Submit Search
Upload
データセンタにおける消費電力のお話
•
Download as PPTX, PDF
•
0 likes
•
2,245 views
K
Koji Suganuma
Follow
インフラを「利用する」立場にいる私たちですが、(あえて)普段は意識する必要のない DC消費電力の話をしたいと思います。
Read less
Read more
Engineering
Report
Share
Report
Share
1 of 21
Download now
Recommended
Device Fingerprinting: オンライン広告効果計測への応用
Device Fingerprinting: オンライン広告効果計測への応用
Koji Suganuma
Voldemortの紹介
Voldemortの紹介
Yoshiyasu SAEKI
2015-01-27 Introduction to Docker
2015-01-27 Introduction to Docker
Shuji Yamada
Way of Experiment & Evaluation
Way of Experiment & Evaluation
Tatsuya Coike
Queryable State for Kafka Streamsを使ってみた
Queryable State for Kafka Streamsを使ってみた
Yoshiyasu SAEKI
リクルートにおけるVDI導入とCiscoデータセンタソリューション
リクルートにおけるVDI導入とCiscoデータセンタソリューション
Recruit Technologies
Google BigQuery クエリの処理の流れ - #bq_sushi
Google BigQuery クエリの処理の流れ - #bq_sushi
Google Cloud Platform - Japan
CTF for ビギナーズ ネットワーク講習資料
CTF for ビギナーズ ネットワーク講習資料
SECCON Beginners
Recommended
Device Fingerprinting: オンライン広告効果計測への応用
Device Fingerprinting: オンライン広告効果計測への応用
Koji Suganuma
Voldemortの紹介
Voldemortの紹介
Yoshiyasu SAEKI
2015-01-27 Introduction to Docker
2015-01-27 Introduction to Docker
Shuji Yamada
Way of Experiment & Evaluation
Way of Experiment & Evaluation
Tatsuya Coike
Queryable State for Kafka Streamsを使ってみた
Queryable State for Kafka Streamsを使ってみた
Yoshiyasu SAEKI
リクルートにおけるVDI導入とCiscoデータセンタソリューション
リクルートにおけるVDI導入とCiscoデータセンタソリューション
Recruit Technologies
Google BigQuery クエリの処理の流れ - #bq_sushi
Google BigQuery クエリの処理の流れ - #bq_sushi
Google Cloud Platform - Japan
CTF for ビギナーズ ネットワーク講習資料
CTF for ビギナーズ ネットワーク講習資料
SECCON Beginners
スペクトラル・クラスタリング
スペクトラル・クラスタリング
Akira Miyazawa
Spark Streamingによるリアルタイムユーザ属性推定
Spark Streamingによるリアルタイムユーザ属性推定
Yoshiyasu SAEKI
成功したチームと成功しなかったチーム 20160608
成功したチームと成功しなかったチーム 20160608
Keiichi Endo
KafkaとAWS Kinesisの比較
KafkaとAWS Kinesisの比較
Yoshiyasu SAEKI
Google Cloud Dataflow を理解する - #bq_sushi
Google Cloud Dataflow を理解する - #bq_sushi
Google Cloud Platform - Japan
ゲーム産業講義2015年1月
ゲーム産業講義2015年1月
Shibaura Institute of Technology
これでBigQueryをドヤ顔で語れる!BigQueryの基本
これでBigQueryをドヤ顔で語れる!BigQueryの基本
Tomohiro Shinden
ストリーム処理を支えるキューイングシステムの選び方
ストリーム処理を支えるキューイングシステムの選び方
Yoshiyasu SAEKI
BigQueryの課金、節約しませんか
BigQueryの課金、節約しませんか
Ryuji Tamagawa
インフラ野郎Azureチーム Night
インフラ野郎Azureチーム Night
Toru Makabe
Apache Sparkにおけるメモリ - アプリケーションを落とさないメモリ設計手法 -
Apache Sparkにおけるメモリ - アプリケーションを落とさないメモリ設計手法 -
Yoshiyasu SAEKI
