Évaluation et optimisation de performance énergétique des ...Georges.Da-Costa/hdr_slides.pdf · Georges et al., Modèles uides pour l'économie d'énergie dans les grilles par

Modèles et Métriques Mesures Outils d'évaluation Décision Évolution

Évaluation et optimisation de performanceénergétique des centres de calcul

Georges Da Costa

Habilitation à diriger les recherches

12 novembre 2015

Action IC0804www.cost804.org

1/49


Impact des centres de calculs

Centre de calcul récent 40000 serveurs, 500000 services (machines virtuelles).Google, Facebook > 1million serveursLes centres de calculs consomment beaucoup

2000 : 70 TWh2007 : 330 TWh, 2% productionmondiale de CO2

2011 : 6eme pays consommateurd'électricité au monde2020 : 1000 TWh

En augmentation2014 : 8.5% des centres de calculsconsidérés comme su�sants audelà de 2015

2/49


Des centres de calcul soutenables

Actions à plusieurs niveaux orthogonauxMatériel: changer les serveurs ou l'infrastructure derefroidissementApplicatif: réécrire les applications en changeant deparadigme∗ou de bibliothèqueIntergiciel: gère l'état des serveurs et des services/applications

Intergiciel: coût minimal, impact maximalOpenStack : 30% de part de marché en 2014Solutions OpenSource : 43% (+72% en 2 ans)

∗ Georges et al. Exascale machines require new programming paradigms and runtimes, SFI journal, 2015

3/49


Principes de fonctionnement d'unintergiciel

Deux buts :Gérer (besoins, erreurs, fautes,surchau�es)Optimiser (énergie, performance)

Leviers/E�ecteursAllumage, extinction, DVFSMigration (x86/ARM)∗, réduction deressources, suspension

MéthodesSouvent dans la réalité : Humain ourèglesEn recherche : Boucle autonomique

Boucle MAPE-K c©IBM

∗ Violaine et al., Big, Medium, Little : Reaching Energy Proportionality with Heterogeneous Computing Scheduler, Parallel Processing

Letters, journal, 2015.

4/49


Plan : Comment gérer e�cacement uncentre de calcul ?

E�cacement ?Il faut pouvoir comparer (modèles & métriques)

Gérer veut dire déciderOutils de mesure

Outils d'évaluation : expérimentation, simulationApproches exactes et heuristiques pour la décision

L'évolution des centres de calcul

5/49


Plan

1 Modèles et Métriques

2 Mesures

3 Outils d'évaluation

4 Décision

5 Évolution

6/49


Modéliser un système

Pour gérer un système il faut :

Connaître toutes les actions possibles

Savoir quelle est la(/les) plus adaptée

Ce qui se traduit par :

Modéliser l'impact et la modalité (temps, énergie, ...) de ces actions

Être capable de comparer deux scenarii

7/49


Modélisation multi-échelles du monde réel

Plusieurs modèles décrivant la puissance consommée par un serveur :

Classique : a�ne (erreur E∼10-15%)

Plus �n : Voltage/fréquence processeur (E∼5-9%)

Encore plus �n: Température processeur (E∼4-7%)

Ne pas oublier les biais : alimentation électrique

E∼2-3%, refroidissement, ...

Méthodes par apprentissage (réseaux de neurones,E∼2%) ∗

Power = Pmin + Load × (Pmax − Pmin)

8/49










Power = Pmin + Load × αVoltage2Frequency

8/49










Power = Pmin+Load×αVoltage2Frequency+λTemperature

8/49










PowerDC = ω0 + ω1PowerAC + ω2Power3AC

8/49










∗ Leandro et al., Towards a generic power estimator, CSRD journal, 2015

...

inpu

t lay

er

...

outp

ut la

yer

hidden layers

8/49


Modéliser un centre de calcul

Un grand nombre de types d'élémentsApplications

ServeursInfrastructure

Et leurs interactionsThermiques (D-Matrix)∗

Entre applications

9/49



Un grand nombre de types d'élémentsApplicationsServeurs

Infrastructure


Entre applications

9/49



Un grand nombre de types d'élémentsApplicationsServeursInfrastructure


Entre applications

9/49



Un grand nombre de types d'élémentsApplicationsServeursInfrastructure


Entre applications

∗ Hong Yang et al.,Energy-e�cient and thermal-aware resource management for heterogeneous datacenters, SUSCOM journal, 2014.

