عنوان پایان‌نامه
بهینه سازی انرژی در مراکز داده
- رشته تحصیلی
- مهندسی کامپیوتر- آلگوریتم ها و محاسبات
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس یک فنی شماره ثبت: 45.;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 60316
- تاریخ دفاع
- ۱۳ شهریور ۱۳۹۲
- دانشجو
- محمد ایزدی
- چکیده
- امروزه مراکز داده تامین کننده اصلی زیرساخت های فن آوری اطلاعت می باشند، بطوریکه دامنه وسیعی از منابع خدمات فن آوری اطلاعات را شامل می شوند. بنابراین حجم وسیعی از انرژی الکتریکی در مراکز داده مصرف می شود. در سال های اخیر این مصرف بطور نمایی در حال افزایش بوده، چنانچه پیش بینی می شود در سال های آتی، یکی از دلایل اصلی کمبود منابع و انتشار گازهای گلخانه ای باشد. در این پایان نامه که شامل بر دو بخش اصلی می باشد، راهکارهایی در راستای بهینه سازی مصرف انرژی ارائه می نماییم. حدود 50 درصد انرژی در مراکز داده توسط سیستم خنک کننده مصرف می شود. بنابراین در بخش اول، روش کنترل بهینه ای برای سیستم خنک کننده به نام کنترل فعالانه معرفی نمودیم، که با تخمین دمای بعدی اتاق سرور، موجب کاهش مصرف انرژی می شود. به همین دلیل تمرکز ما در این بخش به ارائه روشی برای تخمین دمای بعدی اتاق سرور می باشد. در این راستا با مطالعه و شبیه سازی اتاق سرور بر پایه قوانین ترمودینامیک، مدلی برای تخمین دمای بعد ارائه نموده ایم. بعد از آن با استفاده از الگوریتم های یادگیری ماشین، روشی دیگری برای تخمین دمای بعدی ارائه شده و به مقایسه نتایج حاصل پرداختیم. در بخش دوم با رویکرد الگوریتمی به تخصیص منابع محاسباتی به بار ورودی و توزیع کردن بارکاری در مرکز داده پرداخته ایم. هدف اصلی طراحی چنین الگوریتمی رسیدن به تناسب انرژی یا به عبارت دیگر، مصرف توان الکتریکی متناسب با بار محاسباتی، در مرکز داده می باشد. بنابراین در این بخش مسئله بهینه سازی در مرکز داده تعریف شده و پس از آن با بررسی بهترین الگوریتم غیربرخط، الگوریتم برخطی با نام FBV برای حل مسئله بهینه سازی تعریف شده ارائه نمودیم. در انتها به ارزیابی نتایج آزمایشات پرداخته ایم که با توجه به ضریب عقب بینی موجود در الگوریتم پیشنهادی، به عملکردی نزدیک به الگوریتم غیر برخط بهینه رسیده ایم.
- Abstract
- Nowadays, data centers are the main provider of information technology infrastructures that include wide range of resources and services. As a consequence, data centers consume significant amount of electrical energy. So, it is very important to consider energy efficiency techniques in data centers. This thesis includes two main parts that suggest two different approaches of optimizing energy consumption in data centers. Latest related researches show that 50% of the energy is consumed in the cooling system of data centers. In the first part, we propose and evaluate an optimal method for proactive controlling of cooling systems. This approach highly relies on estimating future temperature of server’s room. So, in the first section, server’s room is modeled based on the thermodynamics rules to predict the next temperature of the room. Finally, by using a machine learning method, another approach for estimating of the next temperature is developed and then the results are compared. In the second part, an algorithmic approach is proposed to optimize resource allocation based on workload of data centers. The goal of this algorithm is to find the optimal number of active servers proportional to the input workload. For this purpose, a mathematical model for energy consumption optimization is used and an online algorithm, named FBV (Forward Back View), is presented to solve the optimization problem. Our results show that this algorithm is very close to the optimal solution compared to other state of the art algorithms.
