Abstract:
Il Dynamic voltage and frequency scaling (Dvfs) rappresenta una delle tecniche più conosciute ed utilizzate per tentare di ridurre il consumo energetico di una Cpu. L’efficacia di questo approccio è tuttavia, strettamente legata alla corretta rilevazione del carico di lavoro sottoposto alla Cpu. Spesso infatti, risulta difficile rilevare un cambiamento molto veloce nel livello di carico. Inoltre, il miglioramento delle prestazioni in termini di consumo energetico, è ostacolato dalla degradazione del livello di throughput del sistema. Attualmente, non si è a conoscenza dell’esistenza di modelli analitici che permettano di calcolare il rendimento energetico delle politiche di controllo della frequenza, il che rende difficile valutare il trade-off tra il throughput del sistema e il consumo di energia.
Quello che viene fatto in questa tesi, è presentare un modello formale per il calcolo degli indici di performance (throughput e consumo di energia). Il modello è stato sviluppato con lo scopo ideale di ridurre al minimo il consumo energetico senza però compromettere la produttività del sistema ed è formalizzato nell’algebra di processo Pepa. Ciò permette, attraverso l’analisi della catena di Markov sottostante il modello, di ricavare gli indici richiesti in maniera puramente algoritmica oltre che efficace. Il modello è stato poi testato al fine valutare le prestazioni di un insieme di strategie per il controllo dinamico del livello di frequenza, sulle tracce messe a disposizione dal progetto GoogleClusterData, che fornisce informazioni dettagliate sul carico di lavoro di un cluster di circa 11000 macchine. La parametrizzazione del modello ha riguardato l’adattamento in forma di processi Markoviani e le prestazioni sono state valutate utilizzando il plugin per Eclipse fornito dal team Pepa.
I test eseguiti evidenziano come il modello proposto offra importanti opportunità nella riduzione del consumo energetico delle Cpu mantenendo, allo stesso tempo, un ragionevole livello di throughput. Le possibili applicazioni del framework proposto comprendono la riduzione del consumo energetico nei grandi centri dati, ma anche la definizione di nuove politiche per la gestione intelligente della batteria in dispositivi mobili come tablet e smartphone.
