JPAR 2013: On the leakage-power modeling for optimal server operation

On the Leakage-Power Modeling for Optimal Server Operation

Patricia Arroba, Marina Zapater, José L. Ayala, José M. Moya, Katzalin Olcoz, Román Hermida

Universidad Politécnica de MadridUniversidad Complutense de Madrid

Contenidos

Contexto y motivaciónConsumo de computaciónConsumo de refrigeraciónMetodología experimentalResultadosConclusiones

Contenidos

Contexto y motivaciónConsumo de computaciónConsumo de refrigeraciónMetodología experimentalResultadosConclusiones

- Consumo energético

Data Center = 25.000 viviendas

- EE.UU. 80 millones MWh/año en 2011

1.5 x New York City

Contexto

1.3% Producción eléctrica mundial

70% Computación

30% Refrigeración○ Fiabilidad ○ Daños irreversibles

Contexto

Efectos del aumento de Tª de sala

- Leakage:

Tª Consumo de computación

(No está considerado para fijar la temperatura de sala)

- Refrigeración:

Tª Consumo del compresor

Motivación

Contenidos

Contexto y motivaciónConsumo de computaciónConsumo de refrigeraciónMetodología experimentalResultadosConclusiones

Contexto

- Históricamente consumo dominado por Potencia dinámica

- Mayor parte modelos de potencia actuales sólo tienen en cuenta la potencia dinámica

- Escalado de la tecnología por debajo de 100nm Consumo estático mucho más significativo (30-50%)

Leakage

- Consumo en lógica dinámica- El efecto se intensifica con la temperatura

source draingate

B define una constante que depende de los parámetros de fabricación del servidor

Modelo de Leakage_

Contenidos

Contexto y motivaciónConsumo de computaciónConsumo de refrigeraciónMetodología experimentalResultadosConclusiones

Contexto

Eficiencia del ciclo determinada por el Coefficient of Performance (COP)

- COP eficiencia

Según el teorema de Carnot

Coeficiente de rendimiento (COP)

Contenidos

Contexto y motivaciónConsumo de computaciónConsumo de refrigeraciónMetodología experimentalResultadosConclusiones

Objetivos

- Detección del comportamiento del leakage Temperatura de CPU Temperatura de sala

- Detección del consumo óptimoConsumo de computaciónConsumo de refrigeración

1. Modelado del comportamiento del leakage:Nivel de servidorCarga y temperatura controlablesPromediado del consumo de potencia

2. Validación del modelo:Carga de trabajo HPCEntorno de sala comercialRefrigeración controlable

Metodología experimental

- Servidor: Sunfire V20Z AMD Opteron

- Carga de trabajo: Lookbusy SintéticaControl de la utilización de CPUAislamiento del consumo de leakage

- Temperatura de la CPU: 45ºC - 70ºC

- Monitorización: Ipmitool + pinza amperimétricaAlineación con timestamp común

Caracterización del servidor

Validación del modelo

- Sunfire V20z: 8 servidores en un rack

- Sala refrigerada: Daikin FTXS30 Capacidad nominal de refrigeración 8.8kWConsumo nominal de potencia 2.8KW

- Configuración de temperatura: 18ºC - 24ºC

- Carga de trabajo: SPEC CPU20061 a 4 ejecuciones simultáneas por servidor

Contenidos

Contexto y motivaciónConsumo de computaciónConsumo de refrigeraciónMetodología experimentalResultadosConclusiones

Caracterización del servidor

Validación con carga real

- Leakage despreciable en el rango 18ºC - 24ºC

Tª de refrigeración: 18ºC 24ºC

COP: 2.95 3.47

Ahorro del 11.7% en la refrigeraciónSin penalización en computación

Resultados

Contenidos

Contexto y motivaciónConsumo de computaciónConsumo de refrigeraciónMetodología experimentalResultadosConclusiones

- Modelos tradicionales: no incorporan el impacto de la potencia de leakage con la Tª

- Detección de regiones de comportamiento:Optimizar la reducción de la potencia derefrigeración según el impacto del leakage

- Validación experimental:Sala con infraestructura comercial Ahorro en potencia del 11.7%

Conclusiones

Gracias por su atención

Patricia Arroba Departamento de ingeniería electrónica

parroba@die.upm.es ETSI Telecomunicación UPM