Measuring Efficiency of a WSCA wide

Measuring Efficiency of a WSC
A widely used, simple metric to evaluate the efficiency of a datacenter or a WSC
is called power utilization effectiveness (or PUE):
PUE = (Total facility power)/(IT equipment power)
Thus, PUE must be greater than or equal to 1, and the bigger the PUE the less
efficient the WSC.
Greenberg et al. [2006] reported on the PUE of 19 datacenters and the portion
of the overhead that went into the cooling infrastructure. Figure 6.11 shows what
they found, sorted by PUE from most to least efficient. The median PUE is 1.69,
with the cooling infrastructure using more than half as much power as the servers
themselves—on average, 0.55 of the 1.69 is for cooling. Note that these are average
PUEs, which can vary daily depending on workload and even external air
temperature, as we shall see.
Since performance per dollar is the ultimate metric, we still need to measure
performance. As Figure 6.7 above shows, bandwidth drops and latency increases
depending on the distance to the data. In a WSC, the DRAM bandwidth within a
server is 200 times larger than within a rack, which in turn is 10 times larger than
within an array. Thus, there is another kind of locality to consider in the placement
of data and programs within a WSC.
While designers of a WSC often focus on bandwidth, programmers developing
applications on a WSC are also concerned with latency, since latency is visible
to users. Users’ satisfaction and productivity are tied to response time of a
service. Several studies from the timesharing days report that user productivity is
inversely proportional to time for an interaction, which was typically broken
down into human entry time, system response time, and time for the person to
think about the response before entering the next entry. The results of experiments
showed that cutting system response time 30% shaved the time of an interaction
by 70%. This implausible result is explained by human nature: People
need less time to think when given a faster response, as they are less likely to get
distracted and remain “on a roll.”
Figure 6.12 shows the results of such an experiment for the Bing search engine,
where delays of 50 ms to 2000 ms were inserted at the search server. As expected

from previous studies, time to next click roughly doubled the delay; that is, a 200
ms delay at the server led to a 500 ms increase in time to next click. Revenue
dropped linearly with increasing delay, as did user satisfaction. A separate study on
the Google search engine found that these effects lingered long after the 4-week
experiment ended. Five weeks later, there were 0.1% fewer searchers per day for
users who experienced 200 ms delays, and there were 0.2% fewer searches from
users who experienced 400 ms delays. Given the amount of money made in search,
even such small changes are disconcerting. In fact, the results were so negative that
they ended the experiment prematurely [Schurman and Brutlag 2009].

Because of this extreme concern with satisfaction of all users of an Internet
service, performance goals are typically specified that a high percentage of
requests be below a latency threshold rather just offer a target for the average
latency. Such threshold goals are called service level objectives (SLOs) or
service level agreements (SLAs). An SLO might be that 99% of requests must be
below 100 milliseconds. Thus, the designers of Amazon’s Dynamo key-value
storage system decided that, for services to offer good latency on top of
Dynamo, their storage system had to deliver on its latency goal 99.9% of the
time [DeCandia et al. 2007]. For example, one improvement of Dynamo helped
the 99.9th percentile much more than the average case, which reflects their
priorities.

ผลลัพธ์ (ไทย) 1:

วัดประสิทธิภาพของการ WSCการวัดที่ใช้กันอย่างแพร่หลาย เรื่องเพื่อประเมินประสิทธิภาพของ datacenter WSC การเรียกว่าประสิทธิภาพการใช้พลังงาน (หรือ PUE):PUE (พลังงานสินเชื่อรวม) = /(IT equipment power)ดังนั้น PUE ต้องมากกว่า หรือเท่ากับ 1 และที่ใหญ่กว่า PUE ยิ่งมีประสิทธิภาพ WSCสวี al. ร้อยเอ็ด [2006] รายงานบน PUE 19 datacenters และส่วนของค่าโสหุ้ยที่เดินเข้าไปในโครงสร้างระบายความร้อน รูปที่ 6.11 แสดงอะไรพวกเขาพบ เรียง โดย PUE ส่วนใหญ่จะมีประสิทธิภาพน้อย ค่ามัธยฐาน PUE คือ 1.69พร้อมโครงสร้างระบายความร้อนที่ใช้พลังงานมากที่สุดมากกว่าครึ่งเป็นเซิร์ฟเวอร์ตัวเอง — เฉลี่ย 0.55 1.69 จะระบายความร้อน โปรดสังเกตว่า เหล่านี้เป็นค่าเฉลี่ยPUEs ซึ่งแตกต่างกันทุกวันขึ้นอยู่กับปริมาณงานและอากาศภายนอกได้อุณหภูมิ เราจะเห็นประสิทธิภาพต่อดอลลาร์เป็น การวัดที่ดีที่สุด เรายังคงต้องการวัดประสิทธิภาพของ ข้างบนรูปที่ 6.7 แสดง แบนด์วิดธ์ลดลง และเพิ่มเวลาแฝงขึ้นอยู่กับระยะทางที่ข้อมูล ใน WSC แบนด์วิดธ์ DRAM ในการเซิร์ฟเวอร์เป็น 200 เท่ามากกว่าในชั้น ซึ่งเป็น 10 ครั้งมีขนาดใหญ่กว่าภายในอาร์เรย์ ดังนั้น มีชนิดอื่นของท้องถิ่นต้องพิจารณาในการวางข้อมูลและโปรแกรมต่าง ๆ WSCในขณะที่ WSC เป็นผู้ออกแบบมักเน้นแบนด์วิธ โปรแกรมเมอร์ที่พัฒนาโปรแกรมประยุกต์บน WSC จะยังเกี่ยวข้องกับแอบแฝง เนื่องจากเวลาแฝงที่มีอยู่ผู้ใช้ ความพึงพอใจของผู้ใช้และผลผลิตจะเชื่อมโยงกับเวลาตอบสนองของการบริการ การศึกษาหลายรายงานวัน timesharing ที่ผู้ผลิตinversely สัดส่วนเวลาสำหรับการโต้ตอบ ที่กรุงจะแตกลงสำหรับคนที่จะเป็นมนุษย์รายการเวลา เวลาตอบสนองของระบบ และเวลาคิดเกี่ยวกับการตอบสนองก่อนเข้ารายการถัดไป ผลการทดลองแสดงให้เห็นว่า ตัดระบบตอบสนองเวลา 30% shaved เวลาของการโต้ตอบโดย 70% ผลลัพธ์ที่ไม่น่าเชื่อนี้คืออธิบาย โดยธรรมชาติมนุษย์: คนต้องการเวลาในการคิดว่า เมื่อให้การตอบสนองที่เร็วขึ้น เป็นพวกเขามีแนวโน้มจะได้รับฟุ้งซ่าน และยังคงอยู่ "ในการ roll "รูปที่ 6.12 แสดงผลเช่นการทดลองเครื่องมือค้นหา Bingความล่าช้าของ ms 50 กับ 2000 ms ที่ถูกแทรกในเซิร์ฟเวอร์การค้นหา ตามที่คาดไว้จากการศึกษาก่อนหน้านี้ เวลาให้คลิกถัดไปประมาณสองเท่าความล่าช้า นั่นคือ 200ms ล่าช้าที่เซิร์ฟเวอร์ที่นำไปสู่การเพิ่ม 500 ms ในเวลาให้คลิกถัดไป รายได้ลบเชิงเส้นกับความล่าช้า เพิ่มเป็นความพึงพอใจของผู้ใช้ได้ การศึกษาแยกเครื่องมือค้นหา Google พบว่า ผลกระทบเหล่านี้ที่อวลอยู่นานหลังจาก 4 สัปดาห์การทดลองสิ้นสุดลง 5 สัปดาห์ มีผู้น้อยกว่า 0.1% ต่อวันผู้ใช้ที่มีประสบการณ์ความล่าช้า 200 ms และมีการค้นหาน้อยกว่า 0.2% จากเป็นผู้ที่มีประสบการณ์ 400 ms ความล่าช้า กำหนดจำนวนเงินในการค้นหาการเปลี่ยนแปลงขนาดเล็กดังกล่าวแม้จะ disconcerting ในความเป็นจริง ก็ให้ลบที่พวกเขาสิ้นสุดการทดลองก่อนกำหนด [Schurman และ Brutlag 2009]เนื่องจากนี้กังวลมากกับความพึงพอใจของผู้ใช้ทั้งหมดของอินเทอร์เน็ตบริการ ประสิทธิภาพเป้าหมายโดยทั่วไปจะระบุที่ของคำขอจะต่ำกว่าขีดเริ่มแฝงแต่เพียงแค่มีเป้าหมายสำหรับค่าเฉลี่ยเวลาแฝง เป้าหมายที่จำกัดเช่นนี้เรียกว่าวัตถุประสงค์ระดับบริการ (SLOs) หรือระดับข้อตกลงให้บริการ (Sla) การ SLO อาจว่า 99% ของการร้องขอต้องต่ำกว่า 100 มิลลิวินาที ดังนั้น ผู้ออกแบบของ Amazon ไดนาโมคีย์ค่าจัดเก็บระบบตัดสินใจว่า สำหรับบริการให้ดีแฝงบนไดนาโม ระบบจัดเก็บข้อมูลของพวกเขามีการส่งมอบในการแฝงเป้าหมาย 99.9% ของการเวลา [DeCandia et al. 2007] ตัวอย่าง ช่วยปรับปรุงหนึ่งของไดนาโมpercentile 99.9th มากกว่ากรณีเฉลี่ย ซึ่งสะท้อนให้เห็นถึงความระดับความสำคัญ

