Estimasi daya pada lingkungan server bla
Prosiding Seminar Nasional Manajemen Teknologi XIII
Program Studi MMT-ITS, Surabaya 5 Pebruari 2011
ESTIMASI DAYA PADA LINGKUNGAN SERVER BLADE
Hudan Studiawan1, Supeno Djanali, Wahyu Suadi
Magister Teknik Informatika, Institut Teknologi Sepuluh Nopember Surabaya
Email: [email protected]
ABSTRAK
Teknologi infrastruktur komputer server telah mengalami kemajuan yang sangat
pesat. Salah satunya adalah teknologi server blade yang dirancang untuk menghemat
daya listrik. Dalam sebuah sasis blade, terdiri dari beberapa server blade, modul
manajemen, dan power domain. Power domain menyediakan daya untuk empat sampai
enam server blade. Mengukur daya pada satu server blade cukup sulit dilakukan karena
sumber daya yang digunakan harus dibagi dengan blade yang lain. Beberapa penelitian
untuk mengestimasi daya yang dikonsumsi sebuah server telah diajukan. Akan tetapi,
penelitian tersebut hanya mempertimbangkan parameter utilisasi utama yaitu prosesor,
memori, hard disk, dan tingkat transfer data pada jaringan. Metode yang digunakan
sebelumnya hanya menggunakan program linear biasa.
Oleh karena itu dalam makalah ini, diajukan metode estimasi daya pada
lingkungan server blade yang menambahkan parameter penggunaan memori virtual
selain mempertimbangkan utilisasi utama. Perhitungan dilakukan dengan cara yang
lebih akurat yaitu dengan regresi linier berganda. Hal ini dilakukan untuk meningkatkan
akurasi estimasi daya. Uji coba yang dilakukan pada lingkungan BladeCenter tipe HS20
menunjukkan bahwa metode estimasi daya yang diajukan mencapai akurasi sebesar
95,98%.
Kata kunci: estimasi daya, server blade, memori virtual, regresi linear berganda.
PENDAHULUAN
Estimasi daya merupakan salah satu bagian penting dari optimasi konsumsi
daya. Sebelum dioptimasi, terlebih dulu harus dihitung daya yang dikonsumsi oleh
suatu komputer server. Teknologi blade dirancang untuk menghemat daya listrik ini.
Dalam satu sasis bisa berisi beberapa blade. Terdapat perangkat lunak seperti IBM
Systems Director yang mampu melakukan manajemen daya pada sasis beserta server di
dalamnya. Perangkat lunak ini harus terhubung dengan modul manajemen dan power
domain pada bagian belakang sasis. Akan tetapi, tidak semua blade bisa dimonitor dan
dimanipulasi pengunaan dayanya (non-power managed). Sehingga, diperlukan estimasi
untuk mengetahui daya yang dikonsumsi suatu blade.
Berbagai riset untuk mengestimasi daya telah diajukan. Estimasi daya pada
seluruh sistem menggunakan penghitung kinerja pada mikroprosesor dibahas pada [1].
Akses ke chipset, mikroprosesor, memori, disk, dan input/output (I/O) dicatat oleh
mikroprosesor dan data ini digunakan untuk memperkirakan daya.
Pada [3], diajukan pemodelan daya pada lingkungan server blade dan Itanium
yang disebut Mantis. Mantis menghitung penggunaan central processing unit (CPU),
akses ke memori, serta tingkat I/O pada hard disk dan jaringan. Data-data yang
dikumpulkan ini kemudian dihitung dengan program linier untuk menghasilkan rumus
estimasi daya.
Prosiding Seminar Nasional Manajemen Teknologi XIII
Program Studi MMT-ITS, Surabaya 5 Pebruari 2011
Utilisasi CPU tanpa menghitung penggunaan komponen server yang lain
terbukti cukup akurat untuk menghitung daya [4,6]. Pendekatan dengan memanfaatkan
penghitung kinerja pada mikroprosesor dan hanya mempertimbangkan frekuensi
prosesor juga telah diajukan [9] dan memberikan hasil yang baik pula. Hal ini
disebabkan oleh daya CPU yang mencapai 58% dari konsumsi total daya [5].
Menghitung daya tanpa menggunakan alat ukur perangkat keras juga telah
dilakukan pada lingkungan mesin virtual [5]. Parameter yang dipertimbangkan juga
masih sama dengan Mantis [3]. Cara yang lebih sederhana untuk memodelkan konsumsi
daya bisa diimplementasikan dengan mengestimasi konsumsi daya puncak untuk
seluruh sistem pada beban kerja maksimum [8]. Sebagai contoh, untuk konsumsi daya
puncak CPU bisa diketahui dari Thermal Design Power (TDP) yang telah disediakan
oleh masing-masing vendor.
Berbeda dari riset-riset yang telah dijelaskan sebelumnya, dalam makalah ini
diajukan estimasi daya yang mempertimbangkan utilisasi memori virtual pada sistem
operasi Linux (swap) yang banyak digunakan pada server bertipe blade. Perhitungan
utilisasi dilakukan tidak menggunakan program linier tetapi dengan metode regresi
linier berganda.
Makalah ini disusun sebagai berikut. Langkah-langkah penelitian dideskripsikan
pada bagian Metode. Selanjutnya, hasil uji coba dan analisisnya disampaikan pada
bagian Hasil dan Diskusi. Pada bagian Kesimpulan, dijelaskan kembali secara singkat
solusi alternatif estimasi daya yang diajukan dalam makalah ini.
METODE
Spesifikasi Blade dan Perangkat Lunak yang Digunakan
Lingkungan server blade yang digunakan adalah sebagai berikut. Tipe sasis
yaitu IBM BladeCenter E 8677 dan tipe blade adalah HS20 8843. Sedangkan spesifikasi
masing-masing komponen terdapat pada Tabel 1.
Tabel 1. Spesifikasi Komponen Blade
Komponen
Prosesor
Memori
Hard disk
Swap
Sistem
operasi
Versi kernel
Spesifikasi
3,2 GHz
2 GB
2x73,4 GB
2,8 GB
Ubuntu 10.04
2.6.32-21
Parameter utama yang digunakan untuk mengestimasi daya adalah utilisasi
prosesor, memori, hard disk, swap, dan tingkat transfer data pada jaringan. Penggunaan
swap dipertimbangkan dalam perhitungan karena komponen ini juga mempunyai
peranan penting terutama ketika memori fisik mencapai beban maksimum. Memori
virtual akan membantu memori fisik dalam pemrosesan data. Di samping itu, swap juga
berfungsi sebagai penampung sementara data yang disimpan dalam memori. Sehingga,
bisa mempercepat proses transfer data [13].
Data utilisasi berbagai komponen ini dicatat dengan perangkat lunak sar (system
activity reporter) yang terdapat dalam paket sysstat yang bisa didapatkan secara bebas
ISBN : 978-602-97491-2-0
C-16-2
Prosiding Seminar Nasional Manajemen Teknologi XIII
Program Studi MMT-ITS, Surabaya 5 Pebruari 2011
pada repositori Linux berbasis Debian. Selanjutnya, dibuat proses yang berjalan pada
background sistem operasi (daemon) yang mengotomasi proses pencatatan utilisasi dan
menuliskannya ke dalam sebuah file log.
Untuk mendapatkan data daya awal, daya yang dikonsumsi oleh server ini
didapatkan dari perangkat lunak IBM PowerExecutive. IBM PowerExecutive merupakan
plugin pada IBM Systems Director yang digunakan untuk memanipulasi daya mulai dari
pengukuran, monitoring, sampai pembatasan daya [12]. IBM System Director
melakukan berbagai fungsi manajemen pada sasis blade beserta komponen-komponen
di dalamnya. IBM PowerExecutive mengakses sensor daya pada blade sehingga bisa
menghasilkan pengukuran yang akurat. IBM PowerExecutive harus dikonfigurasi
dengan benar dan terkoneksi dengan modul manajemen yang terdapat bagian belakang
sasis. Daya per menit yang dicatat oleh IBM PowerExecutive kemudian diekspor ke file
dalam format csv untuk pengolahan lebih lanjut.
Setelah itu, terdapat lima benchmark yang digunakan yaitu Linpack [2], Stream
[7], Tiobench [14], Interbench [15], dan Netperf [16] untuk memberikan berbagai
macam beban kepada server. Linpack merupakan benchmark yang bersifat CPU-bound.
Sedangkan Stream digunakan untuk memberikan beban kepada memori. Beban pada
hard disk diberikan dengan menjalankan Tiobench. Interbench merupakan benchmark
yang paling utama dalam makalah ini karena Interbench memberikan beban pada
memori virtual untuk bekerja lebih berat. Di sisi lain, tingkat transfer data pada I/O
jaringan diuji dengan Netperf.
Metode yang Diajukan
Daemon untuk mencatat utilisasi masing-masing komponen server dijalankan
terlebih dulu. Selanjutnya, IBM PowerExecutive dipastikan sudah berjalan dengan baik
dan bisa memonitor daya yang dikonsumsi server. Kemudian, benchmark dijalankan
untuk memberikan beban kepada prosesor, memori, hard disk, swap, dan I/O jaringan.
