Eficiencia Energética Más Allá Del PUE: Explotando el Conocimiento de la Aplicación y los Recursos
Descargar como PPTX, PDF0 recomendaciones475 vistas
El documento presenta un enfoque integral para mejorar la eficiencia energética en centros de datos, destacando la necesidad de optimización en la planificación y gestión de recursos. Se enfatiza el impacto del consumo energético de los data centers, que representa una parte significativa de la producción energética mundial, y se proponen estrategias como la virtualización y la mejora de la refrigeración. A través de la utilización de técnicas de optimización proactivas y la gestión de la heterogeneidad de los recursos, se busca reducir el consumo total de energía.
Eficiencia Energética Más Allá Del PUE: Explotando el Conocimiento de la Aplicación y los Recursos
- 1. CAMPUS OF INTERNATIONAL EXCELLENCE “Ingeniamos el futuro” Eficiencia Energética más allá del PUE: Explotando el Conocimiento de la Aplicación y los Recursos José M. Moya <jm.moya@upm.es> Laboratorio de Sistemas Integrados José M.Moya | Madrid (Spain), June 12, 2012 1
- 2. CAMPUS OF INTERNATIONAL EXCELLENCE Contenido “Ingeniamos el futuro” • Motivación • Nuestro enfoque – Planificación y gestión de recursos – Optimización de máquinas virtuales – Gestión de modos de bajo consumo – Diseño de procesadores • Conclusiones José M.Moya | Madrid (Spain), June 12, 2012 2
- 3. CAMPUS OF INTERNATIONAL EXCELLENCE Motivación “Ingeniamos el futuro” • Consumo energético en data centers – 1.3% de la producción energética mundial en 2010 – USA: 80 mill MWh/año en 2011 = 1,5 x NYC – 1 datacenter = 25 000 casas • Más de 43 Millones de Toneladas de CO2 / año (2% mundial) • Más agua que la industria del papel, automóvil, petróleo, madera o plástico Jonathan Koomey. 2011. Growth in Data center electricity use 2005 to 2010 José M.Moya | Madrid (Spain), June 12, 2012 3
- 4. CAMPUS OF INTERNATIONAL EXCELLENCE Motivación “Ingeniamos el futuro” 35000 World server installed base 30000 • Se espera que la electricidad 25000 (thousands) 20000 High-end servers total utilizada por los data 15000 Mid-range servers 10000 centers en 2015 exceda los 5000 Volume servers 400 GWh/año. 0 2000 2005 2010 • El consumo de energía de la 5,75 Millones de servidores nuevos / año refrigeración continuará 10% de servidores sin utilizar (CO2 de 6,5 teniendo una importancia millones de coches) similar o superior al consumo 300 de la computación 250 Infrastructure (billion kWh/year) Electricity use 200 Communications • La optimización energética 150 Storage de los data centers del futuro 100 High-end servers 50 Mid-range servers requerirá un enfoque global 0 Volume servers y multi-disciplinar. 2000 2005 2010 José M.Moya | Madrid (Spain), June 12, 2012 4
- 5. CAMPUS OF Problemas de fiabilidad INTERNATIONAL EXCELLENCE que dependen de la temperatura “Ingeniamos el futuro” ✔ Electromigration (EM) ✖ Time-dependent dielectric- breakdown (TDDB) Stress migration (SM) ✖ ✖ Thermal cycling (TC) José M.Moya | Madrid (Spain), June 12, 2012 5
- 6. CAMPUS OF Refrigeración de un data center INTERNATIONAL EXCELLENCE “Ingeniamos el futuro” José M.Moya | Madrid (Spain), June 12, 2012 6
- 7. CAMPUS OF INTERNATIONAL EXCELLENCE Mejoras en servidores “Ingeniamos el futuro” • Virtualización - 27% • Servidores conforme a Energy Star = 6.500 • Mejor planificación de capacidad 2.500 José M.Moya | Madrid (Spain), June 12, 2012 7
- 8. CAMPUS OF INTERNATIONAL EXCELLENCE Mejoras en refrigeración “Ingeniamos el futuro” • Mejoras en gestión de flujos de aire y rangos de temperatura ligeramente más amplios Reducción del consumo hasta un 25% 25.000 Recuperación de la inversión en solo 2 años José M.Moya | Madrid (Spain), June 12, 2012 8
- 9. CAMPUS OF INTERNATIONAL Mejoras en infraestructura EXCELLENCE “Ingeniamos el futuro” CA CC – 20% reducción de pérdidas de conversión – 47 millones de dólares de gastos inmobiliarios por data center – Mayor eficiencia, ahorro de energía suficiente para cargar un iPad durante 70 millones de años José M.Moya | Madrid (Spain), June 12, 2012 9
- 10. CAMPUS OF Mejores prácticas de eficiencia energética INTERNATIONAL EXCELLENCE “Ingeniamos el futuro” José M.Moya | Madrid (Spain), June 12, 2012 10
- 11. CAMPUS OF PUE Power Usage Effectiveness INTERNATIONAL EXCELLENCE “Ingeniamos el futuro” • Estado del arte: PUE ≈ 1,2 – La parte importante es el consumo de computación – El trabajo en eficiencia energética en DC está centrado en la reducción del PUE – Reducir PIT no reduce el PUE, pero se nota en la factura de la luz • ¿Cómo se puede reducir PIT ? José M.Moya | Madrid (Spain), June 12, 2012 11
- 12. CAMPUS OF Ahorro energético según el nivel de abstracción INTERNATIONAL EXCELLENCE “Ingeniamos el futuro” José M.Moya | Madrid (Spain), June 12, 2012 12
- 13. CAMPUS OF INTERNATIONAL EXCELLENCE Nuestro enfoque “Ingeniamos el futuro” • Estrategia global para permitir la utilización de múltiples fuentes de información y para coordinar las decisiones con el fin de reducir el consumo total • Utilización del conocimiento de las características de demanda energética de las aplicaciones y las características de los recursos de computación y refrigeración para aplicar técnicas proactivas de optimización José M.Moya | Madrid (Spain), June 12, 2012 13
- 14. CAMPUS OF INTERNATIONAL EXCELLENCE Enfoque holístico “Ingeniamos el futuro” Chip Server Rack Room Multi- room Sched & alloc 2 1 app OS/middleware Compiler/VM 3 3 architecture 4 4 technology 5 José M.Moya | Madrid (Spain), June 12, 2012 14
- 15. CAMPUS OF 1. Gestión de recursos INTERNATIONAL EXCELLENCE en la sala “Ingeniamos el futuro” Chip Server Rack Room Multi- room Sched & alloc 2 1 app OS/middleware Compiler/VM 3 3 architecture 4 4 technology 5 José M.Moya | Madrid (Spain), June 12, 2012 15
- 16. CAMPUS OF INTERNATIONAL Aprovechando la heterogeneidad CCGrid 2012 EXCELLENCE “Ingeniamos el futuro” • Utilización de la heterogeneidad para minimizar el consumo energético desde un punto de vista estático/dinámico – Estático: Encontrar el mejor set-up del datacenter, dado un número heterogéneo de máquinas – Dinámico: Optimización de la asignación de tareas en el Resource Manager • Demostramos que la mejor solución se encuentra en un datacenter heterogéneo – Muchos datacenters son heterogéneos (diversas generaciones de máquinas) M. Zapater, J.M. Moya, J.L. Ayala. Leveraging Heterogeneity for Energy Minimization in Data Centers, CCGrid 2012 José M.Moya | Madrid (Spain), June 12, 2012 16
- 17. CAMPUS OF INTERNATIONAL EXCELLENCE Escenario actual “Ingeniamos el futuro” Scheduler Resource WORKLOAD Manager Execution José M.Moya | Madrid (Spain), June 12, 2012 17
