DOI QR코드

DOI QR Code

Towards Carbon-Neutralization: Deep Learning-Based Server Management Method for Efficient Energy Operation in Data Centers

탄소중립을 향하여: 데이터 센터에서의 효율적인 에너지 운영을 위한 딥러닝 기반 서버 관리 방안

  • Received : 2022.08.01
  • Accepted : 2022.08.31
  • Published : 2023.04.30

Abstract

As data utilization is becoming more important recently, the importance of data centers is also increasing. However, the data center is a problem in terms of environment and economy because it is a massive power-consuming facility that runs 24 hours a day. Recently, studies using deep learning techniques to reduce power used in data centers or servers or predict traffic have been conducted from various perspectives. However, the amount of traffic data processed by the server is anomalous, which makes it difficult to manage the server. In addition, many studies on dynamic server management techniques are still required. Therefore, in this paper, we propose a dynamic server management technique based on Long-Term Short Memory (LSTM), which is robust to time series data prediction. The proposed model allows servers to be managed more reliably and efficiently in the field environment than before, and reduces power used by servers more effectively. For verification of the proposed model, we collect transmission and reception traffic data from six of Wikipedia's data centers, and then analyze and experiment with statistical-based analysis on the relationship of each traffic data. Experimental results show that the proposed model is helpful for reliably and efficiently running servers.

최근 데이터 활용이 중요해짐에 따라 데이터 센터의 중요도도 함께 높아지고 있다. 하지만 데이터 센터는 막대한 전력을 소모함과 동시에 24시간 가동되는 시설이기 때문에 환경적, 경제적 측면에서 문제가 되고 있다. 최근 딥러닝 기법들을 사용하여 트래픽을 예측하거나, 데이터 센터나 서버에서 사용되는 전력을 줄이는 연구들이 다양한 관점에서 이루어지고 있다. 그러나 서버에서 처리되는 트래픽 데이터양은 변칙적이며 이는 서버를 관리하기 어렵게 만든다. 또한, 서버 상황에 따라 서버를 가변적으로 관리하는 기법에 대한 연구들이 여전히 많이 요구되고 있다. 따라서 본 논문에서는 이러한 문제점을 해결하기 위해 시계열 데이터 예측에 강세를 보이는 장단기 기억 신경망 (Long-Term Short Memory, LSTM)을 기반으로 한 가변적인 서버 관리 기법을 제안한다. 제안된 모델을 통해 서버에서 사용되는 전력을 보다 효과적으로 줄일 수 있게 되며, 현업환경에서 이전보다 안정적이고 효율적으로 서버를 관리할 수 있게 된다. 제안된 모델의 검증을 위해 위키피디아 (Wikipedia)의 데이터 센터 중 6개의 데이터 센터의 전송 및 수신 트래픽 데이터를 수집한 뒤 통계기반 분석을 통해 각 트래픽 데이터의 관계를 분석 및 실험을 수행하였다. 실험 결과 본 논문에서 제안된 모델의 유의미한 성능을 통계적으로 검증하였으며 서버 관리를 안정적이고 효율적으로 수행할 수 있음을 보여주었다.

Keywords

Acknowledgement

이 논문은 2022년도 정부(교육부)의 재원으로 한국연구재단의 지원을 받아 수행된 기초연구사업임(No. NRF-2020R1I1A3073313).

References

  1. A. Shehabi et al., "United states data center energy usage report," Lawrence Berkeley National Laboratory, Berkeley, California. LBNL-1005775, 2016.
  2. D. Bouley, "Estimating a data center's electrical carbon footprint," Schneider Electric White Paper Library, pp.14-22, 2011.
  3. S. J. Davis et al., "Net-zero emissions energy systems," Science, Vol.360, No.6396, pp.eaas9793, 2018.
  4. J. Judge, J. Pouchet, A. Ekbote, and S. Dixit, "Reducing data center energy consumption," Ashrae Journal, Vol.50, No.11, pp.14-26, 2008.
  5. K. J. Lee and E. S. Kim "Data placement and power management for energy saving in multimedia servers," Journal of Digital Contents Society, Vol.19, No.1, pp.43- 49, 2018. https://doi.org/10.9728/DCS.2018.19.1.43
  6. H. Y. Kim, C. H. Ham, H. K. Kwak, H. U. Kwon, Y. J. Kim, and K. S. Chung, "A dynamic server power mode control for saving energy in a server cluster environment," The KIPS Transactions: PartC, Vol.19C, No.2, pp.135-144, 2012. https://doi.org/10.3745/KIPSTC.2012.19C.2.135
  7. S. G. Ma, J. H. Park, and Y. S. Seo, "LSTM-based server management model for carbon-neutral data center operation," Proceedings of the Annual Spring Conference of Korea Information Processing Society Conference (KIPS) 2022, Vol.29, No.1, pp.487-490, 2022.
  8. S. Hochreiter and J. Schmidhuber, "Long short-term memory," Neural Computation, Vol.9, No.8, pp.1735-1780, 1997. https://doi.org/10.1162/neco.1997.9.8.1735
  9. Y. J. Jang, "Network prediction of traffic generation amount using time series prediction model," [Internet], https://repository.hanyang.ac.kr/handle/20.500.11754/168385.
  10. T. Y. Kim and S. B. Cho, "Web traffic anomaly detection using C-LSTM neural networks," Expert Systems with Applications, Vol.106, pp.66-76, 2018. https://doi.org/10.1016/j.eswa.2018.04.004
  11. B. R. Park, Y. J. Choi, J. Y. Hyun, Y. R. Tae, and J. W. Moon, "Development of optimal chilled water mass flow rate prediction and control algorithm for data center-cooling energy saving," Journal of the Korea Institute of Ecological Architecture and Environment, Vol.21, No.3, pp.47-53, 2021. https://doi.org/10.12813/kieae.2021.21.3.047
  12. J. Y. Kim, H. J. Chang, and Y. H. Jung, "Study on the development of energy conservation system for data center by utilizing multi-staged outdoor air cooling," Conference of Architectural Institute of Korea, Vol.34, No.2, pp.267- 268, 2014.
  13. L. Jin and S. C. Myers, "R2 around the world: New theory and new tests," Journal of financial Economics, Vol.79, No.2, pp.257-292, 2006. https://doi.org/10.1016/j.jfineco.2004.11.003
  14. O. Israeli, "A Shapley-based decomposition of the R-square of a linear regression," The Journal of Economic Inequality, Vol.5, No.2, pp.199-212, 2007. https://doi.org/10.1007/s10888-006-9036-6
  15. B. Jacob, C. Jingdong, and H, Yiteng, "Pearson correlation coefficient," in Noise Reduction in Speech Processing, pp.1-4, 2009.
  16. Wikitech [Internet], https://wikitech.wikimedia.org/.