Berbagai benchmark yang diberikan ini dimaksudkan untuk membebani komponen
server sesuai dengan kerja server yang memproses berbagai macam tugas. Diagram blok
yang menunjukkan metode estimasi daya secara umum ditunjukkan pada Gambar 1.
Eksekusi daemon
pencatat utilisasi
Jalankan IBM
PowerExecutive
Jalankan benchmark
Persamaan estimasi daya
Estimasi dengan regresi
linier berganda
Sinkronkan data
utilisasi dan daya
Gambar 1. Diagram blok metode yang diajukan
Data dari file log daemon dan IBM PowerExecutive disinkronkan sehingga
didapatkan data yaitu utilisasi komponen dan daya yang dikonsumsi per menit. Data ini
digunakan sebagai input metode regresi linier berganda. Regresi linier berganda
digunakan karena lebih baik dalam merepresentasikan beberapa variabel independen
yang menjadi prediktor [11]. Persamaan regresi linier berganda yang digunakan dalam
makalah ini adalah sebagai berikut [11]
ISBN : 978-602-97491-2-0
C-16-3
Prosiding Seminar Nasional Manajemen Teknologi XIII
Program Studi MMT-ITS, Surabaya 5 Pebruari 2011
+
+ ⋯+
.
.
.
∑
=
.
.
.
+
+
∑
+⋯+
+ ⋯+
.
.
.
∑
=
=∑
(1)
dengan n adalah jumlah data, x1 sampai x5 menunjukkan utilisasi prosesor, memori,
hard disk, swap, dan I/O pada jaringan, y adalah daya hasil pengukuran IBM
PowerExecutive. Sedangkan b0 sampai b5 adalah konstanta yang akan dicari dengan
persamaan regresi linier berganda ini.
Regresi linier berganda menghasilkan persamaan yang bisa digunakan untuk
mengestimasi daya dari utilisasi komponen server. Selanjutnya, daya hasil estimasi dan
daya dari IBM PowerExecutive dibandingkan dengan menghitung akurasinya, A, dengan
rumus rata-rata, avg, sebagai berikut
=
|
|
(2)
× 100%
dengan PIBM adalah daya yang didapatkan dari IBM PowerExecutive sedangkan Pest
merupakan daya hasil estimasi.
HASIL DAN DISKUSI
Masing-masing benchmark dijalankan selama satu jam sehingga didapatkan data
yang proporsional untuk masing-masing beban. Selain itu, daya dan utilisasi komponen
juga dicatat oleh daemon pada kondisi server yang idle. Urutan kondisi pencatatan
utilisasi adalah sebagai berikut: idle, benchmark untuk prosesor, memori, hard disk,
swap, dan jaringan.
Grafik utilisasi masing-masing komponen ketika menerima beban dari semua
benchmark yang dijalankan ditunjukkan pada Gambar 2a sampai 2e.
ISBN : 978-602-97491-2-0
C-16-4
Prosiding Seminar Nasional Manajemen Teknologi XIII
Program Studi MMT-ITS, Surabaya 5 Pebruari 2011
(c)
(d)
(a)
(d)
(b)
(e)
(c)
Gambar 2. Utilisasi masing-masing komponen pada saat diberi benchmark
ISBN : 978-602-97491-2-0
C-16-5
Prosiding Seminar Nasional Manajemen Teknologi XIII
Program Studi MMT-ITS, Surabaya 5 Pebruari 2011
Gambar 3. Perbandingan daya dari IBM PowerExecutive dan hasil estimasi.
Dari grafik utilisasi masing-masing komponen dapat diketahui bahwa berbagai
benchmark yang diberikan mampu membebani komponen secara bervariasi. Data
utilisasi dan daya dihitung dengan regresi linier berganda dan menghasilkan persamaan
sebagai berikut
Pest = 82,2812 + (41,0497 * Upros) + 25,9995 * Umem + -59,1855 * Udisk +
215,979 * Uswap + -29,171 * Unet
(3)
dengan Upros, Umem, Udisk, Uswap, dan Unet masing-masing adalah utilisasi prosesor,
memori, hard disk, swap, dan tingkat transfer data pada jaringan.
Daya dari estimasi metode yang diajukan dihitung akurasinya dengan daya dari
IBM PowerExecutive. Sedangkan perbandingan keduanya bisa dilihat pada Gambar 3.
Perhitungan akurasi dilakukan dengan rumus (2) menghasilkan nilai 95,98%. Hasil ini
lebih baik dari Mantis [3] yang akurasinya sebesar 90%. Akurasi ini masih cukup baik
mengingat dalam estimasi daya, akurasi dari berbagai riset dalam bidang ini rata-rata
sekitar 90% [10].
