Minimizing Energy Consumption in Data Centers Using \nEmbedded Sensors and Machine Learning
Notice bibliographique
Résumé
Cloud Data Centers (DCs) consume extensive amounts of energy, making a significant \ncontribution to environmental concerns. Moreover, with the emergence of 5G and future \nB5G networks, which are increasingly inclined towards software orientation and reliant \non cloud computing, there is an urgent requirement for optimizing the energy consumption \nof DCs. We address this issue by proposing an energy-aware Virtual Machine (VM) \nplacement solution for energy minimization. \nIn the first part of this study, we propose a highly accurate model for predicting the \ndynamic power consumption of cloud computing devices. Our proposal takes advantage \nof the various sensors that are now embedded in physical machines, or more generally in \ncloud server machines, as well as Performance Monitoring Counters (PMCs) to implement \na highly accurate Machine Learning (ML) power prediction model. The core part of this \nstudy then integrates the novel feature space of real-time sensors’ measurements and the \npredictive power model to propose a scalable placement algorithm, enabling proactive and \nenergy-aware Virtual Machine placements. In addition, it utilizes a new set of temperature-related \nfeatures that enables proactive hotspot avoidance. \nOur ML predictive models, as well as our proposed placement algorithm, were extensively \nevaluated on a cluster of real physical machines and demonstrated a significantly \nhigher performance as compared to the implemented reference models and algorithms, reducing \nenergy consumption by up to 7%, CPU temperature by 2%, and overloading by 28%.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».