Estimating Tail-Latency of Latency-Sensitive Workloads
Master thesis
Permanent lenke
http://hdl.handle.net/11250/2634467Utgivelsesdato
2019Metadata
Vis full innførselSamlinger
Sammendrag
Mange av arbeidsoppgavene som behandles i dagens datasentre er følsomme for forsinkelse, og krever at brukere har en tilfredsstillende opplevelse, noe som gjør energibesparing til en utfordring, som følge avstrenge krav til forsinkelse. Oppgaveplanleggere er avgjørende for å redusere energiforbruket samtidig somdisse kravene møtes. Denne masteroppgaven introduserer Heimdall, en løsning basert på enklemaskinlæringsmodeller (random forest og support vector machine) for å forstå korrelasjonen mellom kjerner,dynamisk spennings -og frekvensskalering (DVFS), arbeidsbelastning og forsinkelse. Våre eksperiment ergjennomført på et Nvidia Jetson TX1 brett, med resultater som viser at Heimdall reduserer energiforbruketmed henholdsvis 2% og 16% i forhold til eksisterende oppgavebehandlere som Hipster og Heracles, og møterkravene for forsinkelse henholdsvis 11.2% og 6.1% oftere.