9/49


Interactions simples d'applications

Deux types d'applications mono-thread

Application 1 : Cpu-IntensiveLimitée par le processeurApplication 2 : Mem-IntensiveLimitée par la mémoire

Exécution sur un quadri-c÷urApplications 1 : IndépendantesApplications 2 : Impact croisé fort

0

0.5

1

1.5

2

2.5

3

Expérience 1

Expérience 2

Expérience 3

Expérience 4

Expérience 5

Rale

nti

ssem

ent

Cpu-IntensiveMem-Intensive

10/49


Métriques

Valeurs directes :Charge processeur et mémoire, puissance, Température, ...Objectif : Ça marche bien ? Comparer deux centres, intergiciels, logiciels,...

40000 serveurs, 500000 services → Besoin de métriques simplesConsommation et performance

Di�cile à standardiser, surtout la performanceDépend du service, de l'implémentation, ...

Métrique classique : PUE

Georges et al. Data Centres Sustainability Cluster Activities Task 3. Rapport de recherche 3. European Commission, 2014

11/49


PUE : Power Usage E�ectiveness

Ratio électricité totale/électricité IT

En moyenne 1.7 en 2014

Standardisation initiée par GreenGridOù s'arrête la partie IT

Alimentation ? Ventilateur sur lacarte mère ? Processeur ?

Ne sert que dans un cadre très précis

12/49


PUE : Power Usage E�ectiveness

Ratio électricité totale/électricité IT

En moyenne 1.7 en 2014

Standardisation initiée par GreenGridOù s'arrête la partie IT

Alimentation ? Ventilateur sur lacarte mère ? Processeur ?

Ne sert que dans un cadre très précis

Surcoût constant (100), partieIT 100 à 200 suivant la chargePour un même service rendudeux logiciels

1 Charge moyenne 75%PUE = 275/175 = 1.57

2 Charge moyenne 100%PUE = 300/200 = 1.5

12/49


Problème du multi-objectif

Impossible à dé�nir dans l'absolu,besoin d'un contexte, d'un but

Formaliser les métriques simples∗ :Dynamisme, Énergie, Performance,RésiliencePlusieurs méthodes classiques

Optimisation sous contrainte

Pondération d'objectifPondération �oue† (contrainte parrelâchement de l'optimal)

∗ Tom et al., Quality of Service Modeling for Green Scheduling in

Clouds, SUSCOM journal, 2014.

13/49





Optimisation sous contraintePondération d'objectif

Pondération �oue† (contrainte parrelâchement de l'optimal)

∗ Tom et al., Quality of Service Modeling for Green Scheduling in

Clouds, SUSCOM journal, 2014.

13/49





Optimisation sous contraintePondération d'objectifPondération �oue† (contrainte parrelâchement de l'optimal)

† Hong Yang et al. Energy-e�cient and thermal-aware resource

management for heterogeneous datacenters, SUSCOM journal,

2014.

13/49


Suite de tests

Deux grande catégoriesSuites dédiées (services Web, base de données, HPC,...)Suites génériques

Scienti�que, Gestionnaire d'infrastructure : Applications boîtes noires

Le système doit être le meilleur dans tous les casSuite de tests avec couverture maximale

Mêmes ressources/Puissances di�érentesRessources di�érentes/Puissances identiques

Georges et al., Energy- and Heat-aware HPC Benchmarks, EuroEcoDc workshop, 2013

14/49


Conclusion

Étude d'un système

Pour quel usage ?Trois notions sont liées pour utiliser la réponse :

Équilibre du front de précision de la modélisation∗

Objectifs utilisés pour choisir la méthode de comparaisonScenarii pour réaliser la comparaison

