Optimalizace nákladů na provoz datového centra

AIP Scholaris 2(2), 2013, 8–22, ISSN 1805-613X Online: scholaris.vse.cz

Optimalizace nákladů na provoz datového centra Jan Kunst1, Jan Beneš1, Roman Volf1 1

Fakulta informatiky a statistiky, Vysoká škola ekonomická v Praze nám. W. Churchilla 4, 130 67 Praha 3 {xkunj23, xbenj33, xvolr04}@vse.cz

Abstrakt: Naše práce nastiňuje současné možnosti, jak efektivně využívat dostupné technologie a znalosti problematiky optimalizace výdajů na celkovou spotřebu a efektivitu chodu datového centra, které vedou v konečném důsledku ke snížení celkové spotřeby energie a snížení nákladů. Zabýváme se různými způsoby napájení datového centra, dále vybranými možnostmi pro optimalizaci chlazení v datových centrech a na závěr řešíme jak optimálně rozložit zátěž na jednotlivé servery, a to v prostoru i v čase. Klíčová slova: Datové centrum, horké a studené uličky, tepelný management, rozložení zátěže

Title: Optimizing the cost of running the data center Abstract: Our work outlines current options of efficient use of available technology and knowledge of optimizing the total expenditure on consumption and efficiency of data center operation, which lead to overall energy consumption and costs reduce. We deal with different ways to power the data center, also with selected options how to optimize cooling in data centers and at the end we find out how to place workload on servers, both in space and in time. Keywords: Data center, hot and cold aisles, thermal management, workload placement

Vypracováno v rámci magisterského semináře: Řízení podnikové informatiky (Cílem předmětu je seznámit studenty s principy řízení podnikové informatiky, zejména s plánováním rozvoje a řízením informatických služeb, s různými formami zajištění informatických služeb, s řízením informatických procesů a zdrojů.) Vyučující semináře: Ing. Tomáš Bruckner, Ph.D.

AIP Scholaris

9

1 ÚVOD V dnešní době, ve které je stále více a více uživatelů internetu, spotřeba energie v datových centrech neustále stoupá. Proto je potřeba optimalizovat výdaje na celkovou spotřebu a efektivitu chodu datového centra. TCO (Total Cost of Ownership), tedy celková cena za vlastnictví, je složena z mnoha komponent, jako jsou výdaje za nájem/výstavbu budov, výdaje za samotné servery nebo za veškerou používanou techniku. Pravdou ale je, že kolem 25% z TCO je vydáno právě za elektrickou energii, což bylo v roce 2011 jen v USA kolem 7 miliard dolarů [1]. Celkově je spotřeba datových center více než 1% z celkové spotřeby elektrické energie světa, což je pro představu stejně vypuštěného oxidu uhličitého, jako vypouští celá Argentina [5]. To poskytuje dostatečný potenciál pro možnou optimalizaci úspory elektrické energie a snižování vypouštěných emisí do naší atmosféry. Naše práce si proto klade za cíl nastínit současné možnosti, jak efektivně využívat dostupné technologie a znalosti této problematiky k efektivnímu chlazení a výběru vhodného způsobu napájení. V konečném důsledku by měly dále zmíněné metody vést ke snížení celkové spotřeby energie a tím i snížení nákladů na provoz datového centra.

2 MOŽNOSTI NAPÁJENÍ DATOVÝCH CENTER V této části se budeme zabývat problematikou výběru správného způsobu napájení datového centra. Zjistíme, co nám může přinést odebírání od více dodavatelů najednou a v čem může být výhodné používání obnovitelných zdrojů.

2.1 VÝBĚR DODAVATELE NAPÁJENÍ Dnešní datová centra jsou vesměs napájena od energetických gigantů, kde je cena za jednotku spotřebovaného výkonu pevně daná. [9] proto nabádá k multisourcingu, tedy co nejefektivnějšímu využívání nabídek různých dodavatelů. Pokud jednáte s dodavateli, jejichž služby se částečně překrývají, může se při vyhodnocení aktuálního stavu ukázat, že změna poskytovatele některých služeb mezi stávajícími dodavateli přinese nemalé úspory. Další možností jak uspořit výdaje za elektrickou energii je buď nakoupit za předem stanovenou cenu (paušál) nebo podle aktuální sazby v daném čase. V tomto případě je ovšem nutné posoudit, která varianta je dlouhodobě výhodnější. Paušál představuje stabilní sazbu po celý den. Druhá varianta je více riziková a náročnější na vytěžování IT zdrojů. Bude však výhodnější v případě, že datové centrum bude nejvíce vytěžováno v časech, kdy je cena energie nižší.

