不同规模和不同服务器类型的数据中心能效进行仿真。所提出的基于遗传算法的数据中心能效仿真算法在能量最小化问题上得到了较小的误差和较短的仿真计算时间。     

混合部署数据中心失效负载分析

数据中心工作负载混合部署在显著提升云数据中心的资源利用率的同时,也增加了调度的复杂性和作业的失效率.以阿里云发布的数据中心日志数据集cluster-trace-v2018为例,从离线批处理工作负载角度出发,详细地分析了不同类型工作负载在成功率和资源利用上的特征.主要发现如下:1)少量类型作业的失效会影响集群整体作业成功率并造成集群资源的浪费;2)伏羲分布式调度系统在任务故障切换执行时间上满足高斯分布,在任务调度延迟方面满足齐夫分布;3)通过分析失败实例在集群节点上的分布,发现集群作业发生失败在空间上具有随机性,且失败的实例很容易再次发生失败,而在时间上集群整体失败率则存在不平衡性;4)以任务实例的失效为基准,计算了集群节点的平均无故障时间,大部分节点的平均无故障时间在1000 s左右,小部分节点的任务实例失效率低,其平均无故障时间可达10000 s以上.