KESIMPULAN
Dalam makalah ini, diajukan suatu metode untuk mengestimasi daya pada
lingkungan server blade. Dalam metode ini dipertimbangkan parameter tambahan yaitu
penggunaan memori virtual pada sistem operasi Linux selain utilisasi prosesor, hard
disk, dan tingkat transfer data pada jaringan.
Swap dipertimbangkan mengingat perannya yang cukup penting dalam
membantu kinerja memori fisik. Sedangkan regresi linier berganda digunakan karena
lebih baik dalam merepresentasikan beberapa variabel independen yang menjadi
prediktor.
Rata-rata akurasi dari metode yang diajukan mencapai 95,98%. Pengembangan
ke depan yang perlu dilakukan adalah mencari model yang lebih baik untuk menghitung
utilisasi berbagai komponen pada blade sehingga didapatkan akurasi yang lebih baik.
Selain itu, juga perlu dipertimbangkan parameter lain pada server blade yang lain
misalnya daya yang dikonsumsi oleh sasis.
ISBN : 978-602-97491-2-0
C-16-6
Prosiding Seminar Nasional Manajemen Teknologi XIII
Program Studi MMT-ITS, Surabaya 5 Pebruari 2011
DAFTAR PUSTAKA
[1] Bircher, W.L. dan John, L.K. (2007), "Complete System Power Estimation: A
Trickle-Down Approach Based on Performance Events", Proceedings of the
International Symposium on Performance Analysis Systems and Software, San Jose,
IEEE, hal. 158-168.
[2] Dongarra, J.J, Luszczek, P., dan Petitet, A. (2003), “The LINPACK Benchmark:
Past, Present, and Future”, Concurrency and Computation: Practice and Experience,
John Wiley & Sons, Vol. 5, No. 9, hal. 803-820.
[3] Economou, D., Rivoire, S., Kozyrakis, C., dan Ranganathan, P. (2006), "Fullsystem power analysis and modeling for server environments", Workshop on
Modeling, Benchmarking and Simulation, Boston, University of Minnesota.
[4] Fan, X., Weber, W., dan Barroso, L.A. (2007), "Power Provisioning for a
Warehouse-sized Computer", Proceedings of the ACM International Symposium on
Computer Architecture, New York, ACM, hal. 13-23.
[5] Kansal, A., Zhao, F., Liu, J., Kothari, N., dan Bhattacharya, A.A. (2010), “Virtual
Machine Power Metering and Provisioning”, Proceedings of the 1st Symposium of
Cloud Computing, ACM, Indianapolis, hal. 39-50.
[6] Li, Li., Bo, Yang., dan ZhiGuo, Gao. (2009), “A Model of Web Server’s
Performance-Power Relationship”, Proceedings of the 2009 International
Conference on Communication Software and Networks, IEEE Computer Society,
hal. 260-264.
[7] McCalpin, J. (1995), STREAM: Sustainable Memory Bandwidth in High
Performance Computers, http://www.cs.virginia.edu/stream.
[8] Poess, M. dan Nambiar, R.O. (2008), “Energy Cost, The Key Challenge of Today’s
Data Centers: A Power Consumption Analysis of TPC-C Results”, Proceedings of
the 2008 PVLDB, ACM, Auckland, hal. 1229-1240.
[9] Rajamani, K., Hanson, H., Rubio, J.C., Ghiasi, S., dan Rawson, F.L (2006), Online
Power and Performance Estimation for Dynamic Power Management, IBM
Research Report, IBM, New York.
[10] Rivoire, S., Ranganathan, P., Kozyrakis, C. (2008), “A Comparison of high-level
full-system power models”, Proceedings of HotPower 2008: Workshop on Power
Aware Computing and Systems.
[11] Walpole, R.E., Myers, R.H., Myers, S.L., Ye, K. (2007), Probability and Statistics
for Engineers & Scientists, 8th edition, Prentice Hall, New Jersey.
[12] Watts, D., Brenneman R.J., Feisthammel, D., Sutherland, T. (2007), Implementing
IBM Director 5.20, 4th edition, IBM RedBooks, New York.
[13] Gorman, Mel. (2004), Understanding The Linux Virtual Memory Manager,
Prentice Hall, 1st edition, New Jersey.
