Modelo de análisis de variables de consumo energético para el procesamiento de datos en sistemas informáticos de alto rendimiento.
Resumen
Uno de los principales retos en la operación eficiente de un centro de computación de altas prestaciones (HPC) es el consumo energético generado por la operación del centro de datos donde se alojan los equipos HPC, principalmente porque este consumo se refleja en unas cuentas a pagar muy elevadas, y esto puede afectar al nivel de servicio ofrecido a los usuarios. El estudio de los diferentes factores y elementos que pueden hacer más eficiente el consumo de energía en estos centros de datos brinda la oportunidad de enfocar estos recursos en elementos que favorezcan el uso de HPC. Las variables de diseño proporcionadas por los fabricantes para gestionar los sistemas HPC y los sistemas de monitorización proporcionan una visión precisa del comportamiento de estas variables en función de su uso. Las arquitecturas HPC se configuran de forma muy particular para cada centro de datos HPC, creando escenarios particulares de funcionamiento y rendimiento en cada implementación. Se han desarrollado diversas propuestas y tecnologías para el análisis del consumo energético de un centro de datos, y los elementos de procesamiento incluyen una serie de indicadores y tecnologías que los fabricantes han desarrollado para determinar la eficiencia energética.
Este artículo pretende identificar esta serie de variables de procesamiento y rendimiento, que afectan al consumo energético de los equipos HPC, para las arquitecturas de computación implementadas basándose en el análisis de modelos de rendimiento para obtener una visión general de su efecto en el consumo energético en un caso de estudio para identificar los comportamientos de factores particulares de asignación de trabajos y proporcionar un análisis del consumo energético en condiciones particulares.
Referencias bibliográficas
Banchelli, F., Garcia-Gasulla, M., Houzeaux, G., & Mantovani, F. (2020). Benchmarking of state-of-the-art HPC Clusters with a Production CFD Code. PASC '20: Proceedings of the Platform for Advanced Scientific Computing Conference. Article No. 3, pp. 1-11. Geneva, Switzerland: Association for Computing Machinery. doi:10.1145/3394277.3401847
Carastan-Santos, D., & Pham, T. T. (2022). Understanding the Energy Consumption of HPC Scale Artificial Intelligence. In P. Navaux, C. J. Barrios H, C. Osthoff, & G. Guerrero (Ed.), High Performance Computing. CARLA 2022. Communications in Computer and Information Science. 1660, pp. 131-144. Springer, Cham. doi:10.1007/978-3-031-23821-5_10
Criado, J., Garcia-Gasulla, M., Kumbhar, P., Awile, O., Magkanaris, I., & Mantovani, F. (2020, September 14). CoreNEURON: Performance and Energy Efficiency Evaluation on Intel and Arm CPUs. 2020 IEEE International Conference on Cluster Computing (CLUSTER) (pp. 540-548). Kobe, Japan: IEEE. doi:10.1109/CLUSTER49012.2020.00077
D’Agostino, D., Quarati, A., Clematis, A., Morganti, L., Corni, E., Giansanti, V., . . . Merelli, I. (2019). SoC-based computing infrastructures for scientific applications and commercial services: Performance and economic evaluations. Future Generation Computer Systems, 96, 11-22. doi:10.1016/j.future.2019.01.024
Dawson, W., Mohr, S., Ratcliff, L. E., Nakajima, T., & Genovese, L. (2020). Complexity Reduction in Density Functional Theory Calculations of Large Systems: System Partitioning and Fragment Embedding. Journal of Chemical Theory and Computation, 16, 5, 2952-2964. doi:10.1021/acs.jctc.9b01152