∗ Georges et al., Modèles �uides pour l'économie d'énergie dans les grilles par migration : une première approche, RenPar conférence,

2009

15/49


Plan


2 Mesures


4 Décision

5 Évolution

16/49


Infrastructure de mesure

Base pour pour prendre la décisionBase pour évaluer les métriques

Infrastructure classique (nagios, ganglia, ...)Problème du passage à l'échelle

Des valeurs inutilisées ou agrégées tardivement

Des mesures (processeur, mémoire), pas de la connaissanceBesoin de mesures haut niveauUne (phase d') applicationLa puissance électrique consommée par une application

17/49


Quelle (phase d') application s'exécute

Une phase : comportement localementrégulier

Équivaut à consommation deressource constanteMesures systèmes constantes

Détection puis identi�cationSignature d'une phasePhase équivalente ∼ impactéquivalent

Landry et al., Exploiting performance counters to predict and

improve energy performance of HPC systems, FGCS journal, 2014.

Temps (s)

Tem

ps

(s)

Dis

tance

norm

alis

ée

{{

{{

4 phasesidentiques

Phaseen courssemblable

{

Matrice de similitude des mesures systèmes (WRF :

Weather Research and Forecasting)

18/49


Détection externe d'application

Récupérer les valeurs systèmes estintrusif

Diminuer le nombre de valeurs

Récupérer des valeurs externes(puissance, réseau)

S'autoriser les outils statistiques

Étudier le comportement au cours dutemps

Georges et al., Characterizing applications from power

consumption : A case study for HPC benchmarks, ICT-GLOW

Symposium, 2011

19/49










Symposium, 2011

0

2e+07

4e+07

6e+07

8e+07

1e+08

1.2e+08

0 10 20 30 40 50 60 70 80

Num

ber

of byte

s s

ent per

second

time (s)

benchmark CG (NPB)

19/49










Symposium, 2011

0

2e+07

4e+07

6e+07

8e+07

1e+08

1.2e+08

0 50 100 150 200 250 300 350

Num

ber

of byte

s s

ent per

second

time (s)

benchmark SP (NPB)

19/49










Symposium, 2011

19/49


Puissance des serveurs et applications

Wattmètres pas toujours disponibles (niveau application)Modèle liant mesures systèmes à la puissanceMéthode par apprentissage

Bonne couverture de la base d'apprentissage et faible impact de la mesure

Charge synthétique générique, 220 valeurs mesurées (4% augmentation puissance), 8 gardées

Leandro Modeling the power consumption of computing systems and applications through Machine Learning techniques, 2015

20/49





20% des valeurs prises par des jeux de tests HPC ne sont pas atteintes


20/49





Erreur de deux modèles : Aggregated (régression linéaire sur somme des sous-modèles) et ANN (réseau de neurones)


20/49


Conclusion

Approches actuelles nécessitent une vue globalePassage à l'échelleProblème de latenceBeaucoup de décisions sont locales (DVFS, échange de charge,...)

Contributions au niveau des capteursProblèmes ouverts

Granularité de la mesure adaptative et multi-échelleIndépendance temporelle et spatialeGénération suite synthétique avec couverture maximale

21/49


Plan


2 Mesures


4 Décision

5 Évolution

22/49


Outils d'évaluation: expérimentation,simulation

Pour améliorer il faut comparerTrois grandes méthodes

Modèles mathématiquesSimulationExpérimentation

23/49


Programmation linéaire

Expliciter toutes les contraintes par deséquations linéaires

Exprimer l'objectif sous forme d'unefonction à minimiser

Formalise les leviers et leur impact

Approximation du monde réel(phénomènes quadratiques)

Résolution exacte possible pour lespetits cas

Exemple : Un service est sur unserveur unique

Soit ejh la présence du service jsur le serveur h

ejh = 1 ssi le service j est sur leserveur h

∀j , h ejh ∈ {0, 1},∀j

∑h ejh = 1

Damien et al., Energy-Aware Service Allocation, FGCS journal, 2011

24/49








Exemple : Minimiser la puissancetotale consommée

Pstath et Pdyn

h : puissancesstatique et dynamique duserveur h (modèle a�ne)