[14] Kuoppala,
M.,
Tiobench:
http://sourceforge.net/projects/tiobench/
ISBN : 978-602-97491-2-0
C-16-7
Threaded
I/O
Tester,
Prosiding Seminar Nasional Manajemen Teknologi XIII
Program Studi MMT-ITS, Surabaya 5 Pebruari 2011
[15] Kolivas,
C.,
Interbench,
The
http://users.on.net/~ckolivas/interbench/
[16] Jones,
R.,
Netperf,
A
http://www.netperf.org/netperf/
ISBN : 978-602-97491-2-0
Linux
network
C-16-8
interactivity
benchmark,
performance
benchmark,
Program Studi MMT-ITS, Surabaya 5 Pebruari 2011
ESTIMASI DAYA PADA LINGKUNGAN SERVER BLADE
Hudan Studiawan1, Supeno Djanali, Wahyu Suadi
Magister Teknik Informatika, Institut Teknologi Sepuluh Nopember Surabaya
Email: [email protected]
ABSTRAK
Teknologi infrastruktur komputer server telah mengalami kemajuan yang sangat
pesat. Salah satunya adalah teknologi server blade yang dirancang untuk menghemat
daya listrik. Dalam sebuah sasis blade, terdiri dari beberapa server blade, modul
manajemen, dan power domain. Power domain menyediakan daya untuk empat sampai
enam server blade. Mengukur daya pada satu server blade cukup sulit dilakukan karena
sumber daya yang digunakan harus dibagi dengan blade yang lain. Beberapa penelitian
untuk mengestimasi daya yang dikonsumsi sebuah server telah diajukan. Akan tetapi,
penelitian tersebut hanya mempertimbangkan parameter utilisasi utama yaitu prosesor,
memori, hard disk, dan tingkat transfer data pada jaringan. Metode yang digunakan
sebelumnya hanya menggunakan program linear biasa.
Oleh karena itu dalam makalah ini, diajukan metode estimasi daya pada
lingkungan server blade yang menambahkan parameter penggunaan memori virtual
selain mempertimbangkan utilisasi utama. Perhitungan dilakukan dengan cara yang
lebih akurat yaitu dengan regresi linier berganda. Hal ini dilakukan untuk meningkatkan
akurasi estimasi daya. Uji coba yang dilakukan pada lingkungan BladeCenter tipe HS20
menunjukkan bahwa metode estimasi daya yang diajukan mencapai akurasi sebesar
95,98%.
Kata kunci: estimasi daya, server blade, memori virtual, regresi linear berganda.
PENDAHULUAN
Estimasi daya merupakan salah satu bagian penting dari optimasi konsumsi
daya. Sebelum dioptimasi, terlebih dulu harus dihitung daya yang dikonsumsi oleh
suatu komputer server. Teknologi blade dirancang untuk menghemat daya listrik ini.
Dalam satu sasis bisa berisi beberapa blade. Terdapat perangkat lunak seperti IBM
Systems Director yang mampu melakukan manajemen daya pada sasis beserta server di
dalamnya. Perangkat lunak ini harus terhubung dengan modul manajemen dan power
domain pada bagian belakang sasis. Akan tetapi, tidak semua blade bisa dimonitor dan
dimanipulasi pengunaan dayanya (non-power managed). Sehingga, diperlukan estimasi
untuk mengetahui daya yang dikonsumsi suatu blade.
Berbagai riset untuk mengestimasi daya telah diajukan. Estimasi daya pada
seluruh sistem menggunakan penghitung kinerja pada mikroprosesor dibahas pada [1].
Akses ke chipset, mikroprosesor, memori, disk, dan input/output (I/O) dicatat oleh
mikroprosesor dan data ini digunakan untuk memperkirakan daya.
Pada [3], diajukan pemodelan daya pada lingkungan server blade dan Itanium
yang disebut Mantis. Mantis menghitung penggunaan central processing unit (CPU),
akses ke memori, serta tingkat I/O pada hard disk dan jaringan. Data-data yang
dikumpulkan ini kemudian dihitung dengan program linier untuk menghasilkan rumus
estimasi daya.
Prosiding Seminar Nasional Manajemen Teknologi XIII
Program Studi MMT-ITS, Surabaya 5 Pebruari 2011
Utilisasi CPU tanpa menghitung penggunaan komponen server yang lain
terbukti cukup akurat untuk menghitung daya [4,6]. Pendekatan dengan memanfaatkan
penghitung kinerja pada mikroprosesor dan hanya mempertimbangkan frekuensi
prosesor juga telah diajukan [9] dan memberikan hasil yang baik pula. Hal ini
disebabkan oleh daya CPU yang mencapai 58% dari konsumsi total daya [5].
Menghitung daya tanpa menggunakan alat ukur perangkat keras juga telah
dilakukan pada lingkungan mesin virtual [5]. Parameter yang dipertimbangkan juga
masih sama dengan Mantis [3]. Cara yang lebih sederhana untuk memodelkan konsumsi
daya bisa diimplementasikan dengan mengestimasi konsumsi daya puncak untuk
seluruh sistem pada beban kerja maksimum [8]. Sebagai contoh, untuk konsumsi daya
puncak CPU bisa diketahui dari Thermal Design Power (TDP) yang telah disediakan
oleh masing-masing vendor.