ผลลัพธ์ (ไทย) 3:

การวัดประสิทธิภาพของ WSC
ใช้กันอย่างแพร่หลาย วิเมตริกเพื่อประเมินประสิทธิภาพของดาต้าเซ็นเตอร์หรือ WSC
เรียกว่าพลังการใช้ประสิทธิภาพ ( หรือพู ) :
= ( พลังความสิ่งอำนวยความสะดวกทั้งหมด ) / ( อุปกรณ์ไฟฟ้า )
ดังนั้นความต้องมากกว่าหรือเท่ากับ 1 และมีขนาดใหญ่ ความมีประสิทธิภาพที่ WSC น้อย
.
Greenberg et al . [ 2006 ] รายงานเกี่ยวกับความซับซ้อนและส่วน
19จากค่าใช้จ่ายที่เข้าไปในระบบหล่อเย็น รูปที่ 6.11 แสดงสิ่งที่
พวกเขาพบ เรียงตามความมากน้อยที่มีประสิทธิภาพ มีความเฉลี่ยเป็น 1.69 ,
กับโครงสร้างพื้นฐานมากกว่าครึ่งเย็นใช้พลังงานเท่าที่เซิร์ฟเวอร์
ตัวเองเฉลี่ย 0.55 ของ 1.69 สำหรับระบายความร้อน โปรดทราบว่าเหล่านี้เป็น pues เฉลี่ย
,ซึ่งสามารถเปลี่ยนแปลงทุกวันขึ้นอยู่กับภาระงาน และแม้อากาศภายนอก
อุณหภูมิดังที่เราจะเห็น .
ตั้งแต่การแสดงต่อดอลลาร์ เป็นวัดสุดท้าย เรายังต้องวัด
) เป็นรูปที่ 6.7 ข้างต้นแสดงให้เห็นถึงหยอดแบนด์วิดธ์และเพิ่มศักยภาพ
ขึ้นอยู่กับระยะทางข้อมูล ใน WSC , DRAM แบนด์วิดธ์ภายใน
เซิร์ฟเวอร์เป็น 200 ครั้งใหญ่กว่าในแร็คซึ่งจะเป็น 10 ครั้งใหญ่กว่า
ภายในอาร์เรย์ ดังนั้นจึงเป็นชนิดอื่นของท้องถิ่นเพื่อพิจารณาในการจัดวาง
ของข้อมูลและโปรแกรมภายใน WSC .
ในขณะที่นักออกแบบของ WSC มักจะเน้นแบนด์วิดธ์ , โปรแกรมเมอร์พัฒนาโปรแกรมบน WSC
ยังเกี่ยวข้องกับความล่าช้า เนื่องจากมองเห็นศักยภาพ
ผู้ใช้ ความพึงพอใจของผู้ใช้และผลผลิตที่เกี่ยวข้องกับเวลาการตอบสนองของ
บริการ งานวิจัยหลายชิ้นจากไทม์แชริ่งวันรายงานว่าผลผลิตของผู้ใช้เป็น
แปรผกผันกับเวลาปฏิสัมพันธ์ซึ่งมักจะแตก
ลงในรายการเวลาของมนุษย์ , เวลาตอบสนองของระบบและเวลาสำหรับคน

คิดถึงการตอบสนองก่อนเข้ารายการถัดไป ผลการทดลอง
พบว่า 30 % ตัดระบบการตอบสนองเวลาโกนเวลาของปฏิสัมพันธ์
โดย 70% ผลที่ไม่น่าเชื่อนี้สามารถอธิบายได้โดยธรรมชาติของมนุษย์ : คน
ต้องน้อยกว่าเวลาคิดเมื่อได้รับการตอบสนองได้เร็วขึ้น ตามที่พวกเขามีโอกาสน้อยที่จะได้รับ
ฟุ้งซ่านและยังคง " ม้วน "
รูปที่ 6.12 แสดงผลของการทดลองสำหรับ Bing เครื่องมือค้นหา