Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла

Министерство образования и науки Российской Федерации

МОСКОВСКИЙ ФИЗИКО-ТЕХНИЧЕСКИЙ ИНСТИТУТ
(государственный университет)

ФАКУЛЬТЕТ УПРАВЛЕНИЯ И ПРИКЛАДНОЙ МАТЕМАТИКИ

КАФЕДРА ТЕОРЕТИЧЕСКОЙ И ПРИКЛАДНОЙ ИНФОРМАТИКИ

Специализация 010956 «Математические и информационные технологии»

ПРОФИЛИРОВАНИЕ ЭНЕРГОПОТРЕБЛЕНИЯ ВИРТУАЛЬНЫХ МАШИН

Магистерская диссертация

студента 873 группы

Карпова Дмитрия Викторовича

Научный руководитель

Мелехова А.Л.

г. Долгопрудный

2014

Содержание

Введение………………………………………………………………………………8

1. Постановка задачи

   1. Структура энергопотребления ……………………………………………….9

   2. Обзор средств и методик профилирования энергопотребления…………...9

   3. Устройство техник профилирования энергопотребления………………….13

   4. Инструменты Power-management, доступные разработчику ………………17

   5. Инструмены энергопрофилирования ………………………………………..19

   6. Утилиты измерения энергопотребления……………………………………..20

   7. Ряд техник по улучшению энергоэффективности ……………………….....23

2. Разработка алгоритма мониторинга энергопотребления

   1. Критерии эффективности алгоритма ………………………………………..25

   2. Составные части энергопотребления ………………………………………..26

   3. Методы, регулирующие объем энергопотребления………………………...26

   4. Основные инструменты измерения и профилирования энергопотребления 28

   5. Анализ существующих алгоритмов мониторинга энергопотребления …...28

3. Описание алгоритма

3.1.Контексты исполнения……………………………………………………….29

3.2.Размещение в контексте хостовой ОС……………………………………....30

3.3.Размещение в гостевом контексте и в гостевой ОС………………………..31

3.4.Размещение в контексте монитора виртуальных машин…………………..31

3.5.Переключение контекста……………………………………………………..31

3.6.Обработка прерываний……………………………………………………….32

3.7.Описание механизма подсчета……………………………………………….32

1. Тестирование алгоритма

4.1. Описание тестового стенда…………………………………………………..34

4.2. Тестовые сценарии и результаты тестирования…………………………....34

4.3. График отклонения измерений……………………………………………....34

4.4. Обоснование и выводы………………………………………………………39

1. Задача разработки энергоэффективного ПО

5.1. Определение энергоэффективности ПО…………………………………….41

5.2. Описание экспериментов…………………………………………………….41

5.3. Математическая модель……………………………………………………....45

5.4. Оптимальное энергоэффективное распределение виртуальных процессов/сервисов по серверам, смоделированное многомерной задачей упаковки в контейнеры……………………………………………………………47

1. Заключение………………………………………………………………………..49

2. Список литературы……………………………………………………………....51

Глоссарий

Введение

Проблемы энергосбережения и оптимизации энергопотребления наряду с проблемами экологии наиболее значимы в современном мире. И вопрос энергопотребления стоит очень остро, особенно для разработчиков программного обеспечения, которым всегда необходимо понимать, сколько энергии потребляется приложениями и операционной системой. Традиционные методы оценки использования энергии и энергопотребления платформы всегда оставались довольно тяжелой задачей, включающей в себя специальные средства, инструментарий аппаратной платформы и оборудование сторонних производителей. Не каждый может себе позволить такие аппаратные измерители мощности. Поэтому, появился повод создать программные средства для измерения и профилирования энергопотребления, предназначенные для конечных пользователей и разработчиков, которым нужна точная оценка энергопотребления на программном уровне без включения каких-либо аппаратных инструментов.

Постановка задачи

В современных облачных технологиях одним из важных вопросов является управление вычислительными ресурсами. Одним из направлений такого управления ресурсами является управление энергопотреблением. Этот вопрос является очень актуальным в свете высоких показателей затрат, связанных с электроснабжением облачных систем и их охлаждением. Это значит, что увеличение энергоэффективности облачных систем даже на несколько процентов позволить высвободить значительные денежные суммы.

Задача нахождения оптимального управления энергопотреблением виртуального окружения включала в себя следующие этапы:

Для начала был разработан алгоритм учета энергопотребления виртуальной машиной. Затем с помощью него были получены данные о реальном энергопотреблении (произведен мониторинг) виртуального окружения. Далее полученные данные исследовались на предмет увеличения энергоэффективности виртуальных машин и виртуальных сервисов, с целью оптимальной организации энергопотребления как отдельных виртуальных машин, так и всей облачной инфраструктуры в целом.

1. Структура энергопотребления.

В работе [30] было показано, что энергопотребление платформы можно структурировать, разделив его на две части:

Статическая часть включает в себя затраты на поддержание платформы в рабочем состоянии (например, энергия, потребляемая кулером, материнской платой, и т. Д.). Она имеет слабую корреляцию с природой исполняемых приложений, поэтому интересует нас в меньшей степени – мы не можем контролировать эту часть энергопотребления.

Динамическая часть связана с исполнением приложений. Поскольку эта часть сильно зависит от характеристик загрузки, степени утилизации ресурсов и политики энергопотребления, она может сильно варьироваться. Именно здесь имеется большой простор для оптимизации, так как ПО вносит серьезный вклад в общее энергопотребление системы [2][5].

Динамическая часть энергопотребления, в свою очередь, складывается из потребления энергии процессором, памятью и устройствами, а также затрат на их взаимодействие. В данной работе в первую очередь сконцентрированы вопросы, связанные с замерами энергоэффективности использования CPU.

1. Обзор средств и методик профилирования энергопотребления

Во многих работах [24] описывается использование Hardware Performance Counter для построения энергозатратной модели и расчета потребления энергии в системе. Там установлено, что целочисленные операции, операции с плавающей точкой, строб адреса и операции обращения к памяти сильно связаны с расходом энергии процессором. Также, в других работах [25]

используются иные HPC для построения модели энергопотребления – число выполненных инструкции, промахи кэша и промахи tlb. Там также установлено, что IPC (instructions per cycle) сильно коррелирует с энергозатратами. Некоторые части ОС работают с постоянными энергозатратами, а затраты на другие части, например на планировщик и операции ввода-вывода, сильно зависят от IPC.

В [26] установлен метод вычисления энергопотребления отдельных задач. Для низкоуровневого анализа мощности и расхода энергии используются довольно точные средства, такие как Wattch и SimplePower.

Из высокоуровневого анализа есть средство pTopW (Process-Level Power Profiling Tool) для профилирования энергопотребления в Windows (на ее основе сделаны средства контроля энергопотребления – EnergyGuard и BatteryLife). pTopp – в Linux. pTopp и pTopW представляют информацию в реальном времени по потреблению энергии каждым процессом. Также они предоставляют API, с помощью которого любой процесс может определить, сколько энергии он потратил в предыдущий период времени. Там построена модель для измерения энергопотребления CPU, памяти, диска и сетевой карты. После измерения энергопотребления CPU, они делят его на каждый процесс, основываясь на отношении процессорного времени.

Есть средство CloudMonitor, которое также представляет информацию по энергопотреблению софта. Там строится модель оценки мощности, используя линейную регрессию.

