Detalhes bibliográficos
Ano de defesa: |
2019 |
Autor(a) principal: |
SILVA JÚNIOR, João Ferreira da |
Orientador(a): |
MACIEL, Paulo Romero Martins |
Banca de defesa: |
Não Informado pela instituição |
Tipo de documento: |
Tese
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Universidade Federal de Pernambuco
|
Programa de Pós-Graduação: |
Programa de Pos Graduacao em Ciencia da Computacao
|
Departamento: |
Não Informado pela instituição
|
País: |
Brasil
|
Palavras-chave em Português: |
|
Link de acesso: |
https://repositorio.ufpe.br/handle/123456789/35192
|
Resumo: |
Os avanços tecnológicos acontecem por intermédio de pesquisas e estudos, podem inclusive ocorrer através da criação de novos paradigmas, como a computação em nuvem. Em alguns casos, grandes centros de dados são utilizados para suportar esses paradigmas. Dessa forma, estes grandes centros de dados tornaram-se elementos críticos no desenvolvimento de tarefas diárias, o que sugere que, a cada dia, utilizamos mais seus recursos, aumentando a demanda e, consequentemente, o consumo elétrico. Atualmente, o consumo de energia é uma questão de interesse comum. Pesquisas demonstram que, como consequência da constante evolução e expansão da tecnologia da informação, os centros de dados são grandes consumidores de energia elétrica. Com esse alto consumo, destacam-se as questões de sustentabilidade, custo e preocupações para o futuro. Neste contexto, a presente tese propõe estratégias para melhorar a eficiência e estimar o consumo energético de centros de dados. Um algoritmo de distribuição de corrente elétrica em profundidade (PLDA-D) é proposto para otimizar a distribuição de energia nas infraestruturas elétricas. O PLDA-D é suportado pelo ambiente denominado Mercury, que é capaz de realizar uma avaliação integrada das métricas de disponibilidade, custo e sustentabilidade. O PLDA-D otimiza, mais especificamente, a distribuição da corrente na infraestrutura elétrica dos centros de dados. A modelagem de fluxo elétrico (EFM) permite estimar métricas de sustentabilidade e custo das infraestruturas elétricas de centros de dados, respeitando as restrições de capacidade de energia que cada dispositivo é capaz de fornecer (considerando o sistema elétrico) ou extrair (considerando o sistema de refrigeração). Além disso, usamos uma rede neural artificial multicamada (com o perceptron), que é capaz de prever o consumo de energia do centro de dados, com base no histórico. Para demonstrar a aplicabilidade das estratégias propostas, dois estudos de caso são apresentados. O primeiro estudo analisa quatro infraestruturas de energia. Os resultados obtidos mostram uma redução de cerca de 3,8% no impacto de sustentabilidade e nos custos operacionais. O segundo estudo calcula as emissões de CO₂ e os custos operacionais de um centro de dados usando o mix de energia adotado no Brasil, na China, na Alemanha e nos EUA. |