今だからこそ知りたい Docker Compose/Swarm 入門
今だからこそ知りたい Docker Compose/Swarm 入門
Masahito Zembutsu
More Related Content
Viewers also liked
スペクトラル・クラスタリング
スペクトラル・クラスタリング
Akira Miyazawa
Spark Streamingによるリアルタイムユーザ属性推定
Spark Streamingによるリアルタイムユーザ属性推定
Yoshiyasu SAEKI
成功したチームと成功しなかったチーム 20160608
成功したチームと成功しなかったチーム 20160608
Keiichi Endo
KafkaとAWS Kinesisの比較
KafkaとAWS Kinesisの比較
Yoshiyasu SAEKI
Google Cloud Dataflow を理解する - #bq_sushi
Google Cloud Dataflow を理解する - #bq_sushi
Google Cloud Platform - Japan
ゲーム産業講義2015年1月
ゲーム産業講義2015年1月
Shibaura Institute of Technology
これでBigQueryをドヤ顔で語れる!BigQueryの基本
これでBigQueryをドヤ顔で語れる!BigQueryの基本
Tomohiro Shinden
ストリーム処理を支えるキューイングシステムの選び方
ストリーム処理を支えるキューイングシステムの選び方
Yoshiyasu SAEKI
BigQueryの課金、節約しませんか
BigQueryの課金、節約しませんか
Ryuji Tamagawa
インフラ野郎Azureチーム Night
インフラ野郎Azureチーム Night
Toru Makabe
Apache Sparkにおけるメモリ - アプリケーションを落とさないメモリ設計手法 -
Apache Sparkにおけるメモリ - アプリケーションを落とさないメモリ設計手法 -
Yoshiyasu SAEKI
今だからこそ知りたい Docker Compose/Swarm 入門
今だからこそ知りたい Docker Compose/Swarm 入門
Masahito Zembutsu
Viewers also liked
(12)
スペクトラル・クラスタリング
スペクトラル・クラスタリング
Spark Streamingによるリアルタイムユーザ属性推定
Spark Streamingによるリアルタイムユーザ属性推定
成功したチームと成功しなかったチーム 20160608
成功したチームと成功しなかったチーム 20160608
KafkaとAWS Kinesisの比較
KafkaとAWS Kinesisの比較
Google Cloud Dataflow を理解する - #bq_sushi
Google Cloud Dataflow を理解する - #bq_sushi
ゲーム産業講義2015年1月
ゲーム産業講義2015年1月
これでBigQueryをドヤ顔で語れる!BigQueryの基本
これでBigQueryをドヤ顔で語れる!BigQueryの基本
ストリーム処理を支えるキューイングシステムの選び方
ストリーム処理を支えるキューイングシステムの選び方
BigQueryの課金、節約しませんか
BigQueryの課金、節約しませんか
インフラ野郎Azureチーム Night
インフラ野郎Azureチーム Night
Apache Sparkにおけるメモリ - アプリケーションを落とさないメモリ設計手法 -
Apache Sparkにおけるメモリ - アプリケーションを落とさないメモリ設計手法 -
今だからこそ知りたい Docker Compose/Swarm 入門
今だからこそ知りたい Docker Compose/Swarm 入門
データセンタにおける消費電力のお話
1.
データセンタにおける 消費電力のお話 CyberZ 16 Engineer
菅沼孝二(Koji Suganuma)
2.
自己紹介1 • 氏名:菅沼孝二(Koji Suganuma) •
出身:静岡県浜松市 • 趣味:料理 • 大学時代の所属サークル:交響楽団 • 駆け出しエンジニア、新米シェフ、初心者バイオリニスト
3.
自己紹介2 • 大学時代の研究: データセンタのエネルギー最適化 機械学習を用いた時系列データ予測 Paolo Gemma
and Yong-Woon Kim, “How to make Data Centers green”, Technical session on How ICTs can alleviate climate change
4.
(あえて)普段意識する必要のない DC消費電力の話をしたいと思います 本日のテーマ インフラを「利用する」立場にいる私たちですが、、、
5.
データセンタにおける消費電力 知っていますか? 世界で利用される総電力 data center 日本においても東京都の総電力の 約10%に達するとされている データセンタ業界ではコンピューティング性能 と同様に電力効率が最重要課題 2%~3%
6.
一般的なDC 電力の内訳 空調設備 37% 電源設備(損失) 10% IT機器 50% IT機器の割合は約半分程度 それ以外の電力が以外と大きい DCの電力効率の指標 PUE = DC総電力 IT機器電力 理想はPUE =
1
7.