2.2 GREEN ICT Zavedení strategie Green ICT do podniku je vždy iniciováno za účelem dosažení pozitivního efektu. Environmentálně zodpovědná strategie stále nepatří mezi praktiky, kterým je při vytváření podniku věnována odpovídající pozornost. Zavedené společnosti pak ke změně přistupují pouze tehdy, přinese-li tato změna nějaký efekt, který je v ideálním případě možné vyjádřit finančně. Koncepce Green ICT nemůže být pro podnikatele zajímavá pouze s ohledem na životní prostředí, když bude na celé strategii finančně prodělávat. Primární motivací je tak úspora nákladů či zvýšení příjmů.

10

Kunst, Beneš, Volf

2.2.1 UDRŽITELNÉ DATOVÉ CENTRUM Datová centra tedy musí být stavěna tak, aby byla udržitelná a minimálně zatěžovala životní prostředí. Návrh takových datových center tedy nutně přináší nové postupy, přičemž rychlost inovací se v posledních letech výrazně zrychluje.

Obr. 1. Architektura udržitelného datového centra [9]

Obr. 1 ukazuje architekturu tzv. udržitelného datového centra. IT vybavení zahrnuje servery, zařízení na akumulaci energie a síťové prvky. Elektrická energie potřebná pro napájení všech zařízení je získávána z klasické elektrické sítě a pomocí alternativních zdrojů. V tomto případě z fotovoltaických článků a z větrných elektráren. Chladící aparatura se skládá z centrální jednotky, která řídí chladící výkon a spolupráci prvků, které mají za úkol ochlazovat teplý vzduch v datovém centru. Tato síť je složena ze tří zařízení. Z klasické klimatizační jednotky, a dále jednotek, které jako zdroj chlazení využívají okolní prostředí (vzduch, vodu). 2.2.2 VÝBĚR VHODNÉHO OBNOVITELNÉHO ZDROJE Není možné jednoznačné určit, jaký obnovitelný zdroj je vhodnější. Každý zdroj má svoje specifika a možnosti jeho efektivního využití. Velmi záleží na klimatických specifikách daného regionu. Je známo, že efektivní využití sluneční elektrárny závisí na počtu slunečných dnů/hodin v roce. Například na území ČR dopadají sluneční paprsky v průměru mezi 1330– 1800 hodinami ročně, dle konkrétního místa [4]. Rozdíl 470 hodin slunečního záření bude určitě mít dopady na rozhodnutí, o tom v jaké oblasti naší republiky je datové centrum závislé na obnovitelných zdrojích vhodné vybudovat. 2.2.3 PROBLÉM OBNOVITELNÝCH ZDROJŮ Využívání solární nebo větrné energie má ale jeden zásadní problém. Pokud bychom chtěli pokrývat větší množství spotřeby v nočních hodinách, pak musíme najít metodu pro ukládání vyrobené elektřiny. Energie ze slunce, jako jediná z obnovitelných zdrojů, má sice teoretický potenciál pokrýt 100% našich potřeb elektřiny, jenže fotovoltaické elektrárny vyrábí nejvíce elektřiny pouze v omezeném čase. Pro běh serverů v režimu 24x7 je však nutné elektřinu odpovídajícím způsobem akumulovat, což je ovšem velmi nákladné a ztrátové, protože během nabíjení dochází ke ztrátám energie a zároveň nejsou schopné kapacitu po delší dobu udržet (vybíjejí se). Další a efektivnější možností je plánovat jednotlivé požadavky a tím maximálně

AIP Scholaris

11

vytěžovat IT prostředky v době, kdy je energie z obnovitelných zdrojů vyráběna (o této problematice bude pojednáváno v části 4.3). Na systémy akumulace elektřiny je řada často protichůdných požadavků, důležité jsou následující vlastnosti [12]:       

Velikost a kapacita Maximální výkon jaký může poskytnout, jak rychle dokáže energii uvolnit Doba po jakou může energii uchovat a kolik energie se při tom ztratí Účinnost a její případný pokles s časem Investiční náklady a cena za akumulovanou kWh Počet cyklů, životnost Bezpečnost provozu, vliv na životní prostředí

2.2.4 NET – ZERO ENERGY V dílnách HP Labs vznikl program „HP Net-Zero Energy Data Center research“, který umožňuje firmám a organizacím provozovat po celém světě datová centra využívající místní obnovitelné zdroje energie. Dokáže tak odstranit závislost na konkrétní lokalitě, energetickém zdroji či místních cenách elektřiny [6]. Výzkum HP Labs ukázal, jak může tato architektura v kombinaci s technikami holistické správy energie snížit spotřebu energie až o 30%, zároveň získat nezávislost na standardním zdroji napájení a redukovat náklady o více než 80% [6]. HP díky tomu otevírá zcela nový prostor pro rozšíření IT služeb v organizacích všech velikostí.

2.3 PUE KOEFICIENT (POWER USAGE EFFECTIVENESS) PUE koeficient je poměr celkové spotřeby energie ke spotřebě IT vybavení (hardware). Tato hodnota je pak ukazatelem toho, jak efektivní je datové centrum jako celek, a také jaký ještě zbývá prostor ke zvyšování jeho efektivity. Ideální hodnota PUE je 1,0, což znamená, že by veškerá spotřebovaná energie byla využita přímo jen na provoz samotného IT, ale běžně mají moderní datová centra ve světě hodnotu PUE obvykle kolem 1,4. Pokud má datové centrum PUE výrazně vyšší, je to signálem pro jeho inovaci, která se pak dalším provozem rychle zaplatí.

3 FYZICKÉ USPOŘÁDÁNÍ DATOVÉHO CENTRA Tato část práce se zabývá především úsporou elektrické energie za pomoci rozšířených možností chlazení. Tato řešení jsou specifická především tím, že k jejich řešení je potřeba vykonat nějaký fyzický zásah do datového centra, ať už se jedná o přemístění samotných serverů, nebo dokoupení dalších zařízení (například v podobě ekonomizérů).

3.1 HORKÁ A STUDENÁ ULIČKA Horká a studená ulička je v dnešní době považována za standard většiny datových center, proto je její zařazení do této práce téměř nutností. Pokud je datové centrum vytvořeno bez tohoto systému, mísí se v místnosti studený vzduch, který do prostoru přichází, se vzduchem horkým, jež místnost opouští, což vede ke zvýšení nutné energie pro ventilátory kvůli pohybu vzduchu, který je důležitý pro udržení ideální teploty.

12

Kunst, Beneš, Volf

Principem horké a studené uličky je tedy vytvořit takové rozložení racků v místnosti, aby v prostoru utvořily uličky. Rozestavění serverů pak musí být takové, aby čela serverů (tedy část vyfukující horký vzduch) směřovala k sobě (což způsobí, že k sobě ve vedlejší uličce budou směřovat záda serverů, která naopak vzduch nasávají). Tím je tedy způsobeno, že v první uličce je vzduch pouze nasáván, ve vedlejší pouze vyfukován a ve vedlejší opět pouze nasáván. K tomu je samozřejmě potřeba jak přívod studeného vzduchu, tak vývod vzduchu teplého.

Obr. 2. Horká/studená ulička [2]

Přívod vzduchu je řešen pomocí „aktivních“ podlah – jedná se o vyvýšené dvojité podlahy s perforovanými díly. Pomocí těchto otevřených dlaždic je možné distribuovat studený vzduch přímo k zadním stranám serverů. Průtoky vzduchu mohou být samozřejmě monitorovány několika senzory v samotné podlaze, díky nimž je možné průtok regulovat. Pro odvod vzduchu je využívána klimatizace umístěná ve dvojitém stropě nad horkými uličkami. To má za následek snížení energie potřebné pro chod ventilátorů v klimatizaci, tedy úsporu na správném řízení toku vzduchu (Air flow management). Datové uličky je možné vylepšit o různá rozšíření. Například se jedná o uzavřenou studenou uličku [2], která se používá převážně pro řešení, kde se očekávají vyšší teploty, než je běžné. Principem je fyzická konstrukce oddělující studené uličky od okolních prostor místnosti a to kvůli redukci studeného vzduchu určeného serverům. Dalším zajímavým rozšířením je oddělení horké uličky od prostorů místnosti pomocí tzv. komínků [2], kterými je horký vzduch vydaný servery hnán skrze přidanou konstrukci napojenou přímo na regály rovnou do stropu a ochlazený poté putuje zpět do podlahy.

3.2 NĚKTERÉ PRAKTIKY ŠETRNÉHO CHLAZENÍ V této kapitole představíme několik možností, díky kterým lze datové centrum chladit (nebo celkově optimalizovat) tak, aby spotřeba elektrické energie byla v porovnání s klasickým (tedy neoptimalizovaným) systémem co možná nejmenší.

