Πρόβλεψη κατανάλωσης ενέργειας σε κέντρα δεδομένων

Abstract

Η εν λόγω διπλωματική εργασία εξετάζει το πρόβλημα της κατανάλωσης ενέρ- γειας σε κέντρα δεδομένων. Ακόμη, θέτει σε εφαρμογή αλγόριθμους μηχανικής μά- θησης με σκοπό τη πρόβλεψη κατανάλωσης ενέργειας σε δύο εξαρτήματα του υπο- λογιστή (επεξεργαστή και κάρτα γραφικών). Πιο συγκεκριμένα, η εργασία μελετά τα κέντρα δεδομένων μέσω ιστορικών στοι- χείων, καθώς και το πρόβλημα της κατανάλωσης ενέργειάς τους, μέσω στατιστικών καταγραφών. Έπειτα, ερευνά το επιστημονικό πεδίο της μηχανικής μάθησης μέσω των εφαρμογών στις οποίες έχει συμβάλει, αναλύει τις δύο κύριες κατηγορίες μη- χανικής μάθησης, καθώς και τους αλγόριθμους οι οποίοι χρησιμοποιήθηκαν στην πειραματική διαδικασία. Επιπλέον, η εργασία παρουσιάζει τη συλλογή και επεξεργασία των δεδομένων, καθώς και το λογισμικό που χρησιμοποιήθηκε. Το επόμενο βήμα της εργασίας είναι η πειραματική διαδικασία, η οποία χωρίζεται σε τρία πειράματα. Στο πρώτο πείραμα επιδιώκεται πρόβλεψη κατανάλωσης ενέργειας στον επεξεργαστή χρησιμοποιώντας τρία και δύο χαρακτηριστικά ως εισόδους, στο δεύτερο πείραμα επιδιώκεται πρό- βλεψη του αθροίσματος κατανάλωσης ενέργειας επεξεργαστή και κάρτας γραφικών χρησιμοποιώντας τρία και δύο χαρακτηριστικά ως εισόδους και στο τρίτο πείραμα επιδιώκεται πρόβλεψη κατανάλωσης ενέργειας στην κάρτα γραφικών χρησιμοποιώ- ντας τέσσερα και δύο χαρακτηριστικά ως εισόδους. Όλα τα παραπάνω πειράματα πραγματοποιούνται με τη βοήθεια των αλγόριθμων μηχανικής μάθησης. Το τελευταίο σημείο στο οποίο επικεντρώνεται η εργασία είναι η διεξαγωγή συμπερασμάτων. Παρουσιάζοντας συγκεντρωτικά όλα τα αποτελέσματα από την πειραματική διαδικασία, εξάγονται χρήσιμα συμπεράσματα για τα χαρακτηριστικά που χρησιμοποιήθηκαν ως είσοδοι για τα πειράματα.

This thesis examines the power consumption problem in data centers. Furthermore, it harness the power of machine learning algorithms in order to predict the power consumption in two PC components (CPU and GPU). More specifically, the thesis studies data centers through historical data, as well the power consumption problem through statistical records. Afterwards, it looks into the scientific field of machine learning, it analyzes the main categories of machine learning, and the algorithms that were used in the experimental procedure. Moreover, the thesis presents how the data were collected and processed, and the software that was used. The next step of the thesis is the experimental procedure, which is separated into three experiments. In the first experiment we try to predict the power consumption of CPU using three and two features as inputs. In the second experiment we try to predict the total power consumption of the CPU and GPU using three and two features as inputs. Finally, in the third experiment we try to predict the power consumption of GPU using four and two features as inputs. The above experiments are materialized with the assistance of the machine learning algorithms. The last point that this thesis is focused are the conclusions. Presenting all the results from the experimental procedure, we can draw useful conclusions for the features that were used as inputs for the experiments.