ترجمه فارسی مقاله CarbonClipper: الگوریتم های بهینه برای مدیریت بار کاری مکانی آگاهی از کربن

چکیده

We study carbon-aware spatiotemporal workload management, which seeks to address the growing environmental impact of data centers. We formalize this as an online problem called spatiotemporal online allocation with deadline constraints ($\mathsf{SOAD}$), in which an online player completes a workload (e.g., a batch compute job) by moving and scheduling the workload across a network subject to a deadline $T$. At each time step, a service cost function is revealed, representing, e.g., the carbon intensity of servicing a workload at each location, and the player must irrevocably decide the current allocation. Furthermore, whenever the player moves the allocation, it incurs a movement cost defined by a metric space $(X,d)$ that captures, e.g., the overhead of migrating a compute job. $\mathsf{SOAD}$ formalizes the open problem of combining general metrics and deadline constraints in the online algorithms literature, unifying problems such as metrical task systems and online search. We propose a competitive algorithm for $\mathsf{SOAD}$ along with a matching lower bound that proves it is optimal. Our main algorithm, ${\rm C{\scriptsize ARBON}C{\scriptsize LIPPER}}$, is a learning-augmented algorithm that takes advantage of predictions (e.g., carbon intensity forecasts) and achieves an optimal consistency-robustness trade-off. We evaluate our proposed algorithms for carbon-aware spatiotemporal workload management on a simulated global data center network, showing that ${\rm C{\scriptsize ARBON}C{\scriptsize LIPPER}}$ significantly improves performance compared to baseline methods and delivers meaningful carbon reductions.

چکیده به فارسی (ترجمه ماشینی)

ما مدیریت بار کاری مکانی و مکانی آگاه کربن را که می خواهد به بررسی تأثیر زیست محیطی در مراکز داده بپردازد ، مطالعه می کنیم.ما این را به عنوان یک مشکل آنلاین به نام تخصیص آنلاین Spatiotemporal با محدودیت مهلت ($ \ Mathsf {Soad} $) رسمی می کنیم ، که در آن یک پخش کننده آنلاین با حرکت و برنامه ریزی بار کار در یک موضوع شبکه ، یک بار کار (به عنوان مثال ، یک کار محاسبه دسته ای) را تکمیل می کند.به مهلت $ t $.در هر مرحله از زمان ، یک عملکرد هزینه خدمات آشکار می شود ، به عنوان مثال ، شدت کربن سرویس دهی به بار کار در هر مکان ، و بازیکن باید به طور غیرقابل برگشت تصمیم به تخصیص فعلی بگیرد.علاوه بر این ، هر زمان که بازیکن تخصیص را حرکت دهد ، هزینه حرکتی را که توسط یک فضای متریک $ (x ، d) $ تعریف شده است ، متحمل می شود که به عنوان مثال ، سربار مهاجرت یک کار محاسباتی را ضبط می کند.$ \ Mathsf {Soad} $ مشکل باز ترکیب معیارهای عمومی و محدودیت های مهلت را در ادبیات الگوریتم های آنلاین رسمی می کند ، و مشکلات مانند سیستم های کار متریک و جستجوی آنلاین را متحد می کند.ما یک الگوریتم رقابتی را برای $ \ mathsf {soad} $ به همراه یک محدوده پایین تر که ثابت می کند بهینه است پیشنهاد می کنیم.الگوریتم اصلی ما ، $ {\ rm c {\ scriptsize arbon} c {\ scriptsize lipper}}} $ ، یک الگوریتم با یادگیری است که از پیش بینی ها استفاده می کند (به عنوان مثال ، پیش بینی های شدت کربن) و به یک تجارت سازگاری مطلوب-روانگردان دست می یابد.خاموشما الگوریتم های پیشنهادی خود را برای مدیریت بار کاری مکانی و مکانی آگاهی از کربن در یک شبکه شبیه سازی شده جهانی مرکز داده ارزیابی می کنیم ، نشان می دهیم که $ {\ rm c {\ scriptsize arbon} c {\ scriptsize lipper}} $ به طور قابل توجهی عملکرد را در مقایسه با روش های پایه بهبود می بخشد و معنادار می کندکاهش کربن