An Adaptive Grey Wolf Optimizer for Energy-Aware Virtual Machine Consolidation in Sustainable Green Data Centers
本文介绍了 AGWO-VMC，这是一种采用梯度反馈衰减机制、概率编码和局部搜索的自适应灰狼优化算法，与现有的元启发式方法相比，该算法显著降低了绿色数据中心的能耗和 SLA 违规。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
每天，全球数字基础设施都伴随着一种巨大的、无形的胃口在运转。从连接家庭的视频通话到推动市场的金融交易，运行这些服务的服务器消耗着惊人的电量。在过去的十年里，这种需求每年增长约百分之十，据预测，到2030年，数据中心将吞噬全球总电力的近百分之四。这些能量中有很大一部分被浪费了，并非因为服务器工作过度，而是因为它们处于闲置状态。在许多运营中心，物理机器仅以其容量的一小部分在运行，但为了保持开启状态，它们仍会消耗超过峰值功率一半以上的电力。为了解决这个问题，工程师们使用了一种称为“虚拟机整合”（virtual machine consolidation）的策略。想象一支快递车队，其中一些车半空，而另一些则装得满满当当。整合的过程就是将货物从半空的卡车转移到装满的卡车中，然后关闭空载的车辆以节省燃料。在数字世界中，这意味着将软件任务从许多利用率不足的服务器转移到少数繁忙的服务器上，让其余的服务器进入休眠状态。然而，寻找完美的任务打包方式是一个极其复杂的谜题，如果处理不当，可能会导致服务变慢或失败。
研究人员 Maad Khalil、Odiljan Turdiyev、Ibtesam Hawi 和 Tolaniddin Nurmukhamedov 开发出了一种新方法，能够比以往更高效地解决这个打包谜题。他们专注于一种被称为“元启发式算法”（metaheuristic）的特定问题解决工具，这种工具就像是复杂排列中的智能搜索引擎。一种流行的工具叫做“灰狼优化算法”（Grey Wolf Optimizer），它模仿狼群的社会等级制度来寻找最优解。在这个系统中，少数“领导者”引导其余成员走向更好的位置。标准版本的该工具使用固定的时间表来决定何时探索新的可能性，以及何时专注于完善当前的最佳答案。研究人员发现，这种固定的时间表对于数据中心这种混乱且多变的环境来说过于僵化。当工作负载突然变化时，标准工具往往会陷入局部解中，由于过早停止搜索，从而错失了更好的机会。
为了克服这一问题，该团队创建了一个改进版本，称之为 AGWO-VMC。与其遵循一个僵化的时钟，不如说他们的系统是在实时观察搜索进度。它测量解的质量提升速度。如果搜索进入了一个没有任何改进的平坦区域，系统就会知道需要保持广泛的探索，拒绝妥协。但如果搜索发现了一条通往更好解的陡峭路径，它会立即收紧注意力，以利用这一发现。这种反馈循环允许算法根据实际情况进行瞬时调整，根据问题的实际形态而非预设的计时器来调整其行为。他们还增加了另外两项改进：一种将算法的连续运动转化为关于使用哪台服务器的具体决策的方法，以及一种定期检查机制，通过交换任务来观察微小的重新排列是否能节省更多能源。
研究人员使用来自 Google 和 Microsoft Azure 的工作负载数据的真实数据中心详细模拟测试了这种新方法。他们在四种不同的场景下运行了模拟，范围从稳定、可预测的流量到突发的巨大需求高峰。在每种情况下，这个新的自适应系统都优于标准版本和其他竞争方法。与标准工具相比，它减少了 18.5% 到 23.7% 的服务器总耗电量，与旧算法相比，节能效果甚至更大。至关重要的是，它在实现这些节能的同时并未牺牲服务质量；在所有测试中，服务违规率均保持在 1.9% 以下。研究还表明，该系统可以在不到 18 秒内做出决策，这一速度足以用于实时操作。
团队证实，成功的关键在于自适应反馈机制本身。通过在测试中移除这一功能，他们观察到能源节省显著下降，证明了“倾听搜索过程”的能力是提升性能的主要驱动力。他们还将该方法与一种需要数月历史数据进行训练的高级学习型方法进行了对比。虽然那种基于学习的方法在面对熟悉模式时表现良好，但在面对突发、不可预见的工作负载变化时却显得力不从心。这种全新的自适应系统无需训练数据，且能对当前状况做出即时反应，在所有场景下都表现得更加稳健和可靠。通过将他们的代码作为开源软件发布，研究人员为他人验证和构建提供了透明的基准，为通向更绿色、更高效的云计算提供了一条清晰的路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。