DSpace DSpace UPC
 Català   Castellano   English  

E-prints UPC >
Altres >
Enviament des de DRAC >

Empreu aquest identificador per citar o enllaçar aquest ítem: http://hdl.handle.net/2117/7182

Arxiu Descripció MidaFormat
eenergy10.pdfArticle Principal398,65 kBAdobe PDFThumbnail
Veure/Obrir

Citació: Berral, J. [et al.]. Towards energy-aware scheduling in data centers using machine learning. A: . "1st International Conference on Energy-Efficient Computing and Networking". 2010, p. 215-224.
Títol: Towards energy-aware scheduling in data centers using machine learning
Autor: Berral García, Josep Lluís Veure Producció científica UPC; Goiri Presa, Íñigo Veure Producció científica UPC; Nou Castell, Ramon Veure Producció científica UPC; Julià, Ferran; Guitart Fernández, Jordi Veure Producció científica UPC; Gavaldà Mestre, Ricard Veure Producció científica UPC; Torres Viñals, Jordi Veure Producció científica UPC
Data: 15-abr-2010
Tipus de document: Conference report
Resum: As energy-related costs have become a major economical factor for IT infrastructures and data-centers, companies and the research community are being challenged to nd better and more efficient power-aware resource management strategies. There is a growing interest in "Green" IT and there is still a big gap in this area to be covered. In order to obtain an energy-efficient data center, we propose a framework that provides an intelligent consolidation methodology using di erent techniques such as turning on/o ff machines, power-aware consolidation algorithms, and machine learning techniques to deal with uncertain information while maximizing performance. For the machine learning approach, we use models learned from previous system behaviors in order to predict power consumption levels, CPU loads, and SLA timings, and improve scheduling decisions. Our framework is vertical, because it considers from watt consumption to workload features, and cross-disciplinary, as it uses a wide variety of techniques. We evaluate these techniques with a framework that covers the whole control cycle of a real scenario, using a simulation with representative heterogeneous workloads, and we measure the quality of the results according to a set of metrics focused toward our goals, besides traditional policies. The results obtained indicate that our approach is close to the optimal placement and behaves better when the level of uncertainty increases.
URI: http://hdl.handle.net/2117/7182
Apareix a les col·leccions:LARCA - Laboratori d'Algorísmia Relacional, Complexitat i Aprenentatge. Ponències/Comunicacions de congressos
CAP - Grup de Computació d´Altes Prestacions. Ponències/Comunicacions de congressos
Departament d'Arquitectura de Computadors. Ponències/Comunicacions de congressos
Departament de Ciències de la Computació. Ponències/Comunicacions de congressos
Altres. Enviament des de DRAC
Comparteix:


Stats Mostra les estadístiques d'aquest ítem

SFX Query

Aquest ítem (excepte textos i imatges no creats per l'autor) està subjecte a una llicència de Creative Commons Llicència Creative Commons
Creative Commons

 

Valid XHTML 1.0! Programari DSpace Copyright © 2002-2004 MIT and Hewlett-Packard Comentaris
Universitat Politècnica de Catalunya. Servei de Biblioteques, Publicacions i Arxius