Hoppa till huvudinnehåll
Search
Menu
Complex combinatorial optimization over networked infrastructures
Foto: pixabay.com

Elastiska molntjänster för hållbar digitalisering

Datacenter förbrukar enorma mängder energi. Visionen om ett fullt digitaliserat samhälle kan bara realiseras genom att skapa hållbara digitala infrastrukturer som fungerar energieffektivt baserat på preciserat resursutnyttjande. Vi utvecklar adaptiv AI för att lösa komplexa kombinatoriska optimeringsproblem i stor skala.

Övergripande inlärningsarkitektur.

Project scope and objective

Dynamisk resursorkestrering är nyckeln till hållbar digitalisering. Idag konsumerar datacentra enorma mängder energi för att koppla och köra tjänster för miljarder anslutna enheter - år 2025 beräknas antalet uppkopplade enheter vara långt över 75 miljarder. Praxis är att överprovisionera resurser för att garantera en viss överförings- och applikationsprestanda. Överprovisionering leder följaktligen till underutnyttjande av infrastrukturresurser - i stor skala leder detta till energislöseri. Visionen om ett fullt digitaliserat samhälle kan bara realiseras genom att skapa hållbara digitala infrastrukturer som fungerar energieffektivt baserat på exakt resursutnyttjande. Resursorkestrering är en nyckelfaktor för att förverkliga effektiva molnarkitekturer.

Resursorkestrationsfunktioner måste vara snabba och exakta. Pågående forskning omfattar utveckling av intelligenta resursorkesteringsmekanismer för moln- och edge-infrastrukturer. Syftet är att utöka kapacitet och tillgänglighet för att stödja storskalig digitalisering och hantera frågan om överprovisionering. För att lyckas måste resursorkestreringsfunktioner tillhandahålla lösningar för effektiv nätstyrning under korta tidsskalor. Därtill måste resursorkestreringsfunktioner kunna autonomt identifiera konfigurationer (resurskrav och nätverksprestanda) som passar för applikationer med olika arbetsbelastningsintensiteter och dataöverföringskrav. Förmågan att effektivt bearbeta dessa komplexa kombinatoriska problem (som involverar krav på latens, bandbredd, tillförlitlighet, resurskrav, minne, lagring, mm) relaterade till en specifik molnberäkningsuppgift, applikation eller tjänst är grundläggande för framtida digitalisering.

Befintliga tillvägagångssätt är långsamma, suboptimala och ensidiga. I allmänhet formuleras resurstilldelningsproblem som (mer eller mindre) komplexa problem med blandad heltalsoptimering och löses oftast med hjälp av heuristik. Heuristikens främsta nackdel är att det i princip inte finns några garantier att hitta en ganska bra lösning inom en begränsad tidsram. Alternativa tillvägagångssätt baseras på giriga algoritmer och möjliggör förvisso snabb men suboptimal allokering av resurser. På grund av komplexiteten hos dessa optimeringsproblem är resursallokeringsmetoder vanligtvis utformade för att lösa mindre komplexa problem begränsade till en aspekt av resursorkestrering (t.ex. antingen balansering av arbetsbelastning eller trafikrouting, men ej lösning av båda problemen samtidigt). Av nämnda skäl begränsas den praktiska tillämpbarheten av befintliga metoder i sammanhang där komplex resursallokering måste ske effektivt i stor skala.

Inlärning möjliggör optimala lösningar snabbt. På lång sikt kommer kontinuerligt underutnyttjande av digital infrastruktur i växande skala att göras på bekostnad av ohållbar överförbrukning av energi. Möjligheten att dynamiskt skala applikationer genom dynamisk resurplanering över hur virtuella maskiner och virtuella nätverksfunktioner ska installeras och kommunicera över en fysisk infrastruktur är en nyckelteknik, men är svårt att göra med befintliga metoder. Vi föreslår ett adaptivt AI-baserat tillvägagångssätt för att lösa komplexa kombinatoriska optimeringsproblem, som gör det möjligt för resursallokeringsalgoritmer att effektivt hämta resursallokeringsplaner inom begränsade tidsramar. Kontinuerligt lärande kommer att leda till ännu bättre lösningar över tid och därmed öka det totala resursutnyttjandet och energieffektiviteten avsevärt.

Publikationer

  1. N. Vesselinova, R. Steinert, D. F. Perez-Ramirez and M. Boman, "Learning Combinatorial Optimization on Graphs: A Survey With Applications to Networking," in IEEE Access, vol. 8, pp. 120388-120416, 2020, doi: 10.1109/ACCESS.2020.3004964.

Sammanfattning

Projektnamn

SSF ICE

Status

Pågående

Region

Region Stockholm

RISE roll i projektet

Coordinator, participant, project manager

Projektstart

Varaktighet

5 years

Total budget

2.5 MSEK

Finansiärer

The Swedish Foundation for Strategic Research

Projektmedlemmar

Extern press

Bidrar till FN:s hållbarhetsmål

9.Hållbar industri, innovationer och infrastruktur
Daniel Perez

Kontaktperson

Daniel Perez

Forsknings- och utvecklingsingenjör

+46 10 228 42 61

Läs mer om Daniel

Kontakta Daniel
CAPTCHA

* Obligatoriskt Genom att skicka in formuläret behandlar RISE dina personuppgifter.