JP2020194377A - ジョブ電力予測プログラム、ジョブ電力予測方法、およびジョブ電力予測装置 - Google Patents
ジョブ電力予測プログラム、ジョブ電力予測方法、およびジョブ電力予測装置 Download PDFInfo
- Publication number
- JP2020194377A JP2020194377A JP2019099871A JP2019099871A JP2020194377A JP 2020194377 A JP2020194377 A JP 2020194377A JP 2019099871 A JP2019099871 A JP 2019099871A JP 2019099871 A JP2019099871 A JP 2019099871A JP 2020194377 A JP2020194377 A JP 2020194377A
- Authority
- JP
- Japan
- Prior art keywords
- job
- power consumption
- prediction
- time
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000008859 change Effects 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims description 58
- 238000004364 calculation method Methods 0.000 description 60
- 238000005259 measurement Methods 0.000 description 46
- 238000010586 diagram Methods 0.000 description 31
- 230000004048 modification Effects 0.000 description 31
- 238000012986 modification Methods 0.000 description 31
- 230000000052 comparative effect Effects 0.000 description 27
- 230000008569 process Effects 0.000 description 20
- 230000015654 memory Effects 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 239000000284 extract Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005401 electroluminescence Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/28—Supervision thereof, e.g. detecting power-supply failure by out of limits supervision
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
- G06F1/329—Power saving characterised by the action undertaken by task scheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
- G06F11/3062—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations where the monitored property is the power consumption
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
- G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
- G06F11/3419—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment by assessing time
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
- G06F9/4893—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues taking into account power or heat criteria
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Power Sources (AREA)
Abstract
Description
まずコンピュータは、実行が終了した複数の第1ジョブの実行時の消費電力の時間変化を示す第1消費電力情報に基づいて、複数の第1ジョブの実行開始からの経過時間の時間幅によって定義された複数の予測対象期間それぞれに対応付けて、対応する予測対象期間以前の1以上の第1ジョブの消費電力の時間変化を示すサンプルデータを生成する。次にコンピュータは、複数の予測対象期間それぞれに対応するサンプルデータに基づいて、対応する予測対象期間におけるジョブの消費電力の時間変化を予測するための予測モデルを生成する。さらにコンピュータは、実行中の第2ジョブの現在までの実行時間に基づいて一予測対象期間を特定する。そしてコンピュータは、第2ジョブの現在までの消費電力の時間変化を示す第2消費電力情報に基づいて、一予測対象期間におけるジョブの消費電力の時間変化を予測するための予測モデルを用いて、一予測対象期間における第2ジョブの消費電力の時間変化を予測する。
〔第1の実施の形態〕
まず第1の実施の形態について説明する。
次に第2の実施の形態について説明する。第2の実施の形態は、ニューラルネットワークを用いて学習した予測モデルを用いて、ジョブの消費電力を予測するものである。
