Hispanopedia Wiki
Articulo de referencia

computación proporcional a la energía

En informática, la proporcionalidad energética es una medida de la relación entre la potencia consumida en un sistema informático y la tasa de realización de trabajo útil (su ut...

Hispanopedia WikiContenido en espanolLectura gratuita

En informática, la proporcionalidad energética es una medida de la relación entre la potencia consumida en un sistema informático y la tasa de realización de trabajo útil (su utilización, que es una medida de rendimiento ). Si el consumo total de potencia es proporcional a la utilización del ordenador, se dice que la máquina es energéticamente proporcional. [ 1 ] Dicho de forma equivalente, para un ordenador idealmente energéticamente proporcional, la energía total por operación (una medida de eficiencia energética ) es constante para todas las posibles cargas de trabajo y condiciones de funcionamiento.

El concepto fue propuesto por primera vez en 2007 por los ingenieros de Google Luiz André Barroso y Urs Hölzle , quienes instaron a los arquitectos de computadoras a diseñar servidores que fueran mucho más eficientes energéticamente para el entorno del centro de datos . [ 1 ]

La computación proporcional a la energía es actualmente un área de investigación activa y se ha destacado como un objetivo de diseño importante para la computación en la nube . [ 2 ] Aún existen muchos desafíos técnicos en el diseño de computadoras proporcionales a la energía. Además, el concepto de proporcionalidad energética no se limita inherentemente a la computación. Si bien se han realizado innumerables avances en eficiencia energética en disciplinas no informáticas, no se han evaluado rigurosamente en términos de su proporcionalidad energética.

Antecedentes en sostenibilidad energética

La energía sostenible es el ideal de que la sociedad satisfaga sus necesidades energéticas sin impactar negativamente a las generaciones futuras, y que diversas organizaciones, gobiernos e individuos han estado promoviendo. Para alcanzar este ideal, se requieren mejoras de eficiencia en tres aspectos del ecosistema energético:

Dado que nuestra necesidad de generación y almacenamiento de energía está impulsada por nuestra demanda, las formas más eficientes de consumir energía pueden generar grandes mejoras en la sostenibilidad energética. Los esfuerzos en materia de consumo energético sostenible pueden clasificarse a grandes rasgos en las tres categorías siguientes:

  • Reciclar : Capturar y recuperar la energía desperdiciada para realizar más trabajo, energía que de otro modo se perdería en forma de calor.
  • Reutilización : Amortizar el coste de la generación, el almacenamiento y la distribución de energía compartiendo la energía y su infraestructura entre diferentes cargas.
  • Reducir : Disminuir la demanda de energía realizando más trabajo con menos energía (mejorando la eficiencia del consumo) o no realizando el trabajo en absoluto mediante un cambio de comportamiento.

Muchos esfuerzos para lograr un consumo energético más sostenible se centran en la reducción del consumo para cargas de trabajo impredecibles y dinámicas (que se encuentran comúnmente en la informática). Esto puede considerarse como gestión de energía . Estos esfuerzos pueden agruparse en dos enfoques generales, que no son específicos de la informática, pero que se aplican comúnmente en ese ámbito:

  • Apagado por inactividad : Esta técnica aprovecha los momentos de baja demanda de carga de trabajo para apagar los componentes inactivos. Cuando están apagados, los componentes no pueden realizar ningún trabajo útil. Los problemas propios de este enfoque son: (1) la transición entre los estados de apagado activo e inactivo consume tiempo y energía; (2) no se puede realizar ningún trabajo en el estado apagado, por lo que es necesario encenderlos para atender una solicitud; y (3) resulta difícil predecir los períodos de inactividad y adaptarse adecuadamente eligiendo el estado de energía correcto en cada momento.
  • Escalado de rendimiento activo : A diferencia del modo de ahorro de energía en reposo, este enfoque permite realizar trabajo en cualquier estado, considerándose todos activos, pero con diferentes compensaciones entre potencia y rendimiento. Generalmente, los modos más lentos consumen menos energía. Los problemas propios de este enfoque son: (1) es difícil determinar qué combinación de estados es la más eficiente energéticamente para una aplicación, y (2) las mejoras en la eficiencia energética no suelen ser tan lucrativas como las de los modos de ahorro de energía en reposo.

En la práctica, ambos tipos de enfoques se utilizan habitualmente y se combinan entre sí.

Motivación para la proporcionalidad energética

Hasta aproximadamente 2010, [ 3 ] las computadoras estaban lejos de ser proporcionales en energía [ 1 ] [ 4 ] por dos razones principales. Un problema crítico es la alta potencia estática, [ 1 ] [ 4 ] lo que significa que la computadora consume una cantidad significativa de energía incluso cuando está inactiva. La alta potencia estática es común en los servidores debido