Autonoma verktyg för hög prestanda i datacenter

Autonoma verktyg för hög prestanda i datacenter 1

Abel Souza har utvecklat algoritmer och intelligenta mjukvaruverktyg för att förbättra prestandan för de stora datacenter som driver dagens internettjänster och vetenskapliga simuleringar. Han försvarar sin avhandling den 8 maj vid Umeå universitet.

Datacenter är en nyckelinfrastruktur för dagens Internet, med många molntjänster som används för arbete och fritidsaktiviteter, såsom Google, Netflix och Dropbox. Datacenter används även för storskalig dataanalys och simuleringar för vetenskapliga utmaningar, till exempel infektionssjukdomar, cancer och klimatförändring. Dessa infrastrukturer gör det möjligt att testa och utvärdera modeller inom vetenskap och teknik inom en rimlig tid.

För att förse oss med all denna datorkraft konsumerade världens datacenter ungefär två procent av all elektricitet 2018 och flera studier som uppskattar att siffran kommer att växa till tio procent fram till 2030. Från smarta sensorer som används i hushåll till stora turbiner i avlägsna områden, miljontals enheter är nu anslutna till datacenter i molnet. Under detta decennium kommer en total datamängd av en yottabyte (= 1 biljon terabyte) att behöva analyseras, men den tillgängliga kapaciteten i datacentren kommer att inte öka i samma takt som datamängden.

Dessa siffror visar att efterfrågan snart överträffar utbudet och väcker en allvarlig oro över datacenters effektivitet vilket kan resultera i en inbromsning av digitaliseringen av samhället, utan några enkla lösningar för att hantera så enorma mängder av data. För att hantera denna långsiktiga utveckling föreslår Abel Souzas i sin avhandling autonoma metoder i kombination med nya schemaläggningsstrategier för att förbättra datacenters effektivitet utan att kompromissa med prestanda och samtidigt kunna stödja ett brett spektrum av applikationer och scenarier.

Han har utvecklat programvaruarkitekturer och algoritmer baserade på förstärkningsinlärning som gör det möjligt att förbättra nyttjandegraden i datacenter utan att göra avkall på applikationers prestanda.

– Ett övergripande tema i min avhandling är omfattande experiment i verkliga datacenter. Mina resultat visar förbättringar i datacenters nyttjandegrad och prestanda och uppnår högre total effektivitet. De utvecklade metoderna förenklar också driftarbete och möjliggör införande av nya typer av applikationer som tidigare inte stöds, säger Abel Souza.

Att förstå de olika prestandaavvägningar och allokera datacenterresurser utifrån applikationer belastningsvariationer leder till operationella effektivitetsvinster eftersom det anpassar infrastrukturen efter applikationers behov, istället för tvärtom. Detta hjälper utvecklare att fokusera på det som är viktigast för dem, samtidigt som datacenteroperatörer kan hantera dessa komplexa infrastrukturer. Sammanfattningsvis garanterar en välavvägd allokering av resurser till applikationer infrastruktureffektivitet, minskade driftskostnader och snabbare tid till lösningar.

– Under min doktorandtid kunde jag erfara dessa utmaningar i verkligheten och diskutera dem med internationella forskare. Det var mycket viktigt för mitt arbete att det forskningslabb jag arbetar i – Autonomous Distributed Systems Lab – har många internationella kontakter med både industrin och akademin, säger Abel Souza.

Related Articles