The impact of time of use (ToU)-awareness in energy and opex performance of a cloud backbone
Notice bibliographique
Résumé
Cloud computing is becoming a leading edge business model by migrating the resources such as software, storage and platform to remote locations in the Internet cloud. Data centers, as the main hosts of these cloud services, receive massive amount of demands and transmit services towards Internet routers, consequently consuming enormous bandwidth in the downstream. Due to high computing power, as well as the cooling power, data centers contribute to a significant amount of the power consumption and the operational expenditures (Opex) of the data center operator. In the Internet backbone where the services are transported between the users and the data centers, IP routers make the dominating portion of the power consumption and Opex associated with the network operator. In this paper, we study the impacts of Time of Use (ToU)-awareness on the Opex and energy-efficiency of the cloud network by introducing a Mixed Integer Linear Programming (MILP)-based design scheme for the cloud backbone, which aims at minimizing the network and data center power consumption. Furthermore, the optimization scheme takes advantage of the varying ToU rates in different locations of the cloud network so that Opex is minimized for the network and data center operators. Numerical results approve that Opex savings through ToU-aware provisioning are at the expense of increased delay per demand. Furthermore, by the end of the day, power-minimized provisioning introduces more savings to the network operator as upstream data center demands are transported towards the data centers at the off-peak locations, which in return leads to higher utilization of network components in longer routes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».