La vitrine de diffusion des mémoires et thèses de l'ÉTS
RECHERCHER

Modélisation, analyse et prédiction de l’efficacité énergétique des centres de données

Téléchargements

Téléchargements par mois depuis la dernière année

Plus de statistiques...

Ounifi, Hibat Allah (2021). Modélisation, analyse et prédiction de l’efficacité énergétique des centres de données. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

[thumbnail of OUNIFI_Hibat_Allah.pdf]
Prévisualisation
PDF
Télécharger (9MB) | Prévisualisation

Résumé

Les applications et les technologies rendues disponibles par divers concepts et paradigmes du d’infonuagique et de l'Internet des objets, ainsi que leur combinaison, ont conduit à des volumes croissants de données à traiter, stocker et échanger. Ceci, à son tour, a conduit à un besoin croissant de centres de données (DC). Avec l'expansion rapide des DCs, de nombreux problèmes apparaissent et la consommation d'énergie élevée en est le premier. En outre, les tendances à l'augmentation de la capacité des DCs et de la consommation d'énergie par les équipements informatiques, réaffirment la nécessité de vérifier et de maintenir l'efficacité énergétique des DCs. En conséquence, les centres de données font partie des environnements les plus complexes et les plus gourmands en énergie en raison des charges internes élevées, des paramètres requis pour le maintien de basse température et d'humidité et du fonctionnement continu dans ce type d'environnements.

Les DCs sont des systèmes complexes et leur conception est une tâche d'ingénierie difficile en raison de la complexité des sous-systèmes qui le composent, ainsi que des diverses interactions et dépendances entre ces derniers. Dans ce cadre, un métamodèle DCMM (Data Center MetaModel) est proposé qui présente les différents sous-systèmes constituant l'infrastructure physique et informatique, leurs interconnexions et la structure hétérogène du DC, les principales caractéristiques, et ses différentes contraintes. Ce métamodèle est utilisé comme base pour donner une redéfinition précise et générique du PUE (Indicateur d'efficacité énergétique). Ensuite, nous analysons le comportement d'un modèle basé sur l'apprentissage automatique en profondeur pour prédire la métrique d'efficacité énergétique du centre de données (PUE). Une analyse sensible permet de fixer les paramètres clés et d'évaluer les actions de divers sous-systèmes du centre de données sur la variation du PUE.

Nous implémentons trois modèles d'apprentissage automatique en profondeur: 1) le modèle DNN avec l'algorithme propagation résilient, comme algorithme d'entraînement, 2) le modèle LSTM basé sur la technique d'attention et 3) le modèle de référence Google MLP pour fin de comparaison. L'étude comparative est basée sur trois métriques: l'erreur quadratique moyenne (RMSE), l'erreur absolue moyenne (MAE) et le coefficient de corrélation R-carré (R2).

La validation de l'approche proposée se fait à travers des expérimentations avec des ensembles de données réels issus de deux études de cas réels. Les résultats obtenus de cette expérimentation indiquent que notre modèle basé sur l'attention LSTM proposé améliore la PUE, et par conséquent, montre sa promesse pour une mise en oeuvre pratique.

Titre traduit

Modeling, analysis, and prediction of the energy efficiency of data centers

Résumé traduit

The applications and technologies enabled by various concepts and paradigms of cloud computing and Internet of Things, and their combination, have led to growing volumes of data to process, store, and exchange. This in turns led to a growing need for data centers (DC). With the rapid expansion of DCs, many problems are emerging, and high energy consumption is the first. Also, trends in increasing data center capacity and energy use by IT equipment, reaffirm the need to verify and maintain the energy efficiency of DCs. As a result, DC are among the most complex and energy-intensive environments due to high internal loads, low temperature, and humidity settings, and continuous operation.

DCs are complex systems composed of Information and technology (IT) and non-IT (i.e., mechanical, and electrical) sub-systems. The variety of configurations and the interdependencies of the different data center sub-systems leads to enormous challenges in understanding and optimizing energy efficiency.

Designing a DC is a difficult engineering task due to the complexity of the subsystems that form it, as well as its various interactions and dependencies of different subsystems. Within this context, a metamodel DCMM (Data Center MetaModel) is proposed which presents the different sub-systems constituting the physical and IT infrastructure, their interconnections and the heterogeneous structure of DC, the main characteristics, and its various constraints. This metamodel is used as a basis to give a precise and generic redefinition of PUE. Then, we analyze the behavior of deep machine learning-based model to automatically calculate and predict the data center energy efficiency metric Power Usage Effectiveness (PUE). A sensitive analysis is used to fix the key parameters and evaluate the actions of various data center subsystems on the PUE variation.

We implement three deep machine learning-based models: 1) DNN model with the "Resilient Back-Propagation: ReBP" algorithm as training algorithm, 2) Attention-based LSTM model and 3) Google MLP base line model for comparison. The comparative study is based on three metrics: mean square error (RMSE), mean absolute error (MAE) and the correlation coefficient R-squared (R2).

The validation of the proposed approach is done through experimentations with real datasets from two real case studies. The obtained results of this experimentation indicate that our proposed LSTM attention-based model improves the PUE, and consequently, shows its promise for a practical implementation.

Type de document: Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires: "Thèse présentée à l’École de technologie supérieure comme exigence partielle à l’obtention du doctorat en génie". Comprend des références bibliographiques (pages 159-164).
Mots-clés libres: centre de données, métamodèle, efficacité énergétique, PUE, prédiction
Directeur de mémoire/thèse:
Directeur de mémoire/thèse
Gherbi, Abdelouahed
Codirecteur:
Codirecteur
Kara, Nadjia
Programme: Doctorat en génie > Génie
Date de dépôt: 05 avr. 2022 19:12
Dernière modification: 05 avr. 2022 19:12
URI: https://espace.etsmtl.ca/id/eprint/2956

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt