A identificação do modelo da carga de trabalho não-estacionária é essencial para técnicas de gerenciamento de energia (GDE) que dependem de modelos da carga de trabalho, tais como
time-out [8], desligamento preditivo do sistema [41], árvore de aprendizado adaptativo [42]
e abordagens de aprendizado da carga de trabalho baseadas em janelas deslizantes de com- primento fixo [1]. No último caso, o projetista do sistema é limitado a políticas sub-ótimas. Neste capítulo, o problema de gerenciamento de energia sob condições de carga de trabalho não-estacionária foi rigorosamente analisado e resolvido usando-se uma técnica de janelas des- lizantes de múltiplos comprimentos (JMC) que resulta em políticas de gerenciamento de energia próximas do caso ótimo.
Os efeitos de atraso de identificação e erro de amostragem foram formalmente apresentados e expressões analíticas foram derivadas para demonstrar sua relação com os comprimentos de janela para estimativas de máxima verossimilhança, ou o parâmetro λ para estimação fraca ba- seada em aprendizado estocástico. Para a técnica introduzida de janelas deslizantes de múltiplos comprimentos (JMC), as estimativas foram calculadas considerando-se tanto múltiplas janelas
com múltiplos comprimentos ou múltiplos parâmetros. As variâncias das estimativas foram calculadas e usadas para prover o gerenciador de energia de relativamente boas estimativas da carga de trabalho verdadeira do sistema. Durante as transições entre cargas de trabalho estacio- nárias, comprimentos de janela pequenos foram usados para acompanhar as mudanças rápidas nas estatísticas da carga de trabalho, apesar do erro de amostragem maior. Após esse período de transição, comprimentos de janela maiores foram usados para reduzir o erro de amostragem. Assim, ao contrário das abordagens passadas usando janelas deslizantes de comprimento fixo, a técnica introduzida nesse capítulo de fato se beneficia tanto do pequeno erro de amostragem de comprimentos de janela grandes e o pequeno atraso de identificação de comprimentos de janela pequenos. A técnica introduzida é capaz de se adaptar caso a carga de trabalho de um sistema real for estacionária ou altamente não-estacionária. Além disso, a técnica de janelas deslizantes de múltiplos comprimentos pode ser facilmente combinada com qualquer técnica usada para calcular as estimativas. Nesse capítulo, ela foi combinada tanto com estimativas de máxima verossimilhança quanto com estimação fraca baseada em aprendizado estocástico. A aplica- bilidade da técnica introduzida foi testada em um sistema modelado por cadeias de Markov discretas. A técnica de janelas deslizantes de múltiplos comprimentos superou as abordagens anteriores tanto em desempenho quanto em consumo de energia. Assim, o projeto do gerenci- ador de energia com estimação da carga de trabalho usando-se janelas deslizantes de múltiplos comprimentos é flexível e confiável.
Como verificado na Seção 2.3.4, não se garante que a solução do problema de otimização enunciado por Benini et al. [10] respeita a restrição de penalidade de desempenho para toda carga de trabalho, e assim, pode não oferecer uma economia de energia ótima. Há portanto duas possíveis consequências: (i) se a penalidade de desempenho final é maior que a restrição de penalidade de desempenho, então o desempenho do sistema é insatisfatório, ou seja o ge- renciador de energia deteriorou o desempenho do sistema; (ii) se a penalidade de desempenho final é menor que a restrição de penalidade de desempenho, então ainda havia uma margem para reduzir o desempenho do sistema e assim economizar energia. Logo, uma política de gerenci- amento de energia que usa modelos estocásticos pode ser considerada um sistema em malha aberta, porque ela não ajusta a penalidade de desempenho atual à restrição de desempenho de referência. A solução ótima depende fortemente da qualidade do modelo, i.e. os parâmetros do modelo estocástico e o conhecimento da carga de trabalho. Adicionalmente, se a restrição de penalidade de desempenho muda durante a operação do sistema com gerenciamento de energia, então existem duas opções possíveis: (i) o problema de otimização deve ser resolvido em tempo de execução, o que não é prático, porque isso demanda tempo e energia consideráveis; ou (ii) as políticas ótimas devem ser pré-computadas em tempo de projeto e armazenadas na memória, o que demanda espaço em memória considerável. Essas limitações da solução estocástica [10] justificam a procura por outras soluções para gerenciamento de energia. No Capítulo 3, será
apresentada a abordagem de Controle em malha fechada para gerenciamento de energia, que foi formulada com o objetivo de garantir que será atingido o valor exato da restrição de penali- dade de desempenho em cada instante de tempo.