Soit αjh la fraction de ressourcesprocesseur du service j sur leserveur h

min∑

h (Pstath +

∑j αjhP

dynh )


24/49








Contraintes :∀h ph ∈ {0, 1}

∀j∑

h ejh = 1, ∀j, h ejh ∈ {0, 1}, αjh ≤ ejh,mjh ≤ ejh∀j vj ∈ {0, 1}, ∀h

∑j αjh ≤ vj ,

∑j mjh ≤ vj

∀j, h ph ≤ (1− ejh) + vj∀j, h vj ≤ (1− ejh) + ph

∀h∑

j αjh/rj ≤ vj∀j

∑h mjh ≤ vj

Réduire la puissance sous contrainte de performance :∀j

∑h αjh/rj > Seuil

min(∑

h (Pminh +

∑j αjh × (Pmax

h − Pminh ))


24/49


Passage à l'échelle (programmation linéaire)

Méthode exacte: Temps de résolution exponentiel en fonction des variablesentières

6 serveurs, 16 services : 3 minutes (GLPK)

Méthode des variables constantes (collaboration LAAS)

Fixe certaines variables, résout, change de variables, itèreMoins bon que l'optimal, mais peut être très rapide

Relaxation de la contrainte entière

Meilleur que l'optimal (un service à moitié sur une machine et à moitié sur une autre)

Avec les deux on peut donner un intervalle

25/49





Méthode des variables constantes (collaboration LAAS)Fixe certaines variables, résout, change de variables, itèreMoins bon que l'optimal, mais peut être très rapide

Relaxation de la contrainte entière

Meilleur que l'optimal (un service à moitié sur une machine et à moitié sur une autre)


25/49






Relaxation de la contrainte entièreMeilleur que l'optimal (un service à moitié sur une machine et à moitié sur une autre)


25/49






Relaxation de la contrainte entièreMeilleur que l'optimal (un service à moitié sur une machine et à moitié sur une autre)


25/49


Simulation

Grand nombre de simulateurs existent : SimGrid, DCWorms, CloudSim, ...En 2009, simulateurs incomplets

Modèle de cloud (migration, sur-allocation de ressources, fédération†)Gestion du DVFSPuissance électriqueTempérature

Collaboration avec les équipes développant les simulateursDVFS et gestion �ne du cloud dans CloudSimThermique dans DCWorms∗

∗ Wojtek et al., Energy and thermal models for simulation of workload and resource management in computing systems, SMPT

journal, 2015. †Thiam et al., Cooperative Scheduling Anti-load balancing Algorithm for Cloud, CCTS workshop, 2013

26/49


Ajout du DVFS dans CloudSim

Simulateurs du monde des Grilles decalcul

Grande stabilité dans le tempsRessources utilisées à 100%

DVFS provoque décalage d'événements

Gestion temporelle �ne (1/10 s)

Tom et al., Energy-aware simulation with DVFS, SMPT journal,

2013

27/49


Des simulateurs ad-hoc : Réinventer laroue ?

Des simulateurs simplistes

Permet de tester une idée à moindre coûtNécessaire de s'arrêter au bon niveau de complexité

Simulateur d'architectures hétérogènes∗

Pas de simulation du réseauA permis de prouver l'utilité de l'hétérogénéité pour atteindre un systèmeproportionnel

Hydrasim, RenewSim

∗ Georges, Heterogeneity: The Key to Achieve Power-Proportional Computing, CCGrid conférence, 2013.

