مراکز داده برای پردازش، سرمایش، ذخیره‌سازی و شبکه انرژی مصرف می‌کنند. حتی سروری که بار کمی دارد، بخشی قابل توجه از توان حالت اوج را مصرف می‌کند. به همین دلیل توزیع یکنواخت بار همیشه کم‌مصرف‌ترین راهبرد نیست.

تجمیع بار

در دوره‌های کم‌بار می‌توان ماشین‌های مجازی را روی تعداد کمتری میزبان تجمیع کرد و میزبان‌های خالی را به حالت Sleep برد. این روش مصرف پایه سرورها را کاهش می‌دهد، اما مهاجرت ماشین مجازی هزینه و ریسک افت عملکرد دارد.

DVFS

تنظیم پویای ولتاژ و فرکانس پردازنده توان مصرفی را کاهش می‌دهد. در وظایفی که مهلت انعطاف‌پذیر دارند، اجرای پردازنده در فرکانس پایین‌تر می‌تواند انرژی را کم کند. برای بارهای حساس به تأخیر باید مراقب افزایش زمان اجرا بود.

مدل توان

الگوریتم زمان‌بندی به یک مدل قابل اعتماد نیاز دارد. مدل خطی ساده توان را بر اساس استفاده CPU تخمین می‌زند، اما حافظه، دیسک، GPU و دما نیز اثرگذارند. مدل تجربی هر نسل سخت‌افزار دقت بیشتری ایجاد می‌کند.

دمای مرکز داده

تراکم بار در یک رک ممکن است نقطه داغ ایجاد کند و انرژی سرمایش را افزایش دهد. زمان‌بندی آگاه از دما علاوه بر مصرف سرور، موقعیت فیزیکی و ظرفیت سرمایش را در نظر می‌گیرد.

انرژی تجدیدپذیر و کربن

در مراکز داده چندمنطقه‌ای، شدت کربن برق در زمان و مکان متفاوت است. وظایف قابل تأخیر را می‌توان به منطقه یا ساعتی منتقل کرد که سهم انرژی پاک بیشتر است، به شرطی که محدودیت داده و SLA نقض نشود.

تعارض با کیفیت سرویس

خاموش‌کردن بیش از حد منابع باعث تأخیر در فعال‌سازی مجدد می‌شود. هدف واقعی کمینه‌سازی انرژی تحت قیود عملکرد است. استفاده از جبهه پارتو یا سیاست‌های تطبیقی کمک می‌کند تعادل بین انرژی و زمان پاسخ حفظ شود.

اندازه‌گیری واقعی

صرف کاهش درصد استفاده CPU نشانه کاهش انرژی نیست. باید انرژی بر حسب کیلووات‌ساعت، PUE، تعداد نقض SLA، زمان مهاجرت و هزینه مالی اندازه‌گیری شود. آزمایش باید بارهای مختلف و چند تکرار داشته باشد.

نتیجه‌گیری

زمان‌بندی آگاه از انرژی ترکیبی از تصمیم نرم‌افزاری و شناخت سخت‌افزار است. تجمیع بار، DVFS، کنترل دما و انتقال جغرافیایی زمانی مؤثرند که با مدل توان معتبر و قیود کیفیت سرویس استفاده شوند.