Controle em malha fechada para
gerenciamento de energia
3.1
Introdução
Nas técnicas de controle em malha fechada para gerenciamento de energia em geral é utili- zado um esquema em que a variável controlada corresponde ao desempenho do sistema, como mostrado na Fig. 3.1. O desempenho é medido e comparado ao valor de referência de desem- penho, resultando no erro de desempenho, que é a entrada para um controlador, cuja saída é um comando para mudar o estado de energia do sistema com gerenciamento de energia. Então, deseja-se garantir que a penalidade de desempenho do sistema atingirá a restrição de penalidade de desempenho desejada. O controle em malha fechada tem sido empregado em muitos cená- rios diferentes de gerenciamento de energia, tais como: servidores [7], sistemas embarcados de tempo-real [23], rede-em-chip (NoC, network-on-chip) [25], microprocessadores embarca- dos [26] e reprodução de vídeo [27].
+ - Sistema com gerenciamento de energia Controlador Referência de desempenho Desempenho Erro de desempenho Comando
Figura 3.1: Gerenciamento de energia baseado no princípio de controle em malha fechada.
Neste capítulo, é apresentada uma abordagem de gerenciamento dinâmico de energia (GDE) baseada no modelo de um processador com escalonamento dinâmico de tensão e frequência (DVFS) como um processo de decisão de Markov usando a metodologia de Benini et al. [10], e a utilização desse modelo juntamente com controle em malha fechada para que a penalidade de desempenho do sistema seja igual à restrição de penalidade de desempenho [19]. A técnica de
gerenciamento dinâmico de energia (GDE) introduzida neste capítulo pode ser descrita com a ajuda do diagrama de blocos mostrado na Fig. 3.2. A ‘variável controlada’ é escolhida como a perda média de requisições l(t) do sistema, que é um indicador de desempenho. A ‘variável ma- nipulada’ é o estado do provedor de serviços s, que é alterado por meio do comando a(t) passado pelo gerenciador de energia. Dado que o usuário do sistema aceita que a perda de requisições média l(t) do sistema seja degradada até uma restrição de penalidade de desempenho L definida pelo usuário, então o gerenciador de energia pode passar um comando a(t) para mudar o estado
s do provedor de serviços e então reduzir a taxa de serviço b(s, a). O ‘valor de referência’ lC(t) é a penalidade de desempenho máxima (tal como D usada para o problema de otimização de política em (2.11)). De acordo com os estados do requisitante de serviços r, fila de serviços q, e provedor de serviços s, pode ocorrer uma perda de requisição l(t), como mostrado em (2.22), que é usada para estimar o desempenho do sistema por meio do bloco Estimar perda de requisi-
ções média, cuja saída ˆl(t) é a estimativa de perda de requisições. Um controlador toma o valor
de referência lC(t) e a estimativa de perda de requisições ˆl(t) para produzir o sinal de controle
u(t). Mas, de acordo com a Definição 2 (Capítulo 2, pág. 13), o conjunto de controle A do pro-
vedor de serviços é discreto e finito. Então, o bloco Quantizador é usado para mapear o sinal de controle contínuo u(t) num comando discreto a(t). No que se segue, um modelo estocástico para o controle de malha fechada para sistemas com gerenciamento de energia modelados por cadeias de Markov é analisado.
Requisitante de Serviços (RS) Provedor de Serviços (PS) Fila de Serviços (FS) Controlador Quantizador Sistema com gerenciamento de energia Gerenciador de energia Estimar perda de requisições média lC(t) u(t) a(t) l(t) ˆl(t)