В довольно большой работе [27] рассматривается майкрософтовское средство Joulemeter (http://research.microsoft.com/en-us/projects/joulemeter/) для измерения потребления энергии виртуальными машинами (и не только ими). Так как использование мощности процессором зависит от множества факторов, в качестве альтернативы они следят за активным и неактивным состоянием процессора, т.е. за загруженностью процессора U. Далее строят модель энергопотребления процессора как E_cpu = A * U + B, где A и B – постоянные параметры данной модели. Далее используют обучающий метод, основанный на линейной регрессии для оценки этих параметров. Для составления уравнений регрессии каждый ресурс (процессор, память и диск ) загружаются под контролируемой нагрузкой (workload). То есть когда загружается новая ВМ, использование ею ресурсов прослеживается в течение 200 секунд, и полученные данные используются в модели регрессии. Эта модель обучения хороша, когда энергозатраты есть линейная функция загруженности процессора. Но есть и другие случаи, поэтому в работе представлена улучшенная модель обучения с немного откорректированными уравнениями модели энергопотребления. В их подходе, они следят, когда виртуальная машина активна на процессоре. И количество используемой энергии вычисляется по формуле выше, во время периодов активности ВМ. Они пользуются тем фактом, что, например, гипервизор Hyper-V создает виртуальные процессоры, которые могут охватывать целый или дробную часть логического ядра, и передает специальные значения соответствующие этому, каждой ВМ. Также Hyper-V позволяет следить за использованием виртуальных процессоров из корневой ВМ с помощью его performance counters – Hyper-V Hypervisor Virtual Processor и Hyper-V Hypervisor Root Virtual Processor. Используя настройки гипервизора, которые соотносят виртуальные ядра с логическими, использование энергозатрат виртуальных процессоров может маппироваться (отображаться) на загруженность физических процессоров. Такие же данные доступны и для гипервизора Xen через Xentrace. Для данной конкретной загрузки процессора реальная используемая мощность может варьироваться в зависимости от типа используемой нагрузки (Workload). И различия могут быть довольно большими. Чтобы посмотреть на точность оценки используемой виртуальной машиной энергии, как мера точность используется разница между фактической мощностью физического сервера и суммой мощностей всех ВМ и idle server power usage. В этой работе для оценки параметров модели используется метод линейной регрессии, а в работе [28] используется метод построения модели, основанный на многомерных распределениях гаусса, превосходящий регрессионную модель, основанную на загруженности процессора, по точности более чем в 5 раз (как утверждают авторы). В данной работе представлен онлайн (в режиме реального времени) механизм предсказания энергопотребления в виртуализованной среде. Их система основана на модели, которая соотносит потребление мощности с системными метриками (IPC, частота доступа к памяти и д.р.) нагрузок, запущенных в ВМ. Эти метрики динамически собираются на уровне ВМ и пересылаются в модуль предсказания энергозатрат. Модель основана на Gaussian Mixture Models, использующей алгоритм обучения на небольшом количестве бенчмарков из SPEC_CPU2000. Они реализовали собственный performance counter manager внутри планировщика Xen для измерения IPC, MPC (memory accesses per cycle), CTPC (cache transactions per cycle) запущенных ВМ. Т.е. они динамически снимают эти метрики с каждого VCPU, когда они рассщедуливаются на физических cpu. Вся эта информация собирается приложением, сидящим в dom-0, группируется в метрические векторы и анализируется методом Gaussian Mixture Models (GMM), который состоит из набора распределений гаусса, используемых для нахождения всех возможных взаимодействий между собранными метриками. Далее у них представлен механизм, как эти метрики отображаются на реальное энергопотребление: идет тренировочная фаза, когда GMM работает на типичных бенчмарках, показывающих разные уровни взаимодействия метрик. Как только GMM сформирован, он используется для прогноза мощности в режиме реального времени.

Характеристики

Тип файла документ

Документы такого типа открываются такими программами, как Microsoft Office Word на компьютерах Windows, Apple Pages на компьютерах Mac, Open Office - бесплатная альтернатива на различных платформах, в том числе Linux. Наиболее простым и современным решением будут Google документы, так как открываются онлайн без скачивания прямо в браузере на любой платформе. Существуют российские качественные аналоги, например от Яндекса.

Будьте внимательны на мобильных устройствах, так как там используются упрощённый функционал даже в официальном приложении от Microsoft, поэтому для просмотра скачивайте PDF-версию. А если нужно редактировать файл, то используйте оригинальный файл.

Файлы такого типа обычно разбиты на страницы, а текст может быть форматированным (жирный, курсив, выбор шрифта, таблицы и т.п.), а также в него можно добавлять изображения. Формат идеально подходит для рефератов, докладов и РПЗ курсовых проектов, которые необходимо распечатать. Кстати перед печатью также сохраняйте файл в PDF, так как принтер может начудить со шрифтами.

Список файлов ВКР