SHIELD：面向碳、废水与能耗感知的数据中心管理的可持续混合演化学习框架
分布式、并行与集群计算
2023-08-28 v1 机器学习
神经与进化计算
摘要
当今的云数据中心常地理分布以提供稳健的数据服务。但这些地理分布式数据中心（GDDCs）因其日益增长的碳排放与用水量而带来显著的环境影响，亟需加以遏制。此外，运营这些数据中心的能源成本持续上升。本文提出一种新颖的框架，利用称为 SHIELD 的混合工作负载管理框架，将机器学习引导的局部搜索与基于分解的演化算法相结合，协同优化 GDDCs 的碳排放、水足迹与能源成本。我们的框架考虑发电/用电、成本与环境影响的地理因素和基于时间的差异，以智能地管理跨 GDDCs 的工作负载分布与数据中心运行。实验结果表明，与当前最优方法相比，SHIELD 可实现 34.4 倍加速与 2.1 倍的 Pareto Hypervolume 提升，同时将碳足迹降低至多 3.7 倍、水足迹降低至多 1.8 倍、能源成本降低至多 1.3 倍，并在所有目标（碳、水、成本）上实现至多 4.8 倍的累积改进。
引用
@article{arxiv.2308.13086,
title = {SHIELD: Sustainable Hybrid Evolutionary Learning Framework for Carbon, Wastewater, and Energy-Aware Data Center Management},
author = {Sirui Qi and Dejan Milojicic and Cullen Bash and Sudeep Pasricha},
journal= {arXiv preprint arXiv:2308.13086},
year = {2023}
}