ハードウェアで解決する • 気流制御 • 自然活用 •
DC形態 • 電源システム
8.
DC電力削減の取り組み 自然活用:外気冷房方式 @ さくらデータセンタ
DC形態:コンテナ型DC @ Microsoft 電源システム:直流給電DC @ さくらデータセンタ 気流制御:Aisle Capping @ NTT Facilities
9.
ソフトウェアで解決する •タスク配置 •空調機の設定値
10.
機器制御問題 タスク配置問題 • タスクをどのサーバで処理すべき? 空調制御問題 • 空調設定温度は何度にすべき? •
空調の風量はどれくらいにすべき? (ex) aws auto scaling 負荷が増加しサーバ台数 が増えた時、どのサーバを動かすか
11.
DC内の温度分布が変わる! 空調の設定温度が変わると...タスク配置に変わると... サーバファンの回転数が変化し消費電力が変化する! 最適化 したい! [引用]https://habrahabr.ru/company/beeline/blog/141363/
12.
DEMS • Data center
Energy Management System • 無数の組み合わせの中から、電力消費が最小となる設定値で制御 servers coolers 制御 制御 監視 監視 DEMS server
13.
DEMSの制御フロー • 一つの組み合わせにおける温度分布を予測 • その状況下におけるDC総消費電力を予測 •
多数の組み合わせにおいて同様に予測 • 消費電力が最小となる組み合わせを決定 サーバ・空調機の総消費電力 を予測する
14.
組み合わせ最適化問題 • 全ての組み合わせに対して予測を行うと日が暮れてしまう • 近次解を探索する •
遺伝的アルゴリズム(Genetic Algorithm, GA) Wikipedia 遺伝的アルゴリズム(いでんてきアルゴリズム、英語:genetic algorithm、略称:GA)とは、 1975年にミシガン大学のジョン・H・ホランド(John Henry Holland)によって提案された近似解を探索する メタヒューリスティックアルゴリズムである。人工生命同様、偶然の要素でコンピューターの制御を左右する。 4つの主要な進化的アルゴリズムの一つであり、その中でも最も一般的に使用されている。
15.
改めてフローを確認 • GAにより解候補(設定値の組み合わせ)を一つ選択 • 解候補に対する温度分布を予測 •
解候補に対するDC総消費電力を予測 • GAで定めた収束条件を満たす解を決定 • 設定変更を実施 サーバ・空調機の総消費電力 を予測する
16.
改めてフローを確認 • GAにより解候補(設定値の組み合わせ)を一つ選択 • 解候補に対する温度分布を予測 •
解候補に対するDC総消費電力を予測 • GAで定めた収束条件を満たす解を決定 • 設定変更を実施 サーバ・空調機の総消費電力 を予測する
17.
温度分布の予測 Input • DC内全サーバの設定値 • DC内全空調機の設定値 •
DC内の現在の温度分布 • DC内の温度分布の推移 Output • 設定変更後の温度分布 予測 モデル ???
18.
改めてフローを確認 • GAにより解候補(設定値の組み合わせ)を一つ選択 • 解候補に対する温度分布を予測 •
解候補に対するDC総消費電力を予測 • GAで定めた収束条件を満たす解を決定 • 設定変更を実施 サーバ・空調機の総消費電力 を予測する
19.
消費電力の予測Input • DC内全サーバの設定値 • DC内全空調機の設定値 •
DC内の現在の温度分布 • DC内の温度分布の推移 • 設定変更後の温度分布 Output • 設定変更後の総消費電力 予測 モデル ??? 90kW ???kW
20.
結果 • 10%〜15%の削減効果 本来はどのように予測モデルを構築するか、GAを設計するかが重要であるが、時間が足り なくなるので今回は省略します • 伝えたいのは、 処理するタスク量が変わるわけでもないのに、制御によってこれだけ削減できる!
21.
総括 データセンタのプラットフォーマー、もしくは巨大なプライベートDCを抱え る企業のインフラエンジニアにしか関係のないお話 機械学習による予測結果に基づいたプロアクティブな決定方法 準最適解を効率良く求める手法 これらは今後さまざまなプロダクトに応用可能な技術・方法
Download now