Djurfeldt, M., Johansson, C., Ekeberg, Ö., Rehn, M., Lundqvist, M., & Lansner, A. (2005). Massively parallel simulation of brain-scale neuronal network models. Report number: TRITA-NA-P0513, CBN, Royal Institute of Technology (KTH), Stockholm University, Computational Biology and Neurocomputing, School of Computer Science and Communication (CSC), Stockholm, Sweden. Retrieved from https://kth.diva-portal.org/smash/record.jsf?pid=diva2%3A220701&dswid=-2798
Favaro, F., Dufrechou, E., & Oliver, J. P. (2022). Time-Power-Energy Balance of BLAS Kernels in Modern FPGAS. In P. Navaux, C. J. Barrios H, C. Osthoff, & G. Guerrero (Ed.), High Performance Computing. 9th Latin American Conference, CARLA 2022, Porto Alegre, Brazil, September 26–30, 2022, Revised Selected Papers. 1660, pp. 78-89. Springer, Cham. doi:10.1007/978-3-031-23821-5_6
Ficher, M., Berthoud, F., Ligozat, A.-L., Sigonneau, P., & Wisslé, M. (2021). Assessing the carbon footprint of the data transmission on a backbone network. 2021 24th Conference on Innovation in Clouds, Internet and Networks and Workshops (ICIN) (pp. 105-109). Paris, France: IEEE. doi:10.1109/ICIN51074.2021.9385551
Funika, W., Zientarski, M., Badia, R. M., Labarta, J., & Bubak, M. (2008). Performance Visualization Of Grid Applications Based On OCM-G And Paraver. In S. Gorlatch, P. Fragopoulou, & P. Thierry (Eds.), Grid Computing (pp. 109-120). Boston, MA, USA: Springer. doi:10.1007/978-0-387-09457-1_10
Hijji, M., Ahmad, B., Alwakeel, A., Alwakeel, M., Alharbi, L. A., Aljarf, A., & Khan, M. U. (2022). Cloud Servers: Resource Optimization Using Different Energy Saving Techniques. Sensors, 22(21), 8384. doi:10.3390/s22218384
Jarus, M., Varrette, S., Oleksiak, A., & Bouvry, P. (2013). Performance Evaluation and Energy Efficiency of High-Density HPC Platforms Based on Intel, AMD and ARM Processors. In J.-M. Pierson, G. Da Costa, & L. Dittmann (Ed.), Energy Efficiency in Large Scale Distributed Systems. COST IC0804 European Conference, EE-LSDS 2013, Vienna, Austria, April 22-24, 2013, Revised Selected Papers. 8046, pp. 182-200. Springer, Berlin, Heidelberg. doi:10.1007/978-3-642-40517-4_16
Migliore, M., Cannia, C., Lytton, W. W., Markram, H., & Hines, M. L. (2006). Parallel Network Simulations with NEURON. Journal of Computational Neuroscience, 21, 119-129. doi:10.1007/s10827-006-7949-5
Mohr, S., Dawson, W., Wagner, M., Caliste, D., Nakajima, T., & Genovese, L. (2017). Efficient Computation of Sparse Matrix Functions for Large-Scale Electronic Structure Calculations: The CheSS Library. Journal of Chemical Theory and Computation, 13, 10, 4684-4698. doi:10.1021/acs.jctc.7b00348
Plesser, H. E., Eppler, J. M., Morrison, A., Diesmann, M., & Gewaltig, M.-O. (2007). Efficient Parallel Simulation of Large-Scale Neuronal Networks on Clusters of Multiprocessor Computers. In A.-M. Kermarrec, L. Bougé, & T. Priol (Ed.), Euro-Par 2007 Parallel Processing. Euro-Par 2007. Lecture Notes in Computer Science. 4641, pp. 672-681. Springer, Berlin, Heidelberg. doi:10.1007/978-3-540-74466-5_71
POP. (2016, December 21). Performance Optimisation and Productivity. A Centre of Excellence in HPC. Retrieved June 21, 2023, from POP Homepage: https://pop-coe.eu/
Slurms Guide. (2021, June 29). Retrieved June 20, 2023, from https://slurm.schedmd.com/sacct.html
Universidad de Guadalajara. (2018, October 11). CADS. Retrieved June 20, 2023, from CADS Homepage: http://cads.cgti.udg.mx/
Wagner, M., Mohr, S., Giménez, J., & Labarta, J. (2019). A Structured Approach to Performance Analysis. In C. Niethammer, M. M. Resch, W. E. Nagel, H. Brunst, & H. Mix (Ed.), Tools for High Performance Computing 2017. PTHPC 2017 (pp. 1-15). Dresden, Germany: Springer. doi:10.1007/978-3-030-11987-4_1
Descargas
Derechos de autor 2024 Revista Colombiana de Computación
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