図6は、ジョブの時系列電力情報の一例を示す図である。ジョブの時系列電力情報302には、実行が完了したジョブごとに、そのジョブの実行開始からの経過時間ごとの消費電力(図中「x」で示す)が設定されている。図6の例では、ジョブの消費電力は5分ごとに測定されており、5分を最小単位として経過時間が測定点の番号(0から昇順の番号)で示されている。
図9は、学習用のデータセットの第1の修正例を示す図である。図9の例では、すべてのジョブの時系列電力データを含む時系列電力情報302から、30分ずつずらした学習用のデータセットが生成されている。これによりデータセットの数を削減することができる。例えば電力値を測定したジョブ数が「1000」の場合、管理サーバ100は、1000個の時系列電力データを、問題データと答えデータとの範囲をずらしながら47回繰り返して予測モデル312に入力することで、予測モデル312を学習することとなる。その結果、データセット数が削減された分、予測モデル312の生成に要する時間が短縮される。ただし、多様なデータセットで1つの予測モデル312を学習していることは図8に示した比較例と同じであり、比較例と同様に、生成された予測モデル312による推定精度も低い。
図10は、学習用のデータセットの第2の修正例を示す図である。図10の例では、ジョブの実行開始からの経過時間が複数の時間帯に分けられており、経過時間の時間帯ごとの予測モデル313〜315が生成されている。予測モデル313〜315それぞれを学習するためのデータセットは、対応する時間帯以前の期間の電力が問題データであり、対応する時間帯内の電力が答えデータである。
図11は、学習モデル生成例比較表を示す図である。学習モデル生成例比較表321は、図8〜図10に示した比較例、第1の修正例、および第2の修正例における、学習モデル生成処理の比較結果を示している。比較対象の項目は、データセットの量、RNNの大きさ、学習時の計算量、および推定精度である。なお図11の例では、時系列電力データを取得したジョブ数は「1000」であり、各時系列電力データには、5分間隔で288点(1日分)での電力値の測定結果が含まれるものとする。
データセット電力値総数は、予測モデルの生成に使用するデータセットに含まれる電力値の総数である。比較例では、問題データとして入力される電力値の総数は「6×276×1000」である。また比較例では、学習結果の出力に対する答えデータを示す電力値の総数は「6×276×1000」である。第1の修正例では、問題データとして入力される電力値の総数は「6×47×1000」である。また第1の修正例では、学習結果の出力に対する答えデータを示す電力値の総数は「6×47×1000」である。第2の修正例では、問題データとして入力される電力値の総数は「Σ6N×1000」(Nは1〜47の整数)である(Σは総和を示す記号である)。また第2の修正例では、学習結果の出力に対する答えデータを示す電力値の総数は「6×47×1000」である。
入出力数は、RNNの入力層へ入力する電力値の数と、RNNの出力層から出力される電力値の数である。比較例と第1の修正例とでは、入力する電力値の数「6」、出力される電力値の数「6」である。第2の修正例では、N番目の予測モデルに入力する電力値の数「6N」、出力される電力値の数「6」である。
タイマ部220は、HPCシステム30からジョブごとの消費電力情報を収集するタイミングを管理する。例えばタイマ部220は、一定の時間間隔で、ジョブ消費電力情報の収集を情報取得部230に指示する。
CPU温度変化(Tcpu)=CPU温度−水冷入力温度 ・・・(1)
またSBの排気温度変化(Tair)は、以下の式で算出できる。
SB排気温度変化(Tair)=SB排気温度−ラック吸気温度 ・・・(2)
計算ノード31,32,・・・は、CPUの消費電力をCPU温度変化から算出する(例えばCPUの消費電力=1.02・Tcpu)。また計算ノード31,32,・・・は、メモリの消費電力をSB排気温度から算出する(例えばメモリの消費電力=0.254・Tair)。さらに計算ノード31,32,・・・は、インターコネクトコントローラ(ICC)の消費電力は一定値であるものとする(例えばICCの消費電力=8.36)。そして計算ノード31,32,・・・は、以下の式によりジョブの電力Pを予測する。
P=1.02・Tcpu+0.254・Tair+8.36 ・・・(3)
ジョブスケジューリング部240は、新規に投入されたジョブの実行スケジュールを作成する。またジョブスケジューリング部240は、管理サーバ100から実行中のジョブの今後の消費電力の予測結果を受信すると、HPCシステム30の消費電力が、所定の閾値を超えるか否かを判断する。例えばジョブスケジューリング部240は、実行中のジョブの消費電力の合計を、HPCシステム30の消費電力とする。ジョブスケジューリング部240は、HPCシステム30の消費電力が閾値を超えると予測した場合、一部のジョブを強制停止することを決定する。
なお、図14に示した各要素間を接続する線は通信経路の一部を示すものであり、図示した通信経路以外の通信経路も設定可能である。また、図14に示した各要素の機能は、例えば、その要素に対応するプログラムモジュールをコンピュータに実行させることで実現することができる。
図18は、学習結果情報の一例を示す図である。学習結果情報113には、例えばグループごとの予測モデル113a,113b,・・・が含まれている。例えば予測モデル113aは、単位時間(5分)間隔に設定された予測点における1点先(5分先)〜6点先それぞれの消費電力を予測するニューラルネットワーク(例えばRNN)の予測モデルである。ニューラルネットワークにおける学習とは、ニューロンに相当するユニットに入力するデータに対する重みの適切な値を求めることである。学習結果には、例えばRNNの構造と学習された重み値とが設定される。
