Hochleistungsrechenzentren beschäftigen sich schon seit einigen Jahren mit Nachhaltigkeit. Ihre Systeme verbrauchen eine große Menge elektrischen Strom und eine Reduktion dieses Verbrauchs um nur einige Prozent für zu einer signifikanten Verringerung der laufenden Kosten. Laufende Forschung auf dem Gebiet der Energieoptimierung solcher Systeme sieht vielversprechend aus. Allerdings gibts es zu diesem Zeitpunkt wenige regressionsbasierte Modelle, die einen numerischen Wert für ein energie-optimales Stromlimit vorhersagen.
In dieser Arbeit werden zwei Modelle für maschinelles Lernen erstellt, um solche Werte bestimmen zu können. Diese Modelle sind ein Random Forest Regressionsmodell und ein neuronales Netz. Sie werden mit einem Datensatz trainiert, der Daten aus Prozessorcountern enthält. Die Modelle werden im Laufe der Arbeit optimiert, um optimale Stromlimits bestmöglich bestimmen zu können. Am Ende werden diese Modelle benutzt, um während der Laufzeit einer Applikation Stromlimits zu setzen.
Die Ergebnisse dieses Experiments zeigen erste Trends, wie gut solche Modelle Energy sparen können und wie ihre Auswirkungen auf die Performance des Systems sind. Ausführungen, deren Power durch das neuronale Netz gedeckelt wurden, konnten ungefähr 8% der Energie sparen und mussten dabei einen Leistungsverlust von nur 2% hinnehmen.
-----------------------------------------------------------------------------------------------------
Supercomputing centers are tackling sustainability for years. Their systems consume a huge amount of electrical power and reducing the consumption only by a couple of percents can have a significant impact on running costs. Currently, the research for energy optimization techniques is in progress and there are promising techniques. However, there is a lack of regression based models which predict the energy-optimal power cap.
In this work two machine learning models are created to predict these values. These models are a random forest regression and a neural network. They are trained using a created dataset which contains values taken from processor counters. The models are optimized during this work and finally used in an experiment to set power caps during a benchmark execution.
The experiment findings show a first trend of energy savings and performance loss for different power capping methods. Executions that use power caps predicted by the regression models are able to save energy. These saving are about 8% for a benchmark while the impact on performance is a loss of about 2%.
|