数据中心规模动态调整算法的实现

数据中心的能耗占全球总能耗的很大一部分。大多数数据中心采用静态配置，导致服务器平均利用率很低。本工作中，我们综述了用于动态开启和关闭服务器以降低数据中心能耗足迹同时保证 incoming 作业及时处理的一维和高维方法。我们实现了平滑在线凸优化及其变体算法，其中每一轮智能体接收一个凸代价函数。智能体寻求最小化该代价与轮间改变决策相关的移动代价之间的平衡。我们以最一般的形式实现这些算法，邀请未来在其他应用领域对其性能的研究。我们使用来自 Facebook、Microsoft、Alibaba 和 Los Alamos National Lab 的迹数据评估了用于数据中心规模动态调整应用的算法。我们的实验表明，在线算法在实践中表现接近动态离线最优，并有望相比静态服务器配置显著降低成本。我们讨论了数据中心模型和迹数据的特征如何影响性能。最后，我们研究了预测在实际中用于实现进一步成本降低的方法。