AIP Scholaris

13

3.2.1 STORED COOLING Stored cooling (nebo také „uložené chlazení“) je postaveno na základě starověkých chladíren [9], které využívaly led uskladněný v zimě pro letní dny. V moderním pojetí je nahrazeno letní uchování ledu a to pomocí moderních chladičů. I přes vynaloženou energii na chlazení ledu je stále toto řešení výhodné [9]. Již z principu je však jasné, že ideálním místem, kde lze stored cooling využít, jsou místa s velice chladným klimatem (John Lamb v [9] uvádí jako perfektní příklad Kanadu) a je tedy dostatek „mrazu“ a ledu k uložení. Pro potřeby datových center lze však využívat i jiných „stored“ systémů, jako například tepelných nebo solárních ukládání. Zajímavostí je, že jako média pro tepelné ukládání mohou sloužit například síran sodný, nebo parafín. 3.2.2 FREE COOLING Metoda free coolingu (volný překlad může být například „chlazení zdarma“) je možná použít hlavně v případech, kdy jsou datová centra umístěna v klimatických podmínkách, které zaručují alespoň 3000 hodin ročně (125 dnů) teplotu maximálně 12,8°C a to především pomocí „water-side/fluid-side ekonomizeru používaného ve spojení s odpařovacím chlazením nebo suchým chlazením (evaporative cooling a drycooling) k nepřímé produkci chlazené tekutiny“ [7], [9]. Tekutina je poté určena k přímému chlazení datových center (chlazená tekutina se pohybuje kolem -11,1°C). Hlavní nevýhoda vodního/kapalinového chlazení (a tedy i metody free coolingu) je však jistá kontroverze, která je spojená s možným únikem vody a poškozením samotných serverů. John Lamb například uvádí, že IBM vodou přestalo chladit již v roce 1995 a Sun Microsystems pak v roce 2008. Free cooling lze použít nejen za pomoci vody, ale i vzduchu (zde se používá vzduchový ekonomizér), který je však mnohými odborníky (např. [7]) považován za příliš nedůvěryhodný a ve výsledku také příliš nákladný. 3.2.3 TEMPERATURE MANAGEMENT Tato metoda v podstatě nabádá k tomu, aby byly teploty v datových centrech zvedány nad jejich dosud typické maximum. Velká část těchto center totiž pracuje s teplotami kolem 22°C, což je samozřejmě velice náročné jak po stránce ekonomické (obrovské množství elektrické energie), tak po stránce ekologické (velké množství CO2 vypouštěného do ovzduší). Některé studie dokonce udávají, že zvýšení teploty o jediný stupeň Celsia dokáže snížit náklady na energii o 2-5%. Microsoft dokonce oznámil, že zvýšením teploty o 2-5% v jediném jejich datovém centru dokázalo ušetřit ročně až 250,000 dolarů za spotřebu energie [5]. Problémem tohoto systému je samozřejmě snížená živostnost komponent serverů a tím zvýšená pravděpodobnost nastání kritické chyby. Tímto problémem se zabývá studie [5], která se snaží dokázat, že závislost zvýšené teploty na spolehlivosti základních komponent serverů (konkrétně HDD, CPU a DRAM) je mnohem nižší, než se obecně předpokládá a to především zjištěním, že do teplot kolem 50°C se chybovost komponent vyskytuje spíše jako lineární růst, nežli jako růst exponenciální. Jiné studie však poukazují na to, že každých 10°C nad teplotu 21°C snižují spolehlivost elektrotechniky až o 50% [11]. Ideální teplotou se tedy jeví číslo kolem 25°C. 3.2.4 ÚSPORNÉ PROCESORY Zajímavým řešením a v podstatě i logickým krokem je pořizování serverů s více jádry. Dle výrobců lze pomocí procesorů s více jádry ušetřit až 40% energie a tepla. Principem tedy je mnohem větší rychlost řešení potřebných úkonů a možnost řešit o poznání více úkolů na

14

Kunst, Beneš, Volf

jednom procesoru, než tomu bylo dříve [9]. Problémem tohoto řešení je však neustále narůstající náročnost společnosti, co se zadaných úkolů týče, přesto snaha výrobců o tvorbu šetrných a energeticky méně náročných procesorů je stále patrnější.

3.3 ROZMÍSTĚNÍ SERVERŮ Velice důležitou součástí při výstavbě nového datového centra, popřípadě jeho optimalizace, je rozmístění racků dle jejich průměrného zatížení, což již předpokládá využití horké a studené uličky. To by mělo následovat také zaslepení prázdných slotů v racku a správné upravení kabelů (neboli zkrocení), což ve výsledku zamezí (nebo alespoň zredukuje) průnik teplého vzduchu do uličky se vzduchem studeným a sníží tak potřebnou energii pro klimatizaci. Špatné rozmístění serverů bez ohledu na zatížení pak může způsobit vážné komplikace kvůli předimenzování nebo poddimenzování konvenčních CRACů (Computer Room Air Conditioning), což může vést až k tomu, že chladící jednotka nebude schopna zvýšené teploty na jedné straně místnosti uchladit (viz Obr. 3), kdežto na druhé straně poběží jednotky jen na 50% svého výkonu [14]. Toho se tedy lze vyvarovat správným rozestavěním, využít uzavřené horké/studené uličky, popřípadě umístit celý rack do uzavřeného stojanu s vlastním chlazením [3].

Obr. 3. Špatné umístění dle zatížení [14]

4 ROZDĚLENÍ ZATÍŽENÍ SERVERŮ Dalším krokem, který lze podniknout k ochlazení datových center a snížení nároků na spotřebu energie, je optimalizace rozdělení zatížení mezi servery. Samozřejmě se jedná o přidělování úkolů dávkového zpracování, které lze přidělit víceméně kdykoliv jakémukoliv serveru, tedy jde nám pouze o rozložení výpočetní zátěže. Je zřejmé, že v případě nulového či stoprocentního zatížení celého datového centra neexistuje výběr mezi lepším a horším rozložením (pro každý tento extrémní stav existuje jen jedna varianta). Nicméně ve všech ostatních případech již je možné nalézt více možností, jak zátěž rozdělit, a najít mezi nimi ty nákladnější a ty méně nákladné. Na Obr. 4 je patrný rozdíl ve výši nákladů na chlazení datového centra v případě nejlepšího či nejhoršího rozložení. Sklon a zalomení křivek bude pro každé datové centrum jiné. Čím bude datové centrum lépe

AIP Scholaris

15

uspořádané a s lepšími klimatizačními podmínkami, tím se zalomení zelené křivky posune více doprava [11].