図10に示した例では、予測モデル313〜315それぞれの作成に使用するデータセットは、すべてのジョブの時系列電力情報302から抽出されている。しかし、予測対象期間以前に実行が終了してしまうジョブの時系列電力データは、その予測対象期間の予測モデルの生成に役立たない可能性がある。例えばジョブの実行開始からの経過時間が120分〜150分の期間の電力を推定するための予測モデルの生成に、実行開始から30分未満で実行が終了するジョブの時系列電力データは有効ではない。そこで例えば、サンプル作成部140は、予測モデルの生成に利用する時系列電力データを、予測対象期間まで実行が継続していたジョブの時系列電力データに限定することができる。
図20の例では「JOB A/B/C/D/E」は「Interval 2」の前にジョブが終了している。これらのジョブは「Interval 2」の期間は実行されておらず、これらのジョブの時系列電力データは、「Interval 2」の期間中に継続して実行されているジョブの消費電力の予測には、あまり有用ではないと考えることもできる。そのためサンプル作成部140は、これらのジョブの電力の測定値は、「Interval 2」の予測モデル生成用のデータセット333から除外することも可能である。
図26は、予測モデル生成処理の手順の一例を示すフローチャートである。以下、図26に示す処理をステップ番号に沿って説明する。なお予測モデル生成処理は、例えばタイマ部120から所定時間間隔で出力される指示に応じて実行される。なお、以下の説明では、ジョブの実行時間の最大値は24時間であり、予測対象期間の時間幅は30分であるものとする。この場合、「Interval x」のxの上限は「47」となる。
[ステップS103]サンプル作成部140は、DB110内のジョブ消費電力情報111から、実行終了までの測定点「6x−5」以上のジョブの時系列電力データを抽出する。
[ステップS107]サンプル作成部140は、xの値が上限(例えば「47」)を超えたか否かを判断する。サンプル作成部140は、xの値が上限を超えた場合、処理を終了する。またサンプル作成部140は、xの値が上限を超えていなければ、処理をステップS103に進める。
図28は、電力推定処理の手順の一例を示すフローチャートである。以下、図28に示す処理をステップ番号に沿って説明する。なお電力推定処理は、新たにジョブの実行が開始されるごとに実施される。
[ステップS113]メトリクス収集部130は、HPC運用管理サーバ200から、推定対象ジョブの時系列電力データを取得する。そしてメトリクス収集部130は、取得した時系列電力データをDB110に格納する。この際、メトリクス収集部130は、電力情報がない期間(現在からジョブ実行最大長まで)の測定点には、すべて電力値「0」を設定する。またメトリクス収集部130は、ジョブがすでに完了した場合も、ジョブ終了後のジョブ実行最大長までの測定点には、すべて電力値「0」を設定する。
[ステップS116]予測値計算部160は、30分だけ待機する。待機時間の30分は、例えばタイマ部120で測定される。この場合、予測値計算部160は、タイマ部120からの30分経過の通知を受けて、次のステップS117に処理を進める。
[ステップS119]予測値計算部160は、xの値が上限(例えば「47」)を超えたか否かを判断する。予測値計算部160は、xの値が上限を超えた場合、処理を終了する。また予測値計算部160は、xの値が上限を超えていなければ、処理をステップS113に進める。
次に、HPC運用管理サーバ200によるジョブの強制停止処理の手順について説明する。
[ステップS131]ジョブスケジューリング部240は、ジョブの専有ノード数と最大時間に基づいて、ジョブのスケジューリングを行う。スケジューリング結果は、制御指示部250に送信される。制御指示部250は、スケジュールに従ってHPCシステム30にジョブの実行を指示する。
図30は、適用技術と比較例との平均誤差を比較した図である。図30では、第2の実施の形態の技術により予測した30分間の消費電力の平均誤差を、図8に示した比較例に示した予測モデルを用いて予測した30分間の消費電力の平均誤差と比較している。
第2の実施の形態では、図10に示した第2の修正例よりも、さらにデータセットの量を削減することで処理の効率化を図っているが、管理サーバ100は、第2の修正例に示したようなデータセットを用いて予測モデルを生成してもよい。
2a,2b,・・・ 第1ジョブ
3 第2ジョブ
4 第1消費電力情報
5a,5b,5c,・・・ サンプルデータ
6a,6b,6c,・・・ 予測モデル
10 ジョブ電力予測装置
11 記憶部
12 処理部
Claims (7)
- コンピュータに、
実行が終了した複数の第1ジョブの実行時の消費電力の時間変化を示す第1消費電力情報に基づいて、前記複数の第1ジョブの実行開始からの経過時間の時間幅によって定義された複数の予測対象期間それぞれに対応付けて、対応する予測対象期間以前の1以上の第1ジョブの消費電力の時間変化を示すサンプルデータを生成し、
前記複数の予測対象期間それぞれに対応する前記サンプルデータに基づいて、対応する前記予測対象期間におけるジョブの消費電力の時間変化を予測するための予測モデルを生成し、
実行中の第2ジョブの現在までの実行時間に基づいて一予測対象期間を特定し、
前記第2ジョブの現在までの消費電力の時間変化を示す第2消費電力情報に基づいて、前記一予測対象期間におけるジョブの消費電力の時間変化を予測するための前記予測モデルを用いて、前記一予測対象期間における前記第2ジョブの消費電力の時間変化を予測する、
処理を実行させるジョブ電力予測プログラム。 - 前記サンプルデータの生成では、対応する前記予測対象期間より前の期間の前記1以上の第1ジョブの消費電力の時間変化を問題データとして含み、対応する前記予測対象期間の前記1以上の第1ジョブの消費電力の時間変化を答えデータとして含む前記サンプルデータを生成し、
前記予測モデルの生成では、前記サンプルデータの前記問題データに基づいて、前記予測モデルを用いて、対応する前記予測対象期間の消費電力の時系列変化を予測し、予測結果と前記答えデータとの誤差に基づいて前記予測モデルを修正する、
