Googleはより良いデータセンターを構築するための機械学習に目を向けています

Googleは、人工知能技術を利用して、グローバルなデータセンターから効率を奪い取っています。

米国の技術大手は、ニューラルネットワークを使用して、オンラインサービスをサポートする施設を稼動させる電気の節約方法を学んでいます。

神経ネットワークは、過去の購入に基づいて買い物客に製品を推薦するためによく使用されるもので、脳の側面、特にニューロン間の相互作用を模倣するように設計された機械学習アルゴリズムのクラスです。

「機械学習アルゴリズムを既存の監視データに適用することで、DCの操作効率を大幅に向上させる機会が得られます」と、機械技術者およびデータアナリストのJim Gao氏はオンラインで書いています。

典型的な大規模DCは毎日何千ものセンサに渡って数百万のデータポイントを生成しますが、このデータは監視目的以外のアプリケーションではほとんど使用されません。処理能力と監視機能の進歩は、機械学習がベストプラクティスを導き、DC効率を向上させる大きな機会を作り出します。

報道によると、ニューラルネットワークを使用するという考えは、スタンフォード大学が提供する機械学習のオンラインクラスを取ったGoogleのデータセンター責任者のジョー・カヴァ(Joe Kava)氏から来ているという。

その動機付けは、データセンタの効率を向上させる際のリターンの減少に起因しています。

データセンターの電力使用効率(PUE)評価は、インフラストラクチャの冷却と電力配分を関連づけるのではなく、施設で使用される電力のうちどれがサーバーに電力供給されるかを反映します。

近年、FacebookやGoogleなどの大手技術企業は、熱気閉じ込め、水面の節約、広範な監視などの手法を使用してPUE 1.0を達成する理想に近づいています。

しかし、PUE 1.0に近づくにつれて、施設の効率化率は低下しています。このグラフは、Googleの過去のPUEパフォーマンスを示しています。2008年の1.21の年間フリークエンシーPUEから2013年の1.12に向上しています。

Googleは、ニューラルネットワークの研究は、「1.10 PUE時代のDC性能を最適化するためのデータ駆動型アプローチを実証する」ように設計されていると述べています。

大規模なデータセンター内の機械的および電気的装置のアレイによって生成されるデータの量およびそれらの複雑な相互作用は、従来の技術計算式を使用してデータセンターの効率を予測することを困難にします。

Googleでは、施設内の小さな変更が接続されたシステム全体にどのようにカスケードできるかを例示しています。

コールドアイル温度設定値への簡単な変更は、冷却インフラストラクチャ(チラー、冷却塔、熱交換器、ポンプなど)の負荷変動をもたらし、ひいては装置効率の非線形変化を引き起こす。

予測式モデリングに標準式を使用すると、複雑な相互依存関係を捕捉できないため、大きなエラーが発生することがあります。

なぜニューラルネットワークですか?

Googleドキュメントで使用するトップアプリ、GoogleでローカルのChrome拡張機能をブロックする、Googleドライブのヒント、パワーユーザー向けのヒント

IBMは、Linux、Power8、OpenPowerの新システム、Cloud、マイケル・デル、EMCの契約を締結した:「データセンター、デルタはシステムの稼働停止に$ 1億5000万ドル、データセンター、デルテクノロジーは持ちこたえます:ここでは、エンタープライズビジネスの群れであるDell、EMC

さらに、可能な設備組合せの数およびそれらの設定値は、最適効率がどこにあるかを決定することを困難にする。

ニューラルネットワークは、データセンターシステムの複雑なメッシュからの結果を予測できるモデルを生成するのに適しているとGoogleは述べています。これらの無数の相互作用を前面に定義することなくシステム内のデータや相互作用のパターンを検索できます。

これらのモデルは、データセンタのPUEを正確に予測し、センターがモデルの予測から逸脱しすぎると自動的に問題のフラグを立て、省エネルギーの機会を特定し、新しい構成をテストしてセンターの効率を向上させます。

このタイプのシミュレーションにより、最適なプラント構成を特定し、プラントの変化を囲む不確実性を低減する目的で、事業者はDCを仮想化できます。

Google

Googleでは、これらの予測モデルを使用してインフラストラクチャを微調整し、PUEの改善を推進する方法を特定する方法の例を示しました。

たとえば、Google DCで実施されたPUE対冷気通路温度(CAT)の内部分析では、冷却塔LWTおよび冷水注入ポンプの設定値を3F増加させることによって理論的にPUEが0.005低下したことが示唆されました。このシミュレートされたPUE低減は、その後、実験的な試験結果で検証された。

Googleは、その論文で詳述されているニューラルネットワークは、主要なデータセンターの1つでPUEを1ヶ月間にわたって高い精度で予測できたことを報告しています。平均エラー率はわずか0.004、標準偏差は0.005ですテストデータセット。

「Google DCの実際のテストでは、機械学習は既存のセンサデータを使用してDCエネルギー効率をモデル化する効果的な方法であり、大幅なコスト削減をもたらす可能性があります」と結論づけています。

モデルアプリケーションには、新しいプラント構成を評価し、エネルギー効率性能を評価し、最適化の機会を特定するDCシミュレーションが含まれています。

IBM、新しいLinux、Power8、OpenPowerシステムを発表

マイケル・デルがEMCとの契約を締結した。「数十年後には、

デルタはシステム停止に価格タグを付ける:税引前利益150百万ドル

Dell Technologiesがリフトオフする:ここでは、Dell、EMC、エンタープライズビジネスの群れが結合