Machine Learning-based Energy Aware Placement of Container \nover Virtual Machines
Notice bibliographique
Résumé
The advent of 5G and the imminent arrival of Beyond 5G (B5G) have significantly increased demands on service providers. This exponential growth poses a challenge for 5G networks, since clients are currently offloading data to edge cloud servers to meet the connectivity and latency requirements. These servers must continually scale to meet increasing demands for CPU, memory, and storage, leading to significant energy consumption. Data centers account for 1.5% of global energy consumption and produce equally high greenhouse gas emissions. This trend will grow unless we find ways to improve efficiency. Our work proposes a solution to these problems with an efficient placement algorithm backed by an accurate energy predictive model. This model helps by pre-emptively detecting the energy each machine will consume when future tasks are deployed. These predictive \ncapabilities help the placement and reduce overall energy consumption. Our model uses Performance Monitoring Counters and various sensors, such as heat and fan speed, commonly found on Data Center machines, to increase its feature space and accuracy. Our work \nincludes creating the model and integrating it with the energy-aware placement algorithm. Additionally, our method increased the performance and overall Quality of Service. Our results show that our machine learning model, particularly using XGBoost, can reduce energy consumption and improve task completion times in realistic scenarios. Our experiments, tested on real servers with realistic loads, achieved good results without using stresses like stress-ng that generate unrealistic loads. Our model achieved an R2 score of 91.2%, helping reduce energy consumption by 6% without changes to the cluster or the \nneed for consolidation.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».