請求項1記載のジョブ電力予測プログラム。 - 前記サンプルデータの生成では、前記1以上の第1ジョブの実行開始から、対応する前記予測対象期間の終了時までの消費電力の時間変化を示す前記サンプルデータを生成する、
請求項1または2記載のジョブ電力予測プログラム。 - 前記サンプルデータの生成では、互いに重複せずに連続する複数の期間を、前記複数の予測対象期間とする、
請求項1ないし3のいずれかに記載のジョブ電力予測プログラム。 - 前記サンプルデータの生成では、前記複数の第1ジョブのなかから、実行開始から終了までの所要時間が、生成する前記サンプルデータに対応する前記予測対象期間に基づいて決定した閾値よりも長い前記1以上の第1ジョブを抽出し、抽出した前記1以上の第1ジョブの消費電力の時間変化を示す前記サンプルデータを生成する、
請求項1ないし4のいずれかに記載のジョブ電力予測プログラム。 - コンピュータが、
実行が終了した複数の第1ジョブの実行時の消費電力の時間変化を示す第1消費電力情報に基づいて、前記複数の第1ジョブの実行開始からの経過時間の時間幅によって定義された複数の予測対象期間それぞれに対応付けて、対応する予測対象期間以前の1以上の第1ジョブの消費電力の時間変化を示すサンプルデータを生成し、
前記複数の予測対象期間それぞれに対応する前記サンプルデータに基づいて、対応する前記予測対象期間におけるジョブの消費電力の時間変化を予測するための予測モデルを生成し、
実行中の第2ジョブの現在までの実行時間に基づいて一予測対象期間を特定し、
前記第2ジョブの現在までの消費電力の時間変化を示す第2消費電力情報に基づいて、前記一予測対象期間におけるジョブの消費電力の時間変化を予測するための前記予測モデルを用いて、前記一予測対象期間における前記第2ジョブの消費電力の時間変化を予測する、
ジョブ電力予測方法。 - 実行が終了した複数の第1ジョブの実行時の消費電力の時間変化を示す第1消費電力情報を記憶する記憶部と、
前記第1消費電力情報に基づいて、前記複数の第1ジョブの実行開始からの経過時間の時間幅によって定義された複数の予測対象期間それぞれに対応付けて、対応する予測対象期間以前の1以上の第1ジョブの消費電力の時間変化を示すサンプルデータを生成し、前記複数の予測対象期間それぞれに対応する前記サンプルデータに基づいて、対応する前記予測対象期間におけるジョブの消費電力の時間変化を予測するための予測モデルを生成し、実行中の第2ジョブの現在までの実行時間に基づいて一予測対象期間を特定し、前記第2ジョブの現在までの消費電力の時間変化を示す第2消費電力情報に基づいて、前記一予測対象期間におけるジョブの消費電力の時間変化を予測するための前記予測モデルを用いて、前記一予測対象期間における前記第2ジョブの消費電力の時間変化を予測する処理部と、
を有するジョブ電力予測装置。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019099871A JP7288189B2 (ja) | 2019-05-29 | 2019-05-29 | ジョブ電力予測プログラム、ジョブ電力予測方法、およびジョブ電力予測装置 |
EP20172121.4A EP3745262A1 (en) | 2019-05-29 | 2020-04-29 | Program, job power estimation method, and job power estimating device |
US16/865,451 US11402889B2 (en) | 2019-05-29 | 2020-05-04 | Storage medium, job power estimation method, and job power estimating device |
CN202010412296.3A CN112015615A (zh) | 2019-05-29 | 2020-05-15 | 存储介质、作业功率评估方法和作业功率评估设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019099871A JP7288189B2 (ja) | 2019-05-29 | 2019-05-29 | ジョブ電力予測プログラム、ジョブ電力予測方法、およびジョブ電力予測装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020194377A true JP2020194377A (ja) | 2020-12-03 |
JP7288189B2 JP7288189B2 (ja) | 2023-06-07 |
Family
ID=70480132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019099871A Active JP7288189B2 (ja) | 2019-05-29 | 2019-05-29 | ジョブ電力予測プログラム、ジョブ電力予測方法、およびジョブ電力予測装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11402889B2 (ja) |
EP (1) | EP3745262A1 (ja) |
JP (1) | JP7288189B2 (ja) |
CN (1) | CN112015615A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7500499B2 (ja) | 2021-05-31 | 2024-06-17 | 株式会社東芝 | 情報処理装置、情報処理方法およびプログラム |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210397476A1 (en) * | 2020-06-18 | 2021-12-23 | International Business Machines Corporation | Power-performance based system management |
EP3979021A1 (en) * | 2020-09-30 | 2022-04-06 | Ricoh Company, Ltd. | Scheduling system, scheduling method, and carrier means |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010108283A (ja) * | 2008-10-30 | 2010-05-13 | Nec Corp | 予測システム、予測方法および予測プログラム |
JP2011114944A (ja) * | 2009-11-26 | 2011-06-09 | Fuji Electric Systems Co Ltd | 電力需要予測装置、そのプログラム |
JP2014215908A (ja) * | 2013-04-26 | 2014-11-17 | 富士通株式会社 | 消費電力予測プログラム、消費電力予測方法及び消費電力予測装置 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09146915A (ja) | 1995-11-20 | 1997-06-06 | Meidensha Corp | カオス時系列短期予測装置 |
JP4061492B2 (ja) * | 2003-02-10 | 2008-03-19 | ソニー株式会社 | 情報処理装置および消費電力制御方法 |
JP5256967B2 (ja) * | 2008-09-26 | 2013-08-07 | 富士通株式会社 | 動的再構成支援プログラム、動的再構成支援装置および動的再構成支援方法 |
US8627123B2 (en) * | 2010-03-25 | 2014-01-07 | Microsoft Corporation | Managing power provisioning in distributed computing |
US9672577B2 (en) * | 2013-01-10 | 2017-06-06 | International Business Machines Corporation | Estimating component power usage from aggregate power usage |
WO2014184928A1 (ja) | 2013-05-16 | 2014-11-20 | 株式会社日立製作所 | 検出装置、検出方法、および記録媒体 |
JP6128624B2 (ja) * | 2015-02-19 | 2017-05-17 | 日本電気株式会社 | 電力消費量推定装置、電力消費量推定方法およびプログラム |
JP6683920B2 (ja) * | 2016-02-24 | 2020-04-22 | 富士通株式会社 | 並列処理装置、電力係数算出プログラムおよび電力係数算出方法 |
JP6799255B2 (ja) * | 2016-11-22 | 2020-12-16 | 富士通株式会社 | ジョブ消費電力推定プログラム、並列処理装置およびジョブ消費電力推定方法 |
US11074151B2 (en) * | 2018-03-30 | 2021-07-27 | Intel Corporation | Processor having embedded non-volatile random access memory to support processor monitoring software |
KR102047866B1 (ko) * | 2018-04-10 | 2019-11-22 | 아주대학교산학협력단 | 모바일 장치의 전력 측정 및 분석 시스템 및 그 방법 |
US10732690B2 (en) * | 2018-05-17 | 2020-08-04 | Arm Ip Limited | Systems and methods for monitoring state transitions |
US11579680B2 (en) * | 2019-02-01 | 2023-02-14 | Alibaba Group Holding Limited | Methods and devices for power management based on synthetic machine learning benchmarks |
-
2019
- 2019-05-29 JP JP2019099871A patent/JP7288189B2/ja active Active
-
2020
- 2020-04-29 EP EP20172121.4A patent/EP3745262A1/en not_active Ceased
- 2020-05-04 US US16/865,451 patent/US11402889B2/en active Active
- 2020-05-15 CN CN202010412296.3A patent/CN112015615A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010108283A (ja) * | 2008-10-30 | 2010-05-13 | Nec Corp | 予測システム、予測方法および予測プログラム |
JP2011114944A (ja) * | 2009-11-26 | 2011-06-09 | Fuji Electric Systems Co Ltd | 電力需要予測装置、そのプログラム |
JP2014215908A (ja) * | 2013-04-26 | 2014-11-17 | 富士通株式会社 | 消費電力予測プログラム、消費電力予測方法及び消費電力予測装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7500499B2 (ja) | 2021-05-31 | 2024-06-17 | 株式会社東芝 | 情報処理装置、情報処理方法およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