Berbeda dari riset-riset yang telah dijelaskan sebelumnya, dalam makalah ini
diajukan estimasi daya yang mempertimbangkan utilisasi memori virtual pada sistem
operasi Linux (swap) yang banyak digunakan pada server bertipe blade. Perhitungan
utilisasi dilakukan tidak menggunakan program linier tetapi dengan metode regresi
linier berganda.
Makalah ini disusun sebagai berikut. Langkah-langkah penelitian dideskripsikan
pada bagian Metode. Selanjutnya, hasil uji coba dan analisisnya disampaikan pada
bagian Hasil dan Diskusi. Pada bagian Kesimpulan, dijelaskan kembali secara singkat
solusi alternatif estimasi daya yang diajukan dalam makalah ini.
METODE
Spesifikasi Blade dan Perangkat Lunak yang Digunakan
Lingkungan server blade yang digunakan adalah sebagai berikut. Tipe sasis
yaitu IBM BladeCenter E 8677 dan tipe blade adalah HS20 8843. Sedangkan spesifikasi
masing-masing komponen terdapat pada Tabel 1.
Tabel 1. Spesifikasi Komponen Blade
Komponen
Prosesor
Memori
Hard disk
Swap
Sistem
operasi
Versi kernel
Spesifikasi
3,2 GHz
2 GB
2x73,4 GB
2,8 GB
Ubuntu 10.04
2.6.32-21
Parameter utama yang digunakan untuk mengestimasi daya adalah utilisasi
prosesor, memori, hard disk, swap, dan tingkat transfer data pada jaringan. Penggunaan
swap dipertimbangkan dalam perhitungan karena komponen ini juga mempunyai
peranan penting terutama ketika memori fisik mencapai beban maksimum. Memori
virtual akan membantu memori fisik dalam pemrosesan data. Di samping itu, swap juga
berfungsi sebagai penampung sementara data yang disimpan dalam memori. Sehingga,
bisa mempercepat proses transfer data [13].
Data utilisasi berbagai komponen ini dicatat dengan perangkat lunak sar (system
activity reporter) yang terdapat dalam paket sysstat yang bisa didapatkan secara bebas
ISBN : 978-602-97491-2-0
C-16-2
Prosiding Seminar Nasional Manajemen Teknologi XIII
Program Studi MMT-ITS, Surabaya 5 Pebruari 2011
pada repositori Linux berbasis Debian. Selanjutnya, dibuat proses yang berjalan pada
background sistem operasi (daemon) yang mengotomasi proses pencatatan utilisasi dan
menuliskannya ke dalam sebuah file log.
Untuk mendapatkan data daya awal, daya yang dikonsumsi oleh server ini
didapatkan dari perangkat lunak IBM PowerExecutive. IBM PowerExecutive merupakan
plugin pada IBM Systems Director yang digunakan untuk memanipulasi daya mulai dari
pengukuran, monitoring, sampai pembatasan daya [12]. IBM System Director
melakukan berbagai fungsi manajemen pada sasis blade beserta komponen-komponen
di dalamnya. IBM PowerExecutive mengakses sensor daya pada blade sehingga bisa
menghasilkan pengukuran yang akurat. IBM PowerExecutive harus dikonfigurasi
dengan benar dan terkoneksi dengan modul manajemen yang terdapat bagian belakang
sasis. Daya per menit yang dicatat oleh IBM PowerExecutive kemudian diekspor ke file
dalam format csv untuk pengolahan lebih lanjut.
Setelah itu, terdapat lima benchmark yang digunakan yaitu Linpack [2], Stream
[7], Tiobench [14], Interbench [15], dan Netperf [16] untuk memberikan berbagai
macam beban kepada server. Linpack merupakan benchmark yang bersifat CPU-bound.
Sedangkan Stream digunakan untuk memberikan beban kepada memori. Beban pada
hard disk diberikan dengan menjalankan Tiobench. Interbench merupakan benchmark
yang paling utama dalam makalah ini karena Interbench memberikan beban pada
memori virtual untuk bekerja lebih berat. Di sisi lain, tingkat transfer data pada I/O
jaringan diuji dengan Netperf.
Metode yang Diajukan
Daemon untuk mencatat utilisasi masing-masing komponen server dijalankan
terlebih dulu. Selanjutnya, IBM PowerExecutive dipastikan sudah berjalan dengan baik
dan bisa memonitor daya yang dikonsumsi server. Kemudian, benchmark dijalankan
untuk memberikan beban kepada prosesor, memori, hard disk, swap, dan I/O jaringan.
Berbagai benchmark yang diberikan ini dimaksudkan untuk membebani komponen
server sesuai dengan kerja server yang memproses berbagai macam tugas. Diagram blok
yang menunjukkan metode estimasi daya secara umum ditunjukkan pada Gambar 1.
Eksekusi daemon
pencatat utilisasi
Jalankan IBM
PowerExecutive
Jalankan benchmark
Persamaan estimasi daya
Estimasi dengan regresi
linier berganda
Sinkronkan data
utilisasi dan daya
Gambar 1. Diagram blok metode yang diajukan
Data dari file log daemon dan IBM PowerExecutive disinkronkan sehingga
didapatkan data yaitu utilisasi komponen dan daya yang dikonsumsi per menit. Data ini
digunakan sebagai input metode regresi linier berganda. Regresi linier berganda
digunakan karena lebih baik dalam merepresentasikan beberapa variabel independen
yang menjadi prediktor [11]. Persamaan regresi linier berganda yang digunakan dalam
makalah ini adalah sebagai berikut [11]
ISBN : 978-602-97491-2-0
C-16-3
Prosiding Seminar Nasional Manajemen Teknologi XIII
Program Studi MMT-ITS, Surabaya 5 Pebruari 2011
+
+ ⋯+
.
.
.
∑
=
.
.
.
+
+
∑
+⋯+
+ ⋯+
.
.
.
∑
=
=∑
(1)
dengan n adalah jumlah data, x1 sampai x5 menunjukkan utilisasi prosesor, memori,
hard disk, swap, dan I/O pada jaringan, y adalah daya hasil pengukuran IBM
PowerExecutive. Sedangkan b0 sampai b5 adalah konstanta yang akan dicari dengan
persamaan regresi linier berganda ini.
Regresi linier berganda menghasilkan persamaan yang bisa digunakan untuk
mengestimasi daya dari utilisasi komponen server. Selanjutnya, daya hasil estimasi dan
daya dari IBM PowerExecutive dibandingkan dengan menghitung akurasinya, A, dengan
rumus rata-rata, avg, sebagai berikut
=
|
|
(2)
× 100%
dengan PIBM adalah daya yang didapatkan dari IBM PowerExecutive sedangkan Pest
merupakan daya hasil estimasi.
HASIL DAN DISKUSI
Masing-masing benchmark dijalankan selama satu jam sehingga didapatkan data
yang proporsional untuk masing-masing beban. Selain itu, daya dan utilisasi komponen
juga dicatat oleh daemon pada kondisi server yang idle. Urutan kondisi pencatatan
utilisasi adalah sebagai berikut: idle, benchmark untuk prosesor, memori, hard disk,
swap, dan jaringan.
Grafik utilisasi masing-masing komponen ketika menerima beban dari semua
benchmark yang dijalankan ditunjukkan pada Gambar 2a sampai 2e.
ISBN : 978-602-97491-2-0
C-16-4
Prosiding Seminar Nasional Manajemen Teknologi XIII
Program Studi MMT-ITS, Surabaya 5 Pebruari 2011
(c)
(d)
(a)
(d)
(b)
(e)
(c)
Gambar 2. Utilisasi masing-masing komponen pada saat diberi benchmark
ISBN : 978-602-97491-2-0
C-16-5
Prosiding Seminar Nasional Manajemen Teknologi XIII
Program Studi MMT-ITS, Surabaya 5 Pebruari 2011
Gambar 3. Perbandingan daya dari IBM PowerExecutive dan hasil estimasi.
Dari grafik utilisasi masing-masing komponen dapat diketahui bahwa berbagai
benchmark yang diberikan mampu membebani komponen secara bervariasi. Data
utilisasi dan daya dihitung dengan regresi linier berganda dan menghasilkan persamaan
sebagai berikut
Pest = 82,2812 + (41,0497 * Upros) + 25,9995 * Umem + -59,1855 * Udisk +
215,979 * Uswap + -29,171 * Unet
(3)
dengan Upros, Umem, Udisk, Uswap, dan Unet masing-masing adalah utilisasi prosesor,
memori, hard disk, swap, dan tingkat transfer data pada jaringan.
Daya dari estimasi metode yang diajukan dihitung akurasinya dengan daya dari
IBM PowerExecutive. Sedangkan perbandingan keduanya bisa dilihat pada Gambar 3.
Perhitungan akurasi dilakukan dengan rumus (2) menghasilkan nilai 95,98%. Hasil ini
lebih baik dari Mantis [3] yang akurasinya sebesar 90%. Akurasi ini masih cukup baik
mengingat dalam estimasi daya, akurasi dari berbagai riset dalam bidang ini rata-rata
sekitar 90% [10].
KESIMPULAN
Dalam makalah ini, diajukan suatu metode untuk mengestimasi daya pada
lingkungan server blade. Dalam metode ini dipertimbangkan parameter tambahan yaitu
penggunaan memori virtual pada sistem operasi Linux selain utilisasi prosesor, hard
disk, dan tingkat transfer data pada jaringan.
