В MIT применяют машинное обучение для повышения эффективности дата-центров

Исследовательская группа доцента MIT Кристины Делимитру применяет машинное обучение для более эффективного управления серверами и сетевым оборудованием дата-центров. Цель работы состоит в том, чтобы получать больше вычислительной мощности от уже установленного оборудования без ухудшения производительности облачных приложений.

Делимитру работает на кафедре электротехники и информатики MIT и входит в Лабораторию компьютерных наук и искусственного интеллекта CSAIL. Ее исследования охватывают распределение аппаратных ресурсов, архитектуру серверов и поиск неисправностей в облачных системах.

Машинное обучение распределяет ресурсы облака

Интерес к этой задаче возник у Делимитру во время исследований крупных вычислительных систем в Стэнфордском университете. Тогда она и ее научный руководитель обнаружили, что изученные ими системы в среднем использовали около 15 процентов доступной мощности.

Машинное обучение позволяет автоматизировать распределение ресурсов между приложениями и находить конфигурации, которые сложно подобрать вручную. Исследовательница рассчитывает приблизить фактическую загрузку оборудования к его техническим возможностям, сохранив стабильную работу сервисов.

Направление	Задача	Ожидаемый результат
Распределение ресурсов	Уменьшить простой серверов	Выше загрузка существующего оборудования
Анализ приложений	Заранее выявлять возможные сбои	Меньше замедлений и простоев
Архитектура серверов	Адаптировать системы к современным приложениям	Более предсказуемая производительность

Seer предупреждает сбои в веб-приложениях

До перехода в MIT группа Делимитру разработала систему Seer. Она использует глубокое обучение, чтобы прогнозировать проблемы в веб-приложениях до появления заметных для пользователей замедлений.

Такая диагностика рассчитана на сервисы, состоящие из множества компонентов, распределенных по разным серверам. Современная архитектура ускоряет развертывание программ, но усложняет поиск причин сбоев и создает дополнительную нагрузку на инфраструктуру.

Для учебных работ потребуются первичные метрики

Публикация MIT описывает исследовательское направление, но не приводит новых сравнительных тестов энергопотребления или универсальной оценки экономии. Студентам и исследователям, которые рассматривают эту тему в курсовой или дипломной работе, стоит отдельно изучать первичные научные статьи и проверять условия экспериментов: тип нагрузки, конфигурацию серверов, метрики задержки и фактическое потребление энергии.

Это позволит отделить прогнозируемый экологический эффект от результатов, уже подтвержденных измерениями на конкретной вычислительной инфраструктуре.