- 18. CAMPUS OF Potencial de mejora con mejores prácticas INTERNATIONAL EXCELLENCE “Ingeniamos el futuro” Total power (computing and cooling) for various scheduling approaches 1400 max computing power, worst thermal placement min computing power, worst thermal placemenit optimal computing+cooling 1200 optimal computing+cooling, shut off idles optimal computing+cooling, shut off idles, no recirculation 1000 Power (KW) savings by minimizing computing power savings by minimizing the recirculation’s effect 800 savings by turning off idle machines unaddressed heat recirculation cost 600 basic (unavoidable) cost 400 200 0 0 20 40 60 80 100 job size relative to data center capacity (%) José operation cost (in kilowatts) for various “savings Fig. 3. Data center M.Moya | Madrid (Spain), June 12, 2012 18
- 19. energy consume energy consume 20 Planificación y asignación de recursos 100 15 CAMPUS OF consciente de la refrigeración 10 INTERNATIONAL 50 EXCELLENCE 5 0 iMPACT Lab (Arizona State U) 0 “Ingeniamos el futuro” FCFS-FF FCFS-LRH EDF-LRH FCFS-Xint SCINT FCFS-FF FCFS-LRH EDF-LRH FCFS-Xint SCINT (a) (b) Energy consumption, Scenario (b) 120 jobs, 16039 core-hours, idle servers on Energy consumption, Scenario (b) 120 jobs, 16039 core-hours, idle servers off 40 Energy consumption, Scenario (a) 40 jobs, 25014 core-hours, idle servers off Energy consumption, Scenario (a) 40 jobs, 25014 core-hours,energy cooling idle servers on cooling energy computing energy computing energy 40 cooling energy 300 Throughput 0.580 jobs/hr 0.580 jobs/hr 0.349 jobs/hr 0.580 cooling energy jobs/hr 0.254 jobs/hr 35 computing energy 200 Turnaround time 8.98 hr computing energy 8.98 hr 12.17 hr 8.98 hr 48.49 hr Throughput 0.580 jobs/hr 0.580 jobs/hr 0.349 jobs/hr 0.580 jobs/hr 0.427 jobs/hr Alg. runtime 170 ms 186 ms 397 ms 40.8 min 88.6 min 35 250 Energy savings 0.197 jobs/hr Throughput 0% 0.197 jobs/hr 1.7% 0.172 jobs/hr 4.1% 0.197 jobs/hr 3.6% 0.163 jobs/hr 4.7% 30 Turnaround time Throughput 8.98 hr 0.197 jobs/hr 8.98 hr 0.197 jobs/hr 12.17 hr 0.172 jobs/hr 8.98 hr 0.197 jobs/hr 17.75 hr 0.163 jobs/hr Alg. runtime 171 ms 186 ms 397 ms 42 min 100 min energy consumed (GJ) (GJ) energy consumed (GJ) (GJ) Turnaround time 18.41 hr 18.41 hr 20.75 hr 18.41 hr 51.75 hr Turnaround time 18.41 hr 18.41 hr 20.75 hr 18.41 hr 38.02 hr Alg. runtime 3.4 ms 6.9 ms 213 ms 23 min 40 min 30 Energy savings 0% 4.0% 14.6% 14.2% 15.1% 25 Alg. runtime 3.4 ms 6.9 ms 213 ms 23 min 43 min energy consumed energy consumed 150 200 Energy savings 0% 6.2% 8.6% 8.7% 10.2% Energy savings 0% 11.8% 54.7% 21.8% 60.5% 25 20 150 20 100 15 100 15 10 50 50 10 5 5 0 0 FCFS-FF FCFS-LRH EDF-LRH FCFS-Xint SCINT FCFS-FF FCFS-LRH EDF-LRH FCFS-Xint SCINT 0 0 FCFS-FF (c) FCFS-LRH EDF-LRH FCFS-Xint SCINT FCFS-FF (d) FCFS-LRH EDF-LRH FCFS-Xint SCINT Energy consumption, Scenario (c)(a) jobs, 45817 core-hours, idle servers on 174 Energy consumption, Scenario (c)(b) jobs, 45817 core-hours, idle servers off 174 Energy consumption, Scenario (b) 120 jobs, 16039 core-hours, idle servers on cooling energy Energy consumption, Scenario (b) 120 jobs, 16039 core-hours, idle servers off cooling energy computing energy computing energy 450 cooling energy 40 cooling energy Throughput 0.892 jobs/hr 0.892 jobs/hr 0.861 jobs/hr 0.892 jobs/hr energy computing 0.561 jobs/hr 100 Throughput computing 0.892 jobs/hr 0.892 jobs/hr 0.861 jobs/hr 0.892 jobs/hr energy 0.590 jobs/hr 400 Turnaround time 9.99 hr 9.99 hr 13.39 hr 9.99 hr 61.49 hr 300 Turnaround time 9.99 hrjobs/hr 9.99 hrjobs/hr 13.39 hr Throughput 0.580 0.580 9.99 hr 65.38 hr 0.349 jobs/hr 0.580 jobs/hr 0.254 jobs/hr 35 Alg. runtime 173 ms 191 ms 346 ms 21 min 147 min Alg. runtime time 173 ms Turnaround 8.98 hr 196 ms 8.98 hr 346 ms 12.17 hr 20 min 8.98 hr 142 min 48.49 hr Energy savings 0.0% 7.5% 17.3% 25.7% 41.4% 350 Throughput 0.580 jobs/hr 0.580 jobs/hr 0.349 jobs/hr 0.580 jobs/hr 0.427 jobs/hr energy consumed (GJ) (GJ) energy consumed (GJ) (GJ) Energy savings 170 ms Alg. runtime 0% 2.5% 186 ms 5.9% 397 ms 9.4% 40.8 min 12.5% 88.6 min 80 250 Energy savings 0% 1.7% 4.1% 3.6% 4.7% 30 Turnaround time 8.98 hr 8.98 hr 12.17 hr 8.98 hr 17.75 hr 300 Alg. runtime 171 ms 186 ms 397 ms 42 min 100 min energy consumed energy consumed Energy savings 0% 4.0% 14.6% 14.2% 15.1% 25 250 200 60 200 20 150 40 150 15 100 100 20 10 50 50 5 0 0 FCFS-FF FCFS-LRH EDF-LRH FCFS-Xint SCINT FCFS-FF FCFS-LRH EDF-LRH FCFS-Xint SCINT 0 0 FCFS-FF (e) FCFS-LRH EDF-LRH FCFS-Xint SCINT FCFS-FF (f) FCFS-LRH EDF-LRH FCFS-Xint SCINT (c) (d) Fig. 8. Energy comparison of the simulated schemes for the three scenarios. The plots correspond in respective positions to the plots of Figure 7. Energy consumption, Scenario (c) 174 jobs, 45817 core-hours, idle servers on Energy consumption, Scenario (c) 174 jobs, 45817 core-hours, idle servers off José M.Moya | cooling energy (Spain), June 12, 2012 Madrid 19 cooling energy policy used in the data center, which enables energy execution as soon as they arrive if the queue is empty and the data 450 computing job computing energy Throughput 0.892 jobs/hr 0.892 jobs/hr 0.861 jobs/hr 0.892 jobs/hr 0.561 jobs/hr 100 Throughput 0.892 jobs/hr 0.892 jobs/hr 0.861 jobs/hr 0.892 jobs/hr 0.590 jobs/hr 400
- 20. CAMPUS OF Planificación y asignación de INTERNATIONAL EXCELLENCE recursos consciente de la aplicación LSI-UPM “Ingeniamos el futuro” Resource WORKLOAD Manager (SLURM) Execution Profiling and Energy Classification Optimization José M.Moya | Madrid (Spain), June 12, 2012 20
- 21. CAMPUS OF Planificación y asignación de INTERNATIONAL EXCELLENCE recursos consciente de la aplicación Escenario “Ingeniamos el futuro” • Workload: – 12 tareas del benchmark SpecCPU 2006 – Workload aleatorio de 2000 tareas, dividido en job sets – Tiempo de llegada aleatorio entre job sets • Servidores: José M.Moya | Madrid (Spain), June 12, 2012 21
- 22. CAMPUS OF Planificación y asignación de INTERNATIONAL EXCELLENCE recursos consciente de la aplicación Profiling de energía “Ingeniamos el futuro” Resource WORKLOAD Manager (SLURM) Execution Profiling and Energy Classification Optimization Energy profiling José M.Moya | Madrid (Spain), June 12, 2012 22
- 23. CAMPUS OF Caracterización de la carga de trabajo INTERNATIONAL EXCELLENCE “Ingeniamos el futuro” José M.Moya | Madrid (Spain), June 12, 2012 23
- 24. CAMPUS OF INTERNATIONAL Trabajo realizado Optimizaciones EXCELLENCE “Ingeniamos el futuro” Resource WORKLOAD Manager (SLURM) Execution Profiling and Energy Classification Optimization Energy Minimization: • Minimization subjected to constraints • MILP problem (solved with CPLEX) • Static and Dynamic José M.Moya | Madrid (Spain), June 12, 2012 24
- 25. CAMPUS OF Planificación y asignación de INTERNATIONAL EXCELLENCE recursos consciente de la aplicación “Ingeniamos el futuro” Optimización estática • Definición del datacenter óptimo – Dado un pool de 100 máquinas de cada – 1 job set del workload – El optimizador escoge los mejores servidores – Constraints de presupuesto y espacio Mejor solución: • 40 Sparc • 27 AMD Ahorros: • 5 a 22% en energía • 30% tiempo José M.Moya | Madrid (Spain), June 12, 2012 25
- 26. CAMPUS OF Planificación y asignación de INTERNATIONAL EXCELLENCE recursos consciente de la aplicación “Ingeniamos el futuro” Optimización dinámica • Asignación óptima del workload – Uso del workload completo (2000 tareas) – El algoritmo encuentra una buena asignación (no la mejor) en términos de energía – Ejecución del algoritmo en runtime Ahorros del 24% al 47% en energía José M.Moya | Madrid (Spain), June 12, 2012 26
- 27. CAMPUS OF Planificación y asignación de INTERNATIONAL EXCELLENCE recursos consciente de la aplicación “Ingeniamos el futuro” Conclusiones • Primera prueba de concepto en cuanto a ahorros energéticos gracias a heterogeneidad • Solución automática • La solución automática de procesadores ofrece notables ahorros energéticos. • La solución puede ser fácilmente implementable en un entorno real – Uso del Resource Manager SLURM – Workloads y servidores más realistas José M.Moya | Madrid (Spain), June 12, 2012 27
- 28. CAMPUS OF 2. Gestión de recursos INTERNATIONAL EXCELLENCE en el servidor “Ingeniamos el futuro” Chip Server Rack Room Multi- room Sched & alloc 2 1 app OS/middleware Compiler/VM 3 3 architecture 4 4 technology 5 José M.Moya | Madrid (Spain), June 12, 2012 28
- 29. CAMPUS OF Políticas de planificación y INTERNATIONAL EXCELLENCE asignación de recursos en MPSoCs “Ingeniamos el futuro” UCSD – System Energy Efficiency Lab A. Coskun , T. Rosing , K. Whisnant and K. Gross "Static and dynamic temperature- aware scheduling for multiprocessor SoCs", IEEE Trans. Very Large Scale Integr. Syst., vol. 16, no. 9, pp.1127 -1140 2008 Fig. 3. Distribution of thermal hot spots, with with DPM (ILP). Fig. 3. Distribution of thermal hot spots, DPM (ILP). Fig. 4. Distribution of spatial gradients, with with DPM (ILP). Fig. 4. Distribution of spatial gradients, DPM (ILP). A. Static Scheduling Techniques A. Static Scheduling Techniques hot spots. While Min-Th reduces the spatial differentials hot spots. While Min-Th reduces the highhigh spatial differentials We We next provideextensive comparison of the ILP ILP based above 15 we observe a substantial increase in the spatial next provide an an extensive comparison of the based above 15 C, C, we observe a substantial increase in the spatial José M.Moya | Min-Th&Sp. gradients techniques. We refer to to static approach as as Madrid (Spain), June 12, above 10 C. C. In contrast, method achieves lower techniques. We referour our static approach Min-Th&Sp. gradients 2012above 10 In contrast,29 our method achieves lower our As discussedSection III, we implemented the ILP ILP min- and and more balanced temperature distribution in die. die. As discussed in in Section III, we implemented the for for min- more balanced temperature distribution in the the
- 30. CAMPUS OF Planificación y asignación de INTERNATIONAL EXCELLENCE recursos consciente de la aplicación “Ingeniamos el futuro” • La caracterización energética de las aplicaciones permite la definición de políticas proactivas de planificación y asignación de recursos que minimizan los hotspots • La reducción de hotspots permite aumentar la temperatura del aire de los sistemas de refrigeración José M.Moya | Madrid (Spain), June 12, 2012 30
- 31. CAMPUS OF 3. Máquina virtual consciente INTERNATIONAL EXCELLENCE de la aplicación y los recursos “Ingeniamos el futuro” Chip Server Rack Room Multi- room Sched & alloc 2 1 app OS/middleware Compiler/VM 3 3 architecture 4 4 technology 5 José M.Moya | Madrid (Spain), June 12, 2012 31
- 32. CAMPUS OF Compilación JIT en máquinas virtuales INTERNATIONAL EXCELLENCE “Ingeniamos el futuro” • La máquina virtual compila (JIT) la aplicación a código nativo por eficiencia • El optimizador es genérico y orientado a la optimización de rendimiento José M.Moya | Madrid (Spain), June 12, 2012 32
- 33. CAMPUS OF Compilación JIT para reducción de energía INTERNATIONAL EXCELLENCE “Ingeniamos el futuro” Back-end Front-end Generador de Optimizador código • Compilador consciente de la aplicación – Caracterización de aplicaciones y transformaciones – Optimizador dependiente de la aplicación – Visión global de la carga de trabajo del data center • Optimizador de energía – En la actualidad, los compiladores para procesadores de altas prestaciones solo optimizan rendimiento José M.Moya | Madrid (Spain), June 12, 2012 33
- 34. CAMPUS OF Potencial de ahorro desde el compilador (MPSoCs) INTERNATIONAL EXCELLENCE “Ingeniamos el futuro” T. Simunic, G. de Micheli, L. Benini, and M. Hans. “Source code optimization and profiling of energy consumption in embedded systems,” International Symposium on System Synthesis, pages 193 – 199, Sept. 2000 – Reducción de un 77 % de energía en un decodificador MP3 FEI, Y., RAVI, S., RAGHUNATHAN, A., AND JHA, N. K. 2004. Energy-optimizing source code transformations for OS-driven embedded software. In Proceedings of the International Conference VLSI Design. 261–266. – Hasta el 37,9% (media 23,8%) de ahorro energético en programas multiproceso sobre Linux José M.Moya | Madrid (Spain), June 12, 2012 34
- 35. CAMPUS OF 4. Gestión automática de INTERNATIONAL EXCELLENCE frecuencia a nivel global “Ingeniamos el futuro” Chip Server Rack Room Multi- room Sched & alloc 2 1 app OS/middleware Compiler/VM 3 3 architecture 4 4 technology 5 José M.Moya | Madrid (Spain), June 12, 2012 35
- 36. CAMPUS OF DVFS – Dynamic Voltage and Frequency Scaling INTERNATIONAL EXCELLENCE “Ingeniamos el futuro” • Al decrementar la tensión de alimentación, la potencia se reduce cuadráticamente (a frecuencia constante) • El retardo se incrementa solo linealmente • La frecuencia máxima también se decrementa linealmente • Actualmente los modos de bajo consumo se activan por inactividad del sistema operativo de un servidor José M.Moya | Madrid (Spain), June 12, 2012 36
- 37. CAMPUS OF INTERNATIONAL EXCELLENCE DVFS a nivel de sala “Ingeniamos el futuro” • Para minimizar el consumo hay que minimizar los cambios de modo • Existen algoritmos óptimos para un conjunto conocido de tareas (YDS) • El conocimiento de la carga de trabajo permite planificar los modos de bajo consumo a nivel global sin pérdida de rendimiento José M.Moya | Madrid (Spain), June 12, 2012 37
- 38. CAMPUS OF Paralelismo para ahorrar energía INTERNATIONAL EXCELLENCE “Ingeniamos el futuro” José M.Moya | Madrid (Spain), June 12, 2012 38
- 39. CAMPUS OF 5. Emplazamiento de cores INTERNATIONAL EXCELLENCE consciente de la temperatura “Ingeniamos el futuro” Chip Server Rack Room Multi- room Sched & alloc 2 1 app OS/middleware Compiler/VM 3 architecture 4 4 technology 5 José M.Moya | Madrid (Spain), June 12, 2012 39
- 40. CAMPUS OF Floorplanning consciente de la temperatura INTERNATIONAL EXCELLENCE “Ingeniamos el futuro” José M.Moya | Madrid (Spain), June 12, 2012 40
- 41. Average MaxTemp reduction: 12 oC CAMPUS OF Potencial de ahorro Larger temperature reductions for benchmarks with higher maximum temperature por floorplaning energético INTERNATIONAL EXCELLENCE “Ingeniamos el futuro” For many benchmarks, temperature reducions are Y. Han, I. Koren, and C. A. Moritz. Temperature Aware Floorplanning. In Proc. of the larger than 20 oC Second Workshop on Temperature-Aware Computer Systems, June 2005 Maximum Temperature original modified 140 120 100 80 60 40 20 0 wupwise twolf swim gzip mgrid mcf lucas applu ammp bzip2 crafty fma3d perlbmk vortex avg apsi vpr equake facerec gcc mesa eon gap art parser – Reducciones de temperatura máxima de hasta 21oC – Media: -12oC en temperatura máxima – Mayor reducción en los casos más críticos José M.Moya | Madrid (Spain), June 12, 2012 41
- 42. CAMPUS OF Floorplanning consciente de la INTERNATIONAL EXCELLENCE temperatura en chips 3D “Ingeniamos el futuro” • El circuito integrado 3D está recibiendo atención: – Escalado: reduce área 2D equivalente – Rendimiento: menor longitud de comunicaciones – Fiabilidad: menor cableado • Desventaja: – Aumentan drásticamente los picos de temperatura con respecto a los diseños 2D equivalentes José M.Moya | Madrid (Spain), June 12, 2012 42
- 43. CAMPUS OF Floorplanning consciente de la temperatura INTERNATIONAL EXCELLENCE “Ingeniamos el futuro” • Reducción de hasta 30oC por capa en un chip 3D de 4 capas y 48 cores José M.Moya | Madrid (Spain), June 12, 2012 43
- 44. CAMPUS OF INTERNATIONAL EXCELLENCE Y todavía hay más “Ingeniamos el futuro” • Smart Grids – Consumir cuando nadie consume – Reducir el consumo cuando todo el mundo consume • Reducción de la factura de luz – Coste dependiente del horario – Coeficiente de energía reactiva – Picos de consumo José M.Moya | Madrid (Spain), June 12, 2012 44
- 45. CAMPUS OF INTERNATIONAL EXCELLENCE Conclusiones “Ingeniamos el futuro” • Reducir el PUE no es lo mismo que reducir el consumo – El consumo de computación es dominante en data centers modernos • El conocimiento de la aplicación y de los recursos puede ser utilizado para establecer políticas proactivas para reducir la energía total – A todos los niveles – En todos los ámbitos – Considerando simultáneamente computación y refrigeración • La gestión adecuada del conocimiento del comportamiento térmico del data center permite reducir los problemas de fiabilidad • Reducir el consumo total no es lo mismo que reducir la factura de la luz José M.Moya | Madrid (Spain), June 12, 2012 45
- 46. CAMPUS OF INTERNATIONAL EXCELLENCE Contacto “Ingeniamos el futuro” José M. Moya +34 607 082 892 jm.moya@upm.es ETSI de Telecomunicación, B104 Avenida Complutense, 30 Madrid 28040, Spain Gracias: José M.Moya | Madrid (Spain), June 12, 2012 46