Consolidation of underutilized virtual machines to reduce total power usage
Notice bibliographique
Résumé
Data centers (DC) have become one of the biggest markets \nwith new challenges and opportunities in the past decade. \nMany big companies are owners of DCs providing services \nand cloud solutions. With this increasing demand and in- \nterest in cloud service, thousands of virtual machines (VM) \nare being instantiated to run a variety of services in a data \ncenter. Beside the benefit of service provisioning, a DC is a \nbig consumer of electric power and producer of greenhouse \ngasses consequently. Because the VMs are not using their \nassigned resources all the time, resources are multiplexed \nvia virtualization. However, current resource management \nmethods are oblivious to actual utilization or power con- \nsumption. Monitoring of servers in big data centers like \nGoogle and Twitter has shown that the current resource \nutilization is less than fifty percent in total. \nSpecifically, in this paper, we use OpenStack, a popu- \nlar cloud management software to orchestrate and manage \nVMs. In Open-Stack, the virtualization factor is a constant \nvalue oblivious to VM resource consumption. We design \nand implement two dynamic methods for adapting the vir- \ntualization factor based on the monitored VM resource con- \nsumption. In our first method, we identify VMs that are \nmostly idle, and we opportunistically migrate all idle VMs \nto one or more servers in such a way to keep the chance of \nperformance degradation to a minimum, while saving total \nresources. In our second, more general method, we model \nconsolidation of underutilized VMs as a knapsack problem. \nWe show that our methods save a significant amount of un- \nderutilized resources while minimizing performance degra- \ndation during and after dynamic reconfiguration.
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 | 0,001 | 0,001 |
| 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 ».