CN112015615A (zh) | 2020-12-01 |
JP7288189B2 (ja) | 2023-06-07 |
US11402889B2 (en) | 2022-08-02 |
EP3745262A1 (en) | 2020-12-02 |
US20200379533A1 (en) | 2020-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7177350B2 (ja) | ジョブ電力予測プログラム、ジョブ電力予測方法、およびジョブ電力予測装置 | |
Tuli et al. | COSCO: Container orchestration using co-simulation and gradient based optimization for fog computing environments | |
CN113099729B (zh) | 生产调度的深度强化学习 | |
CN103136039B (zh) | 用于平衡能量消耗和调度性能的作业调度方法和系统 | |
JP7288189B2 (ja) | ジョブ電力予測プログラム、ジョブ電力予測方法、およびジョブ電力予測装置 | |
JP2018195308A (ja) | プロセス及び製造業における業績評価指標のデータに基づく最適化のための方法及びシステム | |
JP7040319B2 (ja) | 運用管理装置、移動先推奨方法及び移動先推奨プログラム | |
Rodriguez et al. | Detecting performance anomalies in scientific workflows using hierarchical temporal memory | |
JP2006024017A (ja) | コンピュータ資源のキャパシティを予測するためのシステム、方法およびプログラム | |
JP7243361B2 (ja) | ジョブスケジューラ及びジョブスケジュール制御方法 | |
Tuli et al. | MCDS: AI augmented workflow scheduling in mobile edge cloud computing systems | |
Amiri et al. | Multi-objective green flowshop scheduling problem under uncertainty: Estimation of distribution algorithm | |
US20210359514A1 (en) | Information processing apparatus and job scheduling method | |
US20190385045A1 (en) | Systems And Methods For Generalized Adaptive Storage Endpoint Prediction | |
JP2019032185A (ja) | センサ制御支援装置、センサ制御支援方法およびコンピュータプログラム | |
Yang et al. | A pattern fusion model for multi-step-ahead CPU load prediction | |
JP7481902B2 (ja) | 管理計算機、管理プログラム、及び管理方法 | |
Zhai et al. | Predictive maintenance integrated production scheduling by applying deep generative prognostics models: approach, formulation and solution | |
Zou et al. | Indicator-directed dynamic power management for iterative workloads on GPU-accelerated systems | |
Sinha | Short term load forecasting using artificial neural networks | |
Muruganandam et al. | Dynamic Ensemble Multivariate Time Series Forecasting Model for PM2. 5. | |
Jawaddi et al. | Integrating OpenAI Gym and CloudSim Plus: A simulation environment for DRL Agent training in energy-driven cloud scaling | |
JP7235960B2 (ja) | ジョブ電力予測プログラム、ジョブ電力予測方法、およびジョブ電力予測装置 | |
US20210365094A1 (en) | Storage medium, method and apparatus for job power consumption prediction | |
JP5826892B1 (ja) | 変化点検出装置、変化点検出方法、及びコンピュータプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220208 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230207 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230406 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230425 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230508 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7288189 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |