Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Machine-Learning-Based Control of Perturbed and Heated Channel Flows Kapitel lesen Erstes Kapitel lesen

2021 | OriginalPaper | Buchkapitel

Machine Learning for Generic Energy Models of High Performance Computing Resources

verfasst von : Jonathan Muraña, Carmen Navarrete, Sergio Nesmachnow

Erschienen in: High Performance Computing

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

This article presents an study of the generalization capabilities of forecasting techniques of empirical energy consumption models of high performance computing resources. This is a relevant subject, considering the large energy utilization of modern supercomputing facilities. Different energy models are built, considering several forecasting techniques and using information from the execution of a benchmark over different hardware. A cross-evaluation is performed and the training information of each model is gradually extended with information about other hardware. Each model is analyzed to evaluate how new information impacts on the prediction capabilities. The main results indicate that neural network approaches achieve the highest quality results when the training data of the models is expanded with minimal information from new scenarios.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Parallel/Distributed Intelligent Hyperparameters Search for Generative Artificial Neural Networks
Nächstes Kapitel Automation for Data-Driven Research with the NERSC Superfacility API
Literatur
1.
2.
Auweter, A., et al.: A case study of energy aware scheduling on SuperMUC. In: Supercomputing, pp. 394–409 (2014)
3.
Barreda, M., Dolz, M., Castaño, M.: Convolutional neural nets for estimating the run time and energy consumption of the sparse matrix-vector product. Int. J. High Perform. Comput. Appl. 35(3), 268–281 (2021)CrossRef
4.
Buitinck, L., et al.: API design for machine learning software: experiences from the scikit-learn project. In: Workshop: Languages for Data Mining and Machine Learning, pp. 108–122 (2013)
5.
Dayarathna, M., Wen, Y., Fan, R.: Data center energy consumption modeling: a survey. IEEE Commun. Surv. Tutorials 18(1), 732–794 (2016)CrossRef
6.
Hähnel, M., Döbel, B., Völp, M., Härtig, H.: Measuring energy consumption for short code paths using RAPL. ACM SIGMETRICS Perform. Eval. Rev. 40(3), 13–17 (2012)CrossRef
7.
Imes, C., Hofmeyr, S., Hoffmann, H.: Energy-efficient application resource scheduling using machine learning classifiers. In: 47th International Conference on Parallel Processing (2018)
8.
Malmodin, J., Lundén, D.: The energy and carbon footprint of the global ICT and E&M sectors 2010–2015. Sustainability 10(9), 3027 (2018)CrossRef
9.
10.
11.
12.
Pan, S.J., Yang, Q.: A survey on transfer learning. IEEE Trans. Knowl. Data Eng. 22(10), 1345–1359 (2010)CrossRef
13.
Rong, H., Zhang, H., Xiao, S., Li, C., Hu, C.: Optimizing energy consumption for data centers. Renew. Sustain. Energy Rev. 58, 674–691 (2016)CrossRef
14.
Sayadi, H., Patel, N., Sasan, A., Homayoun, H.: Machine learning-based approaches for energy-efficiency prediction and scheduling in composite cores architectures. In: International Conference on Computer Design, pp. 129–136 (2017)
15.
Schöne, R., et al.: Automatic application tuning for HPC architectures. Sci. Program. 22, 1–11 (2014)
16.
Strohmaier, E., Shan, H.: Apex-Map: a global data access benchmark to analyze hpc systems and parallel programming paradigms. In: 2005 ACM/IEEE Conference on Supercomputing, pp. 49–49 (2005)
17.
Terpstra, D., Jagode, H., You, H., Dongarra, J.: Collecting performance data with PAPI-C. In: Tools for High Performance Computing, pp. 157–173 (2010)
Metadaten
Titel
Machine Learning for Generic Energy Models of High Performance Computing Resources
verfasst von
Jonathan Muraña
Carmen Navarrete
Sergio Nesmachnow
Copyright-Jahr
2021
Buch
High Performance Computing

Print ISBN: 978-3-030-90538-5

Electronic ISBN: 978-3-030-90539-2

Copyright-Jahr: 2021

DOI
https://doi.org/10.1007/978-3-030-90539-2_21

Premium Partner

    Bildnachweise