EnLoB: Energy and Load Balancing-Driven Container Placement Strategy for Data Centers
Notice bibliographique
Résumé
Cloud data centers (DCs) can be aptly regarded as the epicenter of today's business and economy; which support seamless data processing, analysis, and storage. However, various studies advocate that the existing DCs are often underutilized. To be precise, almost 30% of the installed DCs in the United States are comatose. In addition to this, the existing DC architecture leads to extensive energy utilization, which severely hampers the environment and places a severe risk on the power sector. Thus, it is highly essential to reduce DC's energy utilization through efficient resource consolidation approaches. In this work, we investigate the joint impact of resource consolidation and load balancing on cutting down the energy utilization indices of the cloud DCs. In this vein, we formulate a multi-objective optimization problem (MOOP) for container placement across heterogeneous infrastructure, primarily with the intent to minimize the overall energy consumption and balance the load amongst the operating hosts. However, due to the hardness of the underlying problem and its infeasibility to furnish optimal solutions in polynomial time, we designed an online solution based on the incremental exploration of the solution space to map containers on the available array of hosts such that the objectives mentioned above can be attained. Finally, we evaluated the performance of the proposed algorithm in contrast to an existing algorithm on real-time workload traces obtained from PlanetLab. The obtained results confirm the superior performance of the proposed algorithm relative state-of-the-art.
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 ».