Obr. 4. Vliv rozložení zátěže na náklady (překresleno dle [11])

Jak rozdělit zatížení mezi servery si povíme ve třech krocích. Nejdříve zjistíme jak vůbec obecně rozkládat výkon po jednotlivých serverech, poté se budeme zabývat tím, jak rozložit zátěž po serverech vzhledem k jejich fyzickému umístění v datovém serveru, a ve třetím kroku se budeme věnovat rozložení zátěže v čase a s tím spojeným využitím obnovitelných zdrojů.

4.1 POWER BUDGETING Každé datové centrum má nějaký maximální výkon, který je mu možno dostupnými zdroji dodávat. V současnosti tento výkon dokonce bývá menší, než celkový součet maximálních výkonů všech zařízení datovém centru, takže kdyby měly všechny servery jet naplno, datové centrum by jim k tomu nebylo schopno zajistit dostatek energie. Tomuto přetěžování se říká „over-subscription“ [8]. Je tedy potřeba řídit zatěžování serverů tak, aby pro ně vždy byl dostatek energie. Pokud se navíc podaří zatížit servery tak, aby byl jimi požadovaný výkon minimální, lze uspořit velkou část energie a tedy i peněz. Jelikož je velice složité řídit výkon každého serveru zvlášť a navíc v kontinuálním intervalu od nulového po maximální výkon, je vhodnější použít jen několika diskrétních stavů, ve kterých se server může vyskytnout. Těmito stavy jsou Nečinnost (Pneč) a Využito 1 až N jader procesorů P1-Pn. Ještě přichází v úvahu stav Vypnuto (Pvyp), ale to je speciální případ, kterým se budeme zabývat později. Pokud budeme chtít využívat datové centrum na X%, pak to znamená, že nám X% serverů poběží na plné obrátky a ostatní budou nečinné. Dle [11] je jednou s nejefektivnějších metod rozložení zátěže mezi servery metoda One Pass Analog s nadstavbou Zone-Based Discretization (ZBD). Při aplikaci této metody je nejdříve provedena kalibrační fáze, kdy se zatíží všechny servery rovnoměrně a je změřena průměrná spotřeba na jeden server (Pref) a průměrná teplota u výdechu serveru (Tref). Následně je již při normálním běhu celého centra měřena teplota u výdechu každého serveru i, ta je porovnávána s Tref a na základě vzorce

16

Kunst, Beneš, Volf

(1) je vypočítán power budget Pi daného serveru. Aby bylo možné pracovat s diskrétními hodnotami, používá [11] nadstavbu Zone-Based Discretization. Při práci s diskrétními hodnotami nezatěžujeme servery rovnoměrně, ale zatěžujeme jen některé, ale za to na 100% (dosahují Pmax). Díky metodě One Pass Analog však mají servery přidělený jen power budget Pi, který je menší než Pmax. Nadstavba funguje tak, že je vybrán nečinný server s nejvyšším přiděleným Pi (tedy ten nejchladnější), zjistí, kolik výkonu mu chybí, aby dosáhl Pmax. (2) Tento výkon si pak server vypůjčí od serverů ze svého okolí. Velikost okolní zóny je dána – má V serverů na výšku a H serverů na šířku, vždy symetricky okolo vybraného serveru (tedy např. V = 4 znamená dva servery nad a dva pod vybraným serverem). Dále je dán poměr a, což je poměr výkonu, který si náš server vypůjčí od každého z vertikálních sousedů ku výkonu vypůjčenému od každého z horizontálních sousedů. (3) Teď již stačí jen zjistit, kolik Wattů si má vybraný server půjčit od svých sousedů. Nejdříve zjistíme počet (N) rovnoměrných dílů, na které budeme dělit půjčovaný výkon Ppotř a pak zjistíme, kolik Wattů připadá na jeden díl (Pdíl) a na konec jen přepočítáme na Ppůjč V a Ppůjč H, tedy kolik je potřeba si vypůjčit od každého vertikálního a horizontálního souseda v rámci zóny. (4) (5) (6) (7) Pokud bychom chtěli takto zatížit více serverů, stačí opakovat algoritmus od začátku. Výhodou je, že celkový power budget pro danou zónu zůstane nezměněný, jen se přemístil výkon jinam. Efekt individuálního přístupu metody One Pass Analog zůstane zachován a přitom je možné pracovat s diskrétními stavy serverů, což je jednodušší. Další účinnou metodou zmíněnou v [11] je Minimizing Heat Recirculation (MinHR). Ta vychází z poznatku, že servery nenasávají jen chladný vzduch z klimatizací, ale i ohřátý vzduch, který vygenerují ostatní stroje a který se nestihne odsát. Zatímco ZBD snižuje výkon strojů, aby tolik nehřály, MinHR řeší množství teplého vzduchu, který je znovu nasáván do serverů.

AIP Scholaris

17

První fází metody MinHR je kalibrační fáze, kterou je nutno provádět v nečinném datovém centru, a to vždy, když je v něm provedena nějaká větší změna (např. přidání CRAC jednotky či nového racku se servery apod.). Při kalibrační fázi je změřeno množství vydaného tepla (Qref) a množství recirkulovaného tepla (δQref). V druhé fázi jsou servery rozděleny do skupinek, které jsou pak brány jedna po druhé, maximálně se zatíží CPU všech serverů ve skupince a znovu se změří množství vydaného (Qj) a množství recirkulovaného tepla (δQj). Z těchto hodnot je pro každou skupinku vypočítán Heat Recirculation Factor (HRF) a součtem všech HRF je získán Summed Recirculation Factor (SRF). Pro každou skupinku serverů je pak vypočítán její power budget Pj. (8)

∑

(9)

(10)

Hlavními výhodami MinHR je, že maximalizuje celkový power budget a díky tomu i potenciální využití každého serveru a minimalizuje celkové množství recirkulovaného tepla. Oproti ZBD je ještě o 20% efektivnější, ale má určitá omezení. Například kalibrační fáze, kdy je vyžadována poměrně dlouhá nečinnost celého datového centra a navíc se musí dělat při každé změně datového centra. Pro srovnání oproti kalibraci ZBD ve vzorovém příkladu v [11] zabrala kalibrace pro MinHR více než stokrát více času. Pro ještě větší zefektivnění je možné nevyužité servery nenechávat nevyužité, ale úplně je vypínat či alespoň hibernovat. Toto zefektivnění lze však úspěšně použít pouze v případě, kdy máme k dispozici stroje, které jsou na časté zapínání a vypínání připravené a jsou schopné naběhnout velmi rychle. Jinak je nevýhodou dlouhá odezva a vyšší poruchovost serverů.

4.2 ROZLOŽENÍ ZÁTĚŽE VZHLEDEM K ROZMÍSTĚNÍ SERVERŮ Tato metoda vychází z poznatku, že v datovém centru jsou místa, která je složitější ochladit, než místa jiná – například v rozích daleko od chladících jednotek nebo obecně ty, které jsou v racku umístěny výš. Zákonitě tedy existují i místa, která je snazší ochladit, kde je chladící efektivita vyšší. Metoda se zabývá nalezením těchto míst, která jsou vhodnější pro chlazení, a tedy mohou generovat větší teplo, jinak řečeno – lze je více zatížit [14]. V [14] je nejdříve pro každý server spočítán Local Workload Placement Index (LWPI), který je daný vzorcem (11) kde ΔTser značí o kolik stupňů je potřeba server zchladit, ΔTdod značí, o kolik stupňů byl server zchlazen na základě teploty vzduchu dodávaného od CRAC jednotky a ΔTrec značí, o kolik

Kunst, Beneš, Volf

18

stupňů se vlivem recirkulace tepla zvyšuje teplota vzduchu u sání oproti teplotě vzduchu doručené od CRAC jednotky. Na servery s nejvyšším LWPI jsou umístěny nejdéle běžící úkoly, ostatní servery lze po doběhnutí jejich úkolů nechat nevyužité, případně je zahibernovat či vypnout.

