博弈论深度强化学习最小化地理分布式数据中心AI推理工作负载的碳排放和能源成本
分布式、并行与集群计算
2024-04-03 v1 人工智能
机器学习
摘要
由于人工智能（AI）工作负载的增加，数据中心正在使用更多能源，这对环境产生负面影响并提高运营成本。在保持性能的同时降低运营费用和碳排放是一个具有挑战性的问题。本文介绍了一种独特的方法，结合博弈论（GT）和深度强化学习（DRL），优化地理分布式数据中心中AI推理工作负载的分布，以减少碳排放和云运营（能源+数据传输）成本。所提出的技术将非合作博弈论原理集成到DRL框架中，使数据中心能够就工作负载分配做出智能决策，同时考虑硬件资源的异构性、电价的动态性、数据中心间数据传输成本和碳足迹。我们进行了大量实验，将我们的博弈论DRL（GT-DRL）方法与当前基于DRL和其他优化技术进行比较。结果表明，我们的策略在减少碳排放和最小化云运营成本方面优于最先进技术，且不牺牲计算性能。这项工作对于实现处理跨不同地理位置AI推理工作负载的数据中心的可持续性和成本效益具有重要意义。
引用
@article{arxiv.2404.01459,
title = {Game-Theoretic Deep Reinforcement Learning to Minimize Carbon Emissions and Energy Costs for AI Inference Workloads in Geo-Distributed Data Centers},
author = {Ninad Hogade and Sudeep Pasricha},
journal= {arXiv preprint arXiv:2404.01459},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:2106.00066