Scheduling power-aware abstract
0 likes467 views
La tesi esamina lo scheduling power-aware nel contesto del green computing, sviluppando euristiche per ottimizzare il consumo energetico senza compromettere eccessivamente i tempi di completamento. Viene presentato un modello matematico che descrive il consumo energetico e una serie di euristiche classificate in base alla strategia di throttling adottata. I risultati evidenziano l'efficacia delle euristiche tfischeduler e narrowinfactorscheduler, che offrono buone performance in termini di risparmio energetico.
Scheduling power-aware abstract
- 1. Universitá degli Studi di Salerno Facoltá di Scienze Matematiche Fisiche e Naturali Tesi di Laurea Specialistica in Informatica ABSTRACT Scheduling power-aware Relatore Candidato Prof. Vittorio Scarano Vincenzo De Maio Anno Accademico 2010-2011
- 2. Abstract Questo lavoro di tesi si colloca nell’ambito del green computing, ovvero dello sviluppo di un’informatica “ecosostenibile”, che riesca insomma a coniugare insomma il rispetto dell’ambiente al tornaconto economico. ci occuperemo dello scheduling power-aware, ovvero di sviluppare euristiche per lo schedu- ling in grado di risparmiare una buona quantitá di energia senza peró perde- re eccessivamente in termini di makespan; verrá dunque simulata una tipica architettura multicore e svilupperemo un modello matematico per calcola- re il consumo energetico sui core, dopodiché effettueremo varie simulazioni dell’esecuzione delle nostre euristiche per verificarne l’efficienza. Il lavoro é strutturato in 5 capitoli: nel primo capitolo introduciamo le comuni problematiche del green computing, con particolare attenzione a come queste abbiano influenzino il nostro modo di procedere e vengono pre- sentate brevemente le idee che sono alla base dello scheduling power-aware; Nel secondo capitolo presentiamo dettagliatamente il modello matematico di supporto, fornendo le necessarie motivazioni sia di natura pratica che teori- ca alle scelte fatte per costruirci una base teorica che fosse validabile sulla realtá e allo stesso tempo semplice da gestire; in particolare il modello viene suddiviso in tre parti fondamentali: 1. Modello di computazione, vale a dire come viene intesa una tipica computazione 2. Modello energetico, ovvero come rappresentiamo l’energia dissipata dalla nostra computazione 3. Modello di throttling, cioé il tipo di facilities di supporto al risparmio energetico che immaginiamo per la nostra simulazione, come queste ri- specchino quelle giá presenti in numerose implementazioni commerciali e come queste vengono utilizzate durante lo scheduling Viene inoltre presentata la metrica ET 2 (E =Energia, T =Tempo) con le motivazioni che ci hanno spinto a scegliere questa semplice funzione per 1
- 3. 2 valutare le prestazioni dei nostri algoritmi di scheduling, illustrando prin- cipalmente come questa metrica riesca a modellare il fatto che nel nostro lavoro cerchiamo di trovare algoritmi che risparmino si energia ma che non allunghino eccessivamente per questo il tempo di completamento della com- putazione. Viene inoltre introdotto in termini di ET 2 un lower bound al risparmio energetico. In questo capitolo vengono inoltre introdotte le basi della teoria dei grafi e dello scheduling necessarie alla comprensione. Nel capitolo 3 vengono invece introdotte le euristiche green, ovvero le euristiche che abbiamo sviluppato per ottenere uno scheduling power-aware; queste eu- ristiche vengono suddivise in classi in base alla strategia e ai parametro che viene scelta al fine di effettuare il corretto throttling, risparmiando cosí ener- gia; tali euristiche vengono poi valutate in base al valore di ET 2 che riescono a ottenere e al modo in cui influenzino il makespan e l’energia. Nel quarto capitolo presentiamo in breve il modo in cui viene implementata la nostra simulazione, mentre nel quinto abbiamo le conclusioni e gli sviluppi futuri. In particolare nella conclusione diamo enfasi alle euristiche TFIScheduler e NarrowinFactorScheduler, descritte nel capitolo 4, che ottengono i migliori risultati in termini di ET 2 e discutiamo di come, sebbene il lower bound individuato sia ancora lontano dall’essere raggiunto, il nostro lavoro possa avere ulteriori margini di miglioramento.