4.3 VYUŽÍVÁNÍ OBNOVITELNÝCH ZDROJŮ K NAPÁJENÍ Jako třetí dimenzi v rozložení zátěže na servery jsme si vybrali čas, tedy kdy úkoly na serverech spouštět, aby došlo k co největším úsporám. Za normálních okolností na čase spouštění úkolů v podstatě nezáleží – elektřina stojí celý den stejně. Ovšem ve chvíli, kdy se firma rozhodne začít používat obnovitelné zdroje, tak se situace změní. Nejefektivnějším a zároveň nejsnáze instalovatelným zdrojem elektřiny získané z obnovitelných zdrojů jsou fotovoltaické panely [10]. V tomto článku se nebudeme zabývat posouzením, zda se nákup panelů vyplatí nebo ne, ale pouze se pokusíme ukázat, jak je využít pro snížení nákladů na energii datového centra. Nevýhodou fotovoltaických panelů je, že vyrábějí energii pouze ve dne. Je sice pravda, že energii lze skladovat v různých akumulátorech, nicméně toto skladování je poměrně nákladné a navíc dochází ke značným ztrátám během nabíjení a vybíjení. Nejefektivnější tedy je používat energii hned, jak je vytvořená. V datovém centru běží na serverech dva tipy úkolů – interaktivní, které je nutno provádět právě v tu dobu, kdy jsou zadány, a neinteraktivní, které je možno spouštět prakticky kdykoliv. Právě tyto úkoly se můžeme v čase pokusit rozmístit tak, aby bylo co nejvíce využito levné energie z panelů. Nejprve je nutné pro jednotlivé úkoly nedefinovat jejich výpočetní náročnost (počet procesorů, počet hodin, začátek, čas ukončení). Na základě historických dat z předešlých dnů a roků lze předpovědět kolik fotovoltaické energie bude dodáno a jaké bude požadováno zatížení. Kombinací těchto dat, firemních cílů a potřeb a dalších parametrů jako teplota, cena elektřiny, IT kapacita a parametry chlazení, je možno vytvořit rozvrh pro zatížení, resp. pro spouštění jednotlivých úkolů. Při experimentu dle [10] bylo k testování použito datové centrum v Californii, USA, se 130kW polem fotovoltaických panelů a 500 serverů s celkovým výkonem 100kW, na kterých běžela webová služba s 85 miliony registrovaných uživatelů. Interaktivní zátěž běžela cca mezi 8-18 hodinou. Byly stanoveny čtyři simulace:   

„Optimal“ (Optimální), kde bylo využito obnovitelných zdrojů přes den, případně úkoly, které se do dne nevešly, byly zařazeny někdy v noci, kdy je venku chladněji, takže lze využít chlazení vzduchem (pokud je na to datové centrum zařízeno) „Night“ (Noční), kde ve dne byl ponechán prostor pro interaktivní úkoly a neinteraktivní proběhly v noci (tedy tak, jak je to obyčejně zvykem) „Best Effort“ (Nejlepší úsilí), kde je úkol plněn hned, jak vznikne požadavek a je při tom využito veškeré dostupné IT k dokončení úkolu v co nejkratším čase.

AIP Scholaris 

19

„Flat“ (konstantní režim), kde je rozdělení provedeno tak, aby v každou hodinu byla zátěž z neinteraktivních úkolů stejná. Výsledky simulací jsou na

Obr. 5 a)-d), v části e) je znázorněn poměr využití obnovitelných (zelené) a neobnovitelných (modré) zdrojů a v části f) je pak vidět porovnání emisí CO2 a nákladů na energii. Je patrné, že Optimální nastavení je proti normálnímu (tedy Nočnímu) způsobu diametrálně úspornější. V tomto konkrétním příkladu šlo o více než 80%.

Obr. 5. Rozložení zátěže v čase [10]

Kunst, Beneš, Volf

20

5 ZÁVĚR Nejprve je nutné si uvědomit, že tato práce má několik omezení:   

Autoři nemohli uvedené postupy ověřit v reálném prostředí Nebylo možné stanovit, jaký podíl na zvětšení efektivnosti jednotlivá řešení mají A z toho plyne i ta skutečnost, že se nebylo možné určit reálné úspory, ani dopad na efektivnost datového centra (PUE)

Na druhou stranu je nutné říci, že uvedené postupy byly testovány a většina z nich byla uvedena i do praxe. Zde nabízený výčet řešení se v sobě snaží integrovat jednotlivé přístupy k dané problematice tak, aby nabízel komplexní řešení pro řízení efektivnosti v datových centrech. Pro optimalizaci nákladů datových center doporučujeme v první řadě stanovit cílovou teplotu na úroveň 25°C oproti obvyklým 22°C a dále pak rozmístit servery dle principu horkých a studených uliček, navíc s využitím komínků pro přímější odvod tepla z místnosti a v případě potřeby neváhat využít přídavná chladící zařízení pro kritická místa. Rovněž je užitečné rozložit zatížení na servery tak, aby bylo zatížení rovnoměrné, respektive byly ještě o něco více zatíženy servery, které lze efektivněji chladit vzhledem k jejich pozici vůči klimatizačním jednotkám. Toho lze nejefektivněji docílit metodou MinHR, případně metodou ZBD, která je sice o něco méně efektivní, ale zato jednodušší na provedení. Je-li to vzhledem k lokálním klimatickým podmínkám vhodné, je určitě dobré používat obnovitelné zdroje, a to ať jako zdroje elektřiny, tak jako zdroje chladu. S jejich využitím ovšem vyvstává otázka ohledně dostupnosti zdrojů a akumulací energie, které se uplatní v momentě, kdy není generovaný proud z obnovitelných zdrojů. Mezi metody využívající obnovitelné zdroje patří Free cooling, Stored cooling a časové rozložení zátěže na servery tak, aby většina energie mohla být dodávána obnovitelnými zdroji energie. Ideálním stavem je princip udržitelného datového centra, které je právě založeno na maximálním využití obnovitelných zdrojů. Cíl práce byl tedy naplněn, jelikož každý krok sám o sobě představuje možnou úsporu nákladů v datovém centru. Je škoda, že nebylo možné ověřit vliv jednotlivých zlepšení na chod centra a zejména pak v případě, kdyby se celý balík integroval a optimalizoval v reálném prostředí. Bylo by zajímavé sledovat vliv na jednotlivé ukazatele, ať už v relativním nebo absolutním vyjádření. Další relevantní otázky do budoucna:   

Je možné, aby se koncept net-zero energy prosadil? Jaká je jeho návratnost? V jakých oblastech je nejvhodnější ho provozovat?