28/49


Expérimentation

Un modèle est toujours approché

Validation �nale par expérimentationCompliqué par la nécessité d'avoir des informations électriques

Avec Lyon, parmi les premier à expérimenter la capture de puissance à grandeéchelle (GreenNet)

Problème des mesures distribuées, conversions électriques, impact de la mesure(compteurs de performance)

Problème de la reproductibilité

29/49


Reproductibilité d'une expérience

Expérimentation simple deTransformée de Fourier (NPB)

100 expériences sur les mêmesmachines (Grid'5000)Grande variation

Temps: 12s, 7% (Std. Dev. 3.2s)Énergie: 9.3kJ, 5.5% (3kJ)

Pour un même temps, 167s, di�érencede 4kJ

Temps 6= Énergie

162

164

166

168

170

172

174

164 166 168 170 172 174 176

Tem

ps

(s)

Energie (kJ)

Transformée de fourrier

30/49


Conclusion

Tous les outils sont limitésModélisation: Approximatif ou optimal inatteignableSimulation: ApproximatifExpérimentation: Reproductibilité et très sensible

Investissement très fort nécessaire

Simulation : Bon rapport qualité/temps

Di�culté de tester In-Vivo

31/49


Plan


2 Mesures


4 Décision

5 Évolution

32/49


Approches exactes et heuristiques

Deux problèmesPlacementTemporalité

Les heuristiques classiques du placementGloutons Best Fit, First FitVector Packing (Glouton gourmet)Algorithmes Génétiques

33/49


Les algorithmes gloutons classiques

CaractéristiquesMémoireProcesseur

Tri des services

Tri des machines

Pas de remise encause

3 3

2 2

4

4

1

1

10% 60% 50% 50% 20% 20% 80% 10%

CPU RAM

Tâches

First-Fit et Best-Fitmémoire

1

13

3

2 2

4

4

1

1 2 23 3

4

4

Round Robin

2 2

3 3

1

1

4

4

Vector Packing

2 2

4

4

3

3

First-Fit et Best-Fitprocesseur

1

1

CPU RAMServeur 1

CPU RAMServeur 2

CPU RAMServeur 3

CPU RAM CPU RAM CPU RAM

CPU RAMServeur 1

CPU RAMServeur 2

CPU RAMServeur 3

CPU RAMServeur 1

CPU RAMServeur 2

CPU RAMServeur 3

CPU RAMServeur 1

CPU RAMServeur 2

CPU RAMServeur 3

34/49


Notre vector packing gourmet

4 objectifs dans la fonction de triServeur est énergétiquement attractifRajouter la tâche ne surcharge pasServeur alluméLa tâche rétablit l'équilibre dans lesressources

Temps �seulement�en O(J × H ln(H))

Mais la solution du gourmet estdi�cile à quali�er

Damien et al., Energy-Aware Service Allocation, FGCS journal, 2012.

35/49


Algorithmes Génétiques

Chromosome = Allocation

Génération aléatoire initialeÀ chaque génération :

Croisements et mutationTri sur la métrique d'objectifGarder les meilleurs

Tom et al., Quality of Service Modeling for Green

Scheduling in Clouds, SUSCOM journal, 2014

36/49


Métriques pour Algorithmes Génétique

Contrairement aux gloutons on peut optimiser une métrique directement

Exemples de métriques

Énergie, Performance, Résilience, Dynamisme

Nom GACoe�cients appliqués aux métriques

ÉnergieTemps

Robustesse Dynamismede réponse

GA_All 1 1 1 1GA_Energy 1 0 0 0GA_RespT 0 1 0 0GA_Rob 0 0 1 0GA_Dyn 0 0 0 1

37/49


Résultats de l'algorithme génétique

Chaque algorithme estmeilleur dans sondomaine (Énergie)

GA_All très bon partout

400 services sur 110machines, environ 40s

Tenir compte d'unemétrique est déjà trèsimportant

38/49


Glouton Flou

Avantage du G.A. : viser un objectifMéthode similaire pour glouton

Famille de gloutonGarde le meilleur

Multi-objectif : �ou

Optimal sur E relaché

Famille de Gloutons

Nouvel optimal

Hong Yang et al., Multi-Objective Scheduling for Heterogeneous Server Systems with Machine Placement, CCGRID conférence, 2014

39/49


Ce qui rend la puissance/énergie unique

Le coté temporelInertie liée à la températureAllumage et extinction deserveurs

Sur- ou Sous-réservation

Les cycles sont parfois bon

Les non linéaritésÉquation de puissance

Les boucles de rétroactionSystème de refroidissement Violaine et al., Thermal-aware cloud middleware to reduce cooling needs,