Swap dipertimbangkan mengingat perannya yang cukup penting dalam
membantu kinerja memori fisik. Sedangkan regresi linier berganda digunakan karena
lebih baik dalam merepresentasikan beberapa variabel independen yang menjadi
prediktor.
Rata-rata akurasi dari metode yang diajukan mencapai 95,98%. Pengembangan
ke depan yang perlu dilakukan adalah mencari model yang lebih baik untuk menghitung
utilisasi berbagai komponen pada blade sehingga didapatkan akurasi yang lebih baik.
Selain itu, juga perlu dipertimbangkan parameter lain pada server blade yang lain
misalnya daya yang dikonsumsi oleh sasis.
ISBN : 978-602-97491-2-0
C-16-6
Prosiding Seminar Nasional Manajemen Teknologi XIII
Program Studi MMT-ITS, Surabaya 5 Pebruari 2011
DAFTAR PUSTAKA
[1] Bircher, W.L. dan John, L.K. (2007), "Complete System Power Estimation: A
Trickle-Down Approach Based on Performance Events", Proceedings of the
International Symposium on Performance Analysis Systems and Software, San Jose,
IEEE, hal. 158-168.
[2] Dongarra, J.J, Luszczek, P., dan Petitet, A. (2003), “The LINPACK Benchmark:
Past, Present, and Future”, Concurrency and Computation: Practice and Experience,
John Wiley & Sons, Vol. 5, No. 9, hal. 803-820.
[3] Economou, D., Rivoire, S., Kozyrakis, C., dan Ranganathan, P. (2006), "Fullsystem power analysis and modeling for server environments", Workshop on
Modeling, Benchmarking and Simulation, Boston, University of Minnesota.
[4] Fan, X., Weber, W., dan Barroso, L.A. (2007), "Power Provisioning for a
Warehouse-sized Computer", Proceedings of the ACM International Symposium on
Computer Architecture, New York, ACM, hal. 13-23.
[5] Kansal, A., Zhao, F., Liu, J., Kothari, N., dan Bhattacharya, A.A. (2010), “Virtual
Machine Power Metering and Provisioning”, Proceedings of the 1st Symposium of
Cloud Computing, ACM, Indianapolis, hal. 39-50.
[6] Li, Li., Bo, Yang., dan ZhiGuo, Gao. (2009), “A Model of Web Server’s
Performance-Power Relationship”, Proceedings of the 2009 International
Conference on Communication Software and Networks, IEEE Computer Society,
hal. 260-264.
[7] McCalpin, J. (1995), STREAM: Sustainable Memory Bandwidth in High
Performance Computers, http://www.cs.virginia.edu/stream.
[8] Poess, M. dan Nambiar, R.O. (2008), “Energy Cost, The Key Challenge of Today’s
Data Centers: A Power Consumption Analysis of TPC-C Results”, Proceedings of
the 2008 PVLDB, ACM, Auckland, hal. 1229-1240.
[9] Rajamani, K., Hanson, H., Rubio, J.C., Ghiasi, S., dan Rawson, F.L (2006), Online
Power and Performance Estimation for Dynamic Power Management, IBM
Research Report, IBM, New York.
[10] Rivoire, S., Ranganathan, P., Kozyrakis, C. (2008), “A Comparison of high-level
full-system power models”, Proceedings of HotPower 2008: Workshop on Power
Aware Computing and Systems.
[11] Walpole, R.E., Myers, R.H., Myers, S.L., Ye, K. (2007), Probability and Statistics
for Engineers & Scientists, 8th edition, Prentice Hall, New Jersey.
[12] Watts, D., Brenneman R.J., Feisthammel, D., Sutherland, T. (2007), Implementing
IBM Director 5.20, 4th edition, IBM RedBooks, New York.
[13] Gorman, Mel. (2004), Understanding The Linux Virtual Memory Manager,
Prentice Hall, 1st edition, New Jersey.
[14] Kuoppala,
M.,
Tiobench:
http://sourceforge.net/projects/tiobench/
ISBN : 978-602-97491-2-0
C-16-7
Threaded
I/O
Tester,
Prosiding Seminar Nasional Manajemen Teknologi XIII
Program Studi MMT-ITS, Surabaya 5 Pebruari 2011
[15] Kolivas,
C.,
Interbench,
The
http://users.on.net/~ckolivas/interbench/
[16] Jones,
R.,
Netperf,
A
http://www.netperf.org/netperf/
ISBN : 978-602-97491-2-0
Linux
network
C-16-8
interactivity
benchmark,
performance
benchmark,