Desde o início da computação, processadores (CPU) vêm ficando cada vez mais velozes. Esse aumento de velocidade vem acompanhado de um aumento no consumo de energia e calor dissipado. Centros computacionais modernos concentram de de- zenas a milhares de computadores num pequeno espaço físico, resultando numa alta densidade de consumo de energia, medida em W/m2.
Em [19] os autores fazem um estudo do consumo de energia de centros compu- tacionais, analisando o impacto de economia de energia e tendências tecnológicas em centros computacionais de alta-densidade. Os autores calculam uma densidade de energia de 355 W/m2 e argumentam que a densidade do consumo de energia ficou
economia de energia no sistema de refrigeramento e iluminação; o consumo da infra- estrutura computacional, especificamente, aumentou 55% no mesmo período.
Problemas de disponibilidade de energia já vêm sendo fator crucial para a deci- são de onde construir grandes centros computacionais [63], por exemplo, próximos a usinas de energia. A empresa de consultoria Gartner reporta que atualmente gastos com energia correspondem a menos de 10% do orçamento de empresas, porém este número pode aumentar para mais de 50% nos próximos anos [41]. O Green Grid [5] é uma iniciativa na direção de infra-estruturas que fazem uso eficiente de energia, apoi- ada pelos maiores fabricantes de hardware e prestadores de serviço de hospedagem atuais, que visa padronizar métricas e objetivos utilizados no projeto de novas infra- estruturas mais econômicas. Outros esforços para minimizar o consumo de energia são apresentados em [64], por exemplo o projeto 80 Plus, que certifica fontes de ener- gia para computadores com eficiência maior que 80%.
Energia é um ponto crucial em redes de sensores ou dispositivos móveis. Nesses contextos, uma enorme quantidade de trabalhos já abordaram o problema de dispo- nibilidade e consumo de energia. O leitor é direcionado para [9, 49], e referências inclusas, como uma cobertura sobre o assunto. Os esforços das áreas de redes de sensores e dispositivos móveis não são aplicáveis ao nosso foco de gerenciamento de capacidade, pois a plataforma considerada e os desafios são diferentes.
2.3.1 Economia de Energia em Centros Computacionais
Métodos para economizar energia baseados em hardware foram apresentados em [56]. Os autores discutem o estado atual das tecnologias e métodos de economia de energia na CPU como: variação dinâmica de voltagem e freqüência, processamento simultâneo de processos, concentração de carga e substituição de processadores pode- rosos por outros menores mais econômicos. Os autores também motivam e exploram métodos de economia de energia em memória, como posicionamento dos dados, ma- peamento de endereços de memória, compressão e coerência de cache.
Um mecanismo para programas MPI [74] economizarem energia em centros de processamento com controle dinâmico de energia é apresentado em [52]. Os auto- res argumentam que uma quantidade significativa de energia pode ser economizada devido ao desbalanceamento de carga entre os nós de processamento. O mecanismo proposto diminui a freqüência do processador [11, 26] dos nós com carga menor, de
forma que eles terminem sua parte do trabalho junto dos outros nós, economizando energia sem aumentar o tempo total de execução do processo.
Outros métodos similares que visam economizar energia sem inflacionar o tempo de execução de processos científicos são propostos em [36] e [45]. Em [36] os autores comparam três formas de fazer o controle de freqüência, com crescente economia de energia: através de um programa externo, configuração manual antes da execução do programa e controle explicito da freqüência no código da aplicação. Em [45] os autores propõem um algoritmo para controlar a freqüência do processador utilizando a quantidade de acessos externos ao processador (ex.: acessos a disco e cache misses). Os métodos atingem economias significativas de energia a custo de pequenos atrasos no tempo de execução das aplicações. Porém, a quantidade de energia que pode ser economizada depende fortemente da aplicação.
Por último, os autores de [57] propõem um processador com aceleração vetorial como uma alternativa econômica em ambientes de computação científica, apontando para a possibilidade da utilização de processadores especializados para economizar energia e ainda melhorar o desempenho de aplicações específicas.
2.3.2 Gerenciamento de Capacidade Face a Custos de Energia
Na área de gerenciamento de capacidade, poucos trabalhos consideraram custos de energia. O trabalho em [10] associa custos de energia à capacidade alocada para as aplicações. Desta forma, o arcabouço objetiva maximizar a rentabilidade do provedor, calculando o mínimo de capacidade necessária para atender a carga de trabalho admi- tida para processamento, desligando os recursos que não estão sendo utilizados para economizar energia. Os autores concluem que ignorar custos de energia mantendo a infra-estrutura sempre operacional não é eficiente.
Além de custos de energia, os autores de [22] consideram restrições de energia, pe- ríodos nos quais há diminuição, planejada ou não, da energia disponível. O arcabouço captura custos de energia e o valor pago por cada aplicação hospedada, objetivando maximizar a rentabilidade do provedor em períodos de sobrecarga ou redução da disponibilidade de energia. Os autores consideram apenas restrições de desempenho sobre a utilização da infra-estrutura, o que não é suficiente para capturar requisitos sobre o tempo de resposta.
dela custos de energia em duas instâncias. Na primeira instância, o custo de energia cresce linearmente com a quantidade de servidores ligados para atender a carga. Em segunda instância, o arcabouço considera variação dinâmica de freqüência nos pro- cessadores [11,26], onde o custo de energia varia de forma não linear com a freqüência de processamento. Os autores ainda consideram o custo resultante da diminuição da vida útil de equipamentos (e.x.: discos rígidos) devido aos desligamentos. Apesar da precisão da modelagem dos custos de energia, os autores consideram apenas restri- ções sobre a média do tempo de resposta e nenhum modelo de negócio, objetivando apenas minimizar o consumo de energia.
Nosso trabalho contribui sobre os trabalhos anteriores combinando em um ar- cabouço unificado um modelo de desempenho para infra-estruturas multicamadas, restrições sobre a cauda da distribuição do tempo de resposta, um flexível modelo de negócio, ataques de segurança, custos e restrições de energia.