탄소중립을 향하여: 데이터 센터에서의 효율적인 에너지 운영을위한 딥러닝 기반 서버 관리 방안
Towards Carbon-Neutralization: Deep Learning-Based Server Management Method for Efficient Energy Operation in Data Centers
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 데이터 활용이 중요해짐에 따라 데이터 센터의 중요도도 함께 높아지고 있다. 하지만 데이터 센터는 막대한 전력을 소모함과 동시에 24시간가동되는 시설이기 때문에 환경적, 경제적 측면에서 문제가 되고 있다. 최근 딥러닝 기법들을 사용하여 트래픽을 예측하거나, 데이터 센터나 서버에서사용되는 전력을 줄이는 연구들이 다양한 관점에서 이루어지고 있다. 그러나 서버에서 처리되는 트래픽 데이터양은 변칙적이며 이는 서버를 관리하기어렵게 만든다. 또한, 서버 상황에 따라 서버를 가변적으로 관리하는 기법에 대한 연구들이 여전히 많이 요구되고 있다. 따라서 본 논문에서는이러한 문제점을 해결하기 위해 시계열 데이터 예측에 강세를 보이는 장단기 기억 신경망 (Long-Term Short Memory, LSTM)을 기반으로 한가변적인 서버 관리 기법을 제안한다. 제안된 모델을 통해 서버에서 사용되는 전력을 보다 효과적으로 줄일 수 있게 되며, 현업환경에서 이전보다안정적이고 효율적으로 서버를 관리할 수 있게 된다. 제안된 모델의 검증을 위해 위키피디아 (Wikipedia)의 데이터 센터 중 6개의 데이터 센터의전송 및 수신 트래픽 데이터를 수집한 뒤 통계기반 분석을 통해 각 트래픽 데이터의 관계를 분석 및 실험을 수행하였다. 실험 결과 본 논문에서제안된 모델의 유의미한 성능을 통계적으로 검증하였으며 서버 관리를 안정적이고 효율적으로 수행할 수 있음을 보여주었다.
Abstract
As data utilization is becoming more important recently, the importance of data centers is also increasing. However, the data centeris a problem in terms of environment and economy because it is a massive power-consuming facility that runs 24 hours a day. Recently,studies using deep learning techniques to reduce power used in data centers or servers or predict traffic have been conducted fromvarious perspectives. However, the amount of traffic data processed by the server is anomalous, which makes it difficult to manage theserver. In addition, many studies on dynamic server management techniques are still required. Therefore, in this paper, we propose adynamic server management technique based on Long-Term Short Memory (LSTM), which is robust to time series data prediction. Theproposed model allows servers to be managed more reliably and efficiently in the field environment than before, and reduces powerused by servers more effectively. For verification of the proposed model, we collect transmission and reception traffic data from six ofWikipedia's data centers, and then analyze and experiment with statistical-based analysis on the relationship of each traffic data. Experimental results show that the proposed model is helpful for reliably and efficiently running servers.
참고문헌 (16)
- United states data center energy usage report, "A. Shehabi", Lawrence Berkeley National Laboratory, ~, pp.LBNL-1005775 (2016)
- D. Bouley, "Schneider Electric White Paper Library", pp.14~22 (2011)
- S. J. Davis, "Net-zero emissions energy systems", Science, 360(6396), pp.eaas9793~ (2018)
- J. Judge, "Reducing data center energy consumption", Ashrae Journal, 50(11), pp.14~26 (2008)
- 이경진, "멀티미디어 서버에서 에너지 절약을 위한 데이터 배치 및 전원 관리", 디지털콘텐츠학회논문지, 19(1), pp.43~49 (2018), 한국디지털콘텐츠학회[DOI]
- 김호연, "서버 클러스터 환경에서 에너지 절약을 위한 동적 서버 전원 모드 제어", 정보처리학회논문지C, 19(2), pp.135~144 (2012), 한국정보처리학회[DOI]
- S. G. Ma, "LSTM-based server management model for carbon-neutral data center operation", Proceedings of the Annual Spring Conference of Korea Information Processing Society Conference (KIPS)2022, 29(1), pp.487~490 (2022)
- S. Hochreiter, "Long short-term memory", Neural Computation, 9(8), pp.1735~1780 (1997)
- "Network prediction of traffic generation amount using time series prediction model"[URL]
- T. Y. Kim, "Web traffic anomaly detection using C-LSTM neural networks", Expert Systems with Applications, 106, pp.66~76 (2018)
- 박보랑, "데이터센터 냉방 에너지 절약을 위한 최적 냉수 유량 예측·제어 알고리즘 개발", KIEAE Journal, 21(3), pp.47~53 (2021), 한국생태환경건축학회[DOI]
- J. Y. Kim, "Study on the development of energy conservation system for data center by utilizing multi-staged outdoor air cooling", Conference of Architectural Institute of Korea, 34(2), pp.267~268 (2014)
- L. Jin, "R2 around the world : New theory and new tests", Journal of financial Economics, 79(2), pp.257~292 (2006)
- O. Israeli, "A Shapley-based decomposition of the R-square of a linear regression", The Journal of Economic Inequality, 5(2), pp.199~212 (2007)
- B. Jacob, "Noise Reduction in Speech Processing", pp.1~4 (2009)
- "Wikitech"[URL]