AIP Scholaris

21

6 SEZNAM POUŽITÝCH ZDROJŮ [1]

AHMAD, Faraz a T. N. VIJAYKUMAR. ASPLOS XV: Fifteenth International Conference on Architectural Support for Programming Languages and Operating Systems, March 13-17, 2010, Pittsburgh, PA, USA. New York, N.Y.: ACM Press, c2010, s. 243-256. ISBN 1605588393.

[2]

Datová centra. KTP. KABEL Trade Praha [online]. 2012. vyd. [cit. 2012-12-17]. Dostupné z: http://www.ktp.cz/cz/datova-centra

[3]

DĚDIČ, Marek. Jak při rozšiřování datacentra zvýšit i jeho efektivitu. System Online [online]. 2009. vyd. [cit. 2012-12-17]. Dostupné z: http://www.systemonline.cz/sprava-it/jak-pri-rozsirovani-datacentra-zvysit-i-jeho-efektivitu1.htm

[4]

EKOWATT. Průměrné měsíční doby slunečního svitu ve vybraných lokalitách ČR [online]. 2011. vyd. [cit. 2012-12-20]. Dostupné z: http://www.tzb-info.cz/tabulky-avypocty/99-prumerne-mesicni-doby-slunecniho-svitu-ve-vybranych-lokalitach-cr

[5]

EL-SAYED, Nosayba. Temperature Management in Data Centers: Why Some (Might) Like It Hot. [online]. 2012 [cit. 2012-12-17]. Dostupné z: http://www.cs.toronto.edu/~nosayba/temperature_cam.pdf

[6]

FEEDIT. HP představuje unikátní architekturu pro datová centra – „Net-Zero Energy“ [online]. 18.7.2012. [cit. 2012-12-20]. Dostupné z http:/www.feedit.cz/wordpress/2012/07/18/hp-predstavuje-unikatni-architekturu-prodatova-centra-net-zero-energy/

[7]

GREENBERG, Steve. Best Practices for Data Centers: Lessons Learned from Benchmarking 22 Data Centers. [online]. 2006 [cit. 2012-12-17]. Dostupné z: http://evanmills.lbl.gov/pubs/pdf/aceee-datacenters.pdf

[8]

HAROLD, Lim, Kansal AMAN a Liu JIE. Power budgeting for virtualized data centers [online]. 2011[cit. 2012-12-18]. Dostupné z: http://research.microsoft.com/pubs/147239/vpsusenix11.pdf

[9]

LAMB, John. The greening of IT: how comanies can make a difference for the environment. Boston: IBM Press, 2009, s. 131-149. ISBN 978-0-13-715083-0.

[10] LIU Zhenhua, Yuan CHEN, Cullen BASH, Adam WIERMAN, Daniel GMACH, Zhikui WANG, Manish MARWAH, and Chris HYSER. 2012. Renewable and cooling aware workload management for sustainable data centers. SIGMETRICS Perform. Eval. Rev. 40, 1 (June 2012), 175-186. Dostupné z: http://smart.caltech.edu/papers/HPimplementation.pdf

[11] MOORE, Justin. Making Scheduling "Cool": Temperature-Aware Workload Placement in Data Centers. [online]. 2005 [cit. 2012-12-17]. Dostupné z: http://static.usenix.org/event/usenix05/tech/general/full_papers/moore/moore_html/

[12] MURTINGER, Karel. Ukládání elektřiny z fotovoltaických a větrných elektráren [online]. 03. 05. 2011. [cit. 2012-12-20]. Dostupné z: http://www.nazeleno.cz/energie/energetika/ukladani-elektriny-z-fotovoltaickych-a-vetrnychelektraren.aspx

22

Kunst, Beneš, Volf

[13] PAKBAZNIA, Ehsan a Massoud PEDRAM. Minimizing Data Center Cooling and Server Power Cost [online]. 2009 [cit. 2012-12-19].Dostuoné z: http://atrak.usc.edu/~massoud/Papers/datacenter-powcost-islped09.pdf

[14] PATEL, Chandrakant. Thermal Considerations in Cooling Large Scale High Compute Density Data Centers. [online]. 2002 [cit. 2012-12-17]. ISSN 1089-9870. Dostupné z: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.9.5049&rep=rep1&type=pdf