Modélisation, analyse et prédiction de l’efficacité énergétique des centres de données

Résumé

Les applications et les technologies rendues disponibles par divers concepts et paradigmes du d’infonuagique et de l'Internet des objets, ainsi que leur combinaison, ont conduit à des volumes croissants de données à traiter, stocker et échanger. Ceci, à son tour, a conduit à un besoin croissant de centres de données (DC). Avec l'expansion rapide des DCs, de nombreux problèmes apparaissent et la consommation d'énergie élevée en est le premier. En outre, les tendances à l'augmentation de la capacité des DCs et de la consommation d'énergie par les équipements informatiques, réaffirment la nécessité de vérifier et de maintenir l'efficacité énergétique des DCs. En conséquence, les centres de données font partie des environnements les plus complexes et les plus gourmands en énergie en raison des charges internes élevées, des paramètres requis pour le maintien de basse température et d'humidité et du fonctionnement continu dans ce type d'environnements. Les DCs sont des systèmes complexes et leur conception est une tâche d'ingénierie difficile en raison de la complexité des sous-systèmes qui le composent, ainsi que des diverses interactions et dépendances entre ces derniers. Dans ce cadre, un métamodèle DCMM (Data Center MetaModel) est proposé qui présente les différents sous-systèmes constituant l'infrastructure physique et informatique, leurs interconnexions et la structure hétérogène du DC, les principales caractéristiques, et ses différentes contraintes. Ce métamodèle est utilisé comme base pour donner une redéfinition précise et générique du PUE (Indicateur d'efficacité énergétique). Ensuite, nous analysons le comportement d'un modèle basé sur l'apprentissage automatique en profondeur pour prédire la métrique d'efficacité énergétique du centre de données (PUE). Une analyse sensible permet de fixer les paramètres clés et d'évaluer les actions de divers sous-systèmes du centre de données sur la variation du PUE. Nous implémentons trois modèles d'apprentissage automatique en profondeur: 1) le modèle DNN avec l'algorithme propagation résilient, comme algorithme d'entraînement, 2) le modèle LSTM basé sur la technique d'attention et 3) le modèle de référence Google MLP pour fin de comparaison. L'étude comparative est basée sur trois métriques: l'erreur quadratique moyenne (RMSE), l'erreur absolue moyenne (MAE) et le coefficient de corrélation R-carré (R2). La validation de l'approche proposée se fait à travers des expérimentations avec des ensembles de données réels issus de deux études de cas réels. Les résultats obtenus de cette expérimentation indiquent que notre modèle basé sur l'attention LSTM proposé améliore la PUE, et par conséquent, montre sa promesse pour une mise en oeuvre pratique.

Date	11 juin 2021
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Abdelouahed Gherbi (Directeur(-trice)) & Nadjia Kara (Codirecteur(-trice))