HPCクラウドとエネルギー性能のトレードオフ

Tiffany Trader

公的なクラウドプラットフォームは、大規模な設備投資をしなくても、強力なコンピューティングリソースにアクセスするための手段として普及してきている。

クラウドコンピューティングは、すべてのHPCワークロードに適していないが、一部のHPCユーザのための民主化効果があり、参入障壁も低い。先月、IDCは、HPCワークロードを処理するために、クラウドコンピューティングを使用しているサイトの割合は、2011年の13.8％から2013年には23.5%に上昇したことを明らかにし、2013年のサイトの中でパブリックおよびプライベートクラウドの利用はほぼ均等だった。

HPCコミュニティの一部は、早い段階でHPCワークロードのための「クラウド」の適合性を否定する一方、グリッド/クラウド/仮想化分野は、活動的な研究ベースを長く続け、今日まで続く傾向を享受してきた。ベトナムのホーチミン市立技術大学に拠点を置くコンピュータ科学者の3人組を起源とするgreen angleからの最近の論文のひとつは、この話題に取り組んでいる。高性能コンピューティングクラウド内での仮想マシンのエネルギー効率的な配置に関する彼らの仕事は、ベトナム科学技術アカデミーの科学技術ジャーナルで今月公開された。

一部のHPCクラウドはベアメタルサーバを利用するが、この研究では、仮想マシン（VM）の形態での計算リソースの準備のために仮想化技術を使用するクラウドプラットフォームのより一般的なタイプに関心を向けている。クラウドデータセンターでは、エネルギー消費量がほとんどの場合、一番のコストセンターであり、よってクラウド事業者がエネルギー使用の制御を行うための高い動機づけがある。これを行う1つの方法は、エネルギー効率管理技術を活用することである。

しかし、これらの技術に課題がないわけではない。例えば、HPCクラウド内の仮想マシンへのエネルギー効率的な資源配分を実現するために、物理マシンのエネルギー消費の最小化とサービス品質(例えば、性能またはリソース可用性)の満足の間にトレードオフが存在する。クラウドプロバイダーは、物理サーバの最小数を操作し、電力コストを低減することによって、利益を最大化することができる。しかし、その方向性に反するのは、アプリケーションのための最高性能を望むクラウド顧客だ。

状況は、HPCアプリケーションによってより一層挑戦的だ。リソース要件は、アプリケーションに依存するが、HPCワークロードは主にCPU集約的にあるように、彼らはそのような動的統合と移行のような、いくつかのエネルギー管理技術に対して不適当である。

本論文では、研究者は、各仮想マシンへ最もエネルギー効率的な物理マシンを選択するためのワット単位性能の測定基準を使用した新しいVM割り当て学習法を提案する。彼らのエネルギー認知スケジュールアルゴリズムは、エネルギー効率をランク付けする測定基準（ワット単位性能）を使用するGreen500リストのアイデアに着想を得ている。彼らは、質問をする： 「どのように新しいVMの割り当てについてホストを選択するための基準として、類似した測定基準（例えば総MIPS/ワット）を使用して、システム全体の総エネルギー消費量を最小化することができますか？」

彼らの技法は、エネルギー認知とワット単位性能指向の最適正化（EPOBF）と呼ばれている。研究では、各マシンがマルチコアCPUを持つ異機種の物理マシン上での最先端の学習法（PABFDとVBP Greedyと呼ばれる）とEPOBF（バージョン1および2）を比較する。

筆者は、HPCクラウドとVM割り当て学習法をモデル化し、シミュレートするCloudSimの最新版（バージョン3.0）を選択した。そのシミュレートされたクラウドデータセンターは、5000の異機種PMを持ち、そしてそれぞれがHPCタスクをモデル化することができる29624のcloudletsでワークロードをシミュレートした。

物理マシンは、1/3のHP ProLiant ML110 G5マシン、1/3のIBM x3250マシン、1/3のDell PowerEdge R620マシンに分割した。研究者は、PMの消費電力はCPU使用率に対して線形関係を有すると仮定する。

異なるVM割り当て学習法のエネルギー消費量：

この研究のために使用されたセットアップでは、スケジューラは、将来的にユーザジョブとユーザアプリケーションに関するグローバル情報へのアクセスは行わない。ユーザは、固定開始時刻と非割込み期間での短期的なリソースを要求する。

著者は、HPCクラウドのスケジューラがエネルギー効率の改善されたホストへ仮想マシンを割り当てることがワット単位性能の測定基準を使用することは可能であると結論付けている。実験的なシミュレーションは、EPOBF学習法はPABFDとVBP Greedy割り当て学習法と比較して平均で35％の総エネルギー消費量を低減することができることを示している。

これらのコンピュータ科学者のための次のステップは、システムモデルとワークロードの異なるタイプでのEPOBF学習法の性能を評価することである。彼らはまた、エネルギーモデルでのメモリの影響を調査し、マルチコアのPMのための正確な電力モデルを開発していく予定である。