WETICE workshop, 2014

40/49


Plan


2 Mesures


4 Décision

5 Évolution

41/49


Vers le futur

Un plus grand nombre de centres de calculBeaucoup de plus petits (gestion hybride)

La connaissance : ressource critique

Un grand nombre de tailles diversesQuelques plus grands (2016 : 6 300 000m2)

De manière globale des centres de calcul plus intégrés dans leur environnementAspects électriquesAspects thermiques

42/49


À l'échelle de la fédération de clouds

Opérateur loue les ressources de ses concurrents(itinérance télécom)

Méthode semblable au super-peers

Distribué ou centralisé, mêmes performances

Thiam et al., Cooperative Scheduling

Anti-load balancing Algorithm for Cloud

: CSAAC, CCTS workshop, 2013

43/49


À l'échelle du Data center in the box

Échelle du Rack

Peu de services : Forte variabilité

Adaptation parfaite à la chargeActuellement couteux : Surcoût initial

ClimatisationTout ce qui est négatif dans le PUE

Architecture proportionnelle

Violaine et al., Big, Medium, Little : Reaching Energy Proportionality with Heterogeneous Computing Scheduler, Parallel Processing

Letters, journal, 2015.44/49


À l'échelle du Data center in the box

Échelle du Rack

Peu de services : Forte variabilité

Adaptation parfaite à la chargeActuellement couteux : Surcoût initial

ClimatisationTout ce qui est négatif dans le PUE

Architecture proportionnelle

Violaine et al., Big, Medium, Little : Reaching Energy Proportionality with Heterogeneous Computing Scheduler, Parallel Processing

Letters, journal, 2015.44/49


À l'échelle du n÷ud

Trois temporalitésGros grain (minute) : Fréquence optimale en fonction du graphe de tâches∗

13% d'économie d'énergie

Moyen Grain (seconde) : Détection de phase†

20% d'économie d'énergie, 3% augmentation du temps

Grain �n (1/10s) : Politique noyau de gestion de fréquence‡

25% d'économie d'énergie, 1% réduction du temps

Pas de coordination entre les trois temporalités, pas d'objectif

∗ Tom et al., Energy-aware simulation with DVFS, SMPT journal, 2013 †Landry et al., Exploiting performance counters to predict and

improve energy performance of HPC systems, SUSCOM journal, 2014 ‡Georges et al., DVFS governor for HPC: Higher, Faster,

Greener, PDP conférence, 2015

45/49


Le chaînon manquant entre les échelles

Une activité �artisanale�Un grand nombre d'intergiciels indépendantsDes manipulations humaines

Vers une coopération décentralisée

46/49


Coopération entre les échelles dedécision

1 Situation initiale à l'équilibre

2 Baisse de la production solaire

3 Tâche non critique : DVFS agressif

3 Tâche critique : dynamisme indisponible

4 Tâche critique cherche position adéquate

5 Extinction d'une machine

6 DVFS moins agressif

VM1

VM2

47/49










VM1

VM2

47/49










VM1

VM2

47/49










VM2

VM1

47/49









6 DVFS moins agressif VM2

VM1

47/49


Projets de recherche

Un grand nombre de projets de rechercheNiveau système : Interaction entre applications, et entre applications et matérielNiveau apprentissage : Couverture maximale automatiqueNiveau métrique : Tenir compte de l'environnementNiveau décision : Optimiser en tenant compte des interactions

Une grande direction

Coopération distribuée multi-échelle des

centres de calculs

48/49


DC Georges In A Box

Pair à Pair, Grilles, puis Cloud et maintenant Campus intelligents

Implication dans 8 thèses (Damien, Thiam, Tom, Leandro, Landry, Violaine, Inès,Zong Yi) dont 5 soutenues. Co-encadrées avec Laurent, Jean-Marc, Patricia,Thierry, Daniela, Yann, de l'IRIT, du LAAS et du LIP.Implication internationale :

Responsable d'un WP de projet européen (CoolEmAll), de deux WG d'Actions Costet des responsabilités dans plusieurs autres projetsÉditeur invité de deux journaux, organisateur d'une conférence et d'une journéescienti�que (mêlant académiques et industriels)13 journaux, 11 chapitres, 36 conférences/Workshops, 16 rapports techniques

Et locale :Conseil de laboratoire, Collège Scienti�que, Enseignement, comité directeur deneOCampus, Moniteur d'escalade, Jeux de Société

49/49

Journaux 2015

Violaine Villebonnet, Georges Da Costa, Laurent Lefèvre, Jean-Marc Pierson, Patricia Stolf. "Big,Medium, Little": Reaching Energy Proportionality with Heterogeneous Computing Scheduler.Parallel Processing Letters

Georges Da Costa, Thomas Fahringer, Juan-Antonio Rico-Gallego, Ivan Grasso, Atanas Hristov, Helen D.

Karatza, Alexey Lastovetsky, Fabrizio Marozzo, Dana Petcu, Georgios L. Stavrinides, Domenico Talia,

Paolo Tru�o, Hrachya Astsatryan. Exascale machines require new programming paradigms andruntimes. Supercomputing Frontiers and Innovations

Wojciech Pi¡Tek, Ariel Oleksiak, Georges Da Costa. Energy and thermal models for simulation ofworkload and resource management in computing systems. Simulation Modelling Practice and Theory

Leandro Fontoura Cupertino, Georges Da Costa, Ariel Oleksiak, Wojciech Pi¡Tek, Jean-Marc Pierson,

Jaume Salom, Laura Siso, Patricia Stolf, Hongyang Sun, Thomas Zilio. Energy-E�cient,Thermal-Aware Modeling and Simulation of Datacenters: The CoolEmAll Approach and EvaluationResults. Ad Hoc Networks Journal

Journaux 2014

Hongyang Sun, Patricia Stolf, Jean-Marc Pierson, Georges Da Costa. Energy-e�cient andthermal-aware resource management for heterogeneous datacenters. Sustainable Computing:

Informatics and Systems, 2014.

Leandro Fontoura Cupertino, Georges Da Costa, Jean-Marc Pierson. Towards a generic powerestimator. Computer Science - Research and Development, 2014.

Tom Guerout, Samir Medjiah, Georges Da Costa, Thierry Monteil. Quality of Service Modeling forGreen Scheduling in Clouds. Sustainable Computing, 2014.

Ghislain Landry Tsafack Chetsa, Laurent Lefèvre, Jean-Marc Pierson, Patricia Stolf, Georges Da Costa.

Exploiting performance counters to predict and improve energy performance of HPC systems.Future Generation Computer Systems, 2014.

Journaux 2009-2013

Tom Guerout, Georges Da Costa, Thierry Monteil, Rodrigo Neves Calheiros, Rajkumar Buyya, Mihai

Alexandru. Energy-aware simulation with DVFS. Simulation Modelling Practice and Theory, 2013

Leandro Fontoura Cupertino, Georges Da Costa, Amal Sayah, Jean-Marc Pierson. Valgreen: anApplication's Energy Pro�ler. International Journal of Soft Computing and Software Engineering, 2013.

Mehdi Diouri, Ghislain Landry Tsafack Chetsa, Olivier Gluck, Laurent Lefèvre, Jean-Marc Pierson,

Patricia Stolf, Georges Da Costa. Energy e�ciency in HPC: with or without knowledge onapplications and services. International Journal of High Performance Computing Applications, 2013

Damien Borgetto, Henri Casanova, Georges Da Costa, Jean-Marc Pierson. Energy-Aware ServiceAllocation. Future Generation Computer Systems, 2012.

Georges Da Costa, Olivier Richard. Impact of Realistic Workload in Peer-to-Peer Systems a CaseStudy: Freenet. Scalable Computing: Practice and Experience, 2005.

Documents

Évaluation et optimisation de performance énergétique des ...Georges.Da-Costa/hdr_slides.pdf · Georges et al., Modèles uides pour l'économie d'énergie dans les grilles par