26、机器学习实践：计算节点工作负载指纹与动态能源分配

机器学习实践：计算节点工作负载指纹与动态能源分配

1. 计算节点工作负载指纹识别

1.1 背景与问题提出

近年来，数据中心的功耗急剧增加，控制服务器的功耗变得至关重要。为了开发高效的服务器，服务器平台需要进行在线特征化，以确定各种系统功能所需的平台参数。传统的静态配置方式在面对负载变化时表现不佳，而基于工作负载观察的反馈导向优化则更为有效。服务器处理器和芯片组提供了软件可配置的控制参数，用于平衡功率和性能，但部分参数在启动时一次性设置后就保持静态，导致系统对负载变化无响应。

1.2 动态特征化技术

采用机器学习算法，从运行时程序阶段确定调整值。通过自校正工作负载指纹码本加速阶段预测，实现连续和主动的调整。操作系统或硬件模块可根据观察到的需求变化，动态设置内存和处理器电源状态等参数。主动调整能使系统提前进行自我调整，避免反应式系统的响应滞后。

1.3 机器学习技术应用

对从处理器子系统收集的数据应用聚类、分类器和离散阶段预测器等机器学习技术。同时，要考虑以最低的计算成本确定合适的算法和操作。

1.4 性能监测与阶段特征

性能监测单元通过硬件计数器测量细粒度事件，应用分析器可揭示应用程序随时间变化的阶段行为。程序阶段可定义为可观察特征发生明显变化，从而对系统产生可测量影响的时间间隔。阶段特征和已知阶段的概率序列用指纹表示，有助于数据中心服务器的负载均衡、热控制和资源分配。

1.5 学习过程步骤

学习过程可总结为以下步骤：
1. 在服务器系统中执行工作负载。
2. 识别相关的过程控制参数，并将其与过程目标（工