Decreasing power consumption with energy efficient data aware strategies

a b s t r a c t

Regardless of whether data is stored in a cluster, grid, or cloud, data management is being recognized as a significant bottleneck. Computing elements can be located far away from the data storage elements. The energy efficiency of the data centers storing this data is one of the biggest issues in data intensive computing. In order to address such issues, we are designing and analyzing a series of energy efficient data aware strategies involving data replication and CPU scheduling. In this paper, we present a new strategy for data replication, called Queued Least-Frequently-Used (QLFU), and study its performance to determine if it is an energy efficient strategy. We also study the benefits of using a data aware CPU scheduling strategy, called data backfilling, which uses job preemption in order to maximize CPU usage and allows for longer periods of suspension time to save energy. We measure the performance of QLFU and existing replica strategies on a small green cluster to study the running time and power consumption of the strategies with and without data backfilling. Results from this study have demonstrated that energy efficient data management can reduce energy consumption without negatively impacting response time.

دانلود رایگان مقاله انگلیسی                  1.73 MB

چکیده
صرفنظر از اینکه داده ها در یک خوشه، گرید یا ابر ذخیره می شوند، مدیریت داده بعنوان گلوگاه مهمی شناسایی می شود. عناصر محاسبات می توانند دور از عناصر ذخیره سازی داده ها قرار گیرند. کارایی انرژی مراکز داده ای که این داده ها را ذخیره می سازند، یکی از بزرگترین مباحث در محاسباتی با داده های زیاد می باشد. به منظور بیان چنین مباحثی، مجموعه هایی از استراتژی های آگاه از داده ی موثر در انرژی که شامل تکرار داده و زمانبندی CPU می باشند، را طراحی کرده و مورد تجزیه و تحلیل قرار می دهیم. در این مقاله، یک استراتژی جدید برای تکرار داده، به نام روش حداقل استفاده شده ی صف بندی شده (QLFU) ارائه می کنیم و به بررسی کارایی اش برای تعیین اینکه آیا یک استراتژی موثر در انرژی می باشد یا نه، می پردازیم. همچنین به بررسی مزایای استفاده از استراتژی زمانبندی CPU آگاه از داده ها با نام پرسازی داده ها می پردازیم که از انحصار کار به منظور بیشینه سازی مصرف CPU استفاده می کند و امکان بازه ی زمانی تعلیق طولانی تر را برای صرفه جویی در انرژی فراهم می سازد. کارایی QLFU و استراتژی های تکرار موجود را روی خوشه ی سبز کوچکی به منظور بررسی زمان اجرا و مصرف توان استراتژی ها با و بدون پرسازی داده ها ارزیابی می کنیم. نتایج این مطالعه نشان دادند که مدیریت داده ی موثر در انرژی می تواند مصرف انرژی را بدون تاثیر منفی روی زمان پاسخ کاهش دهد.

تعداد صفحات مقاله انگلیسی: 12 صفحه
تعداد صفحات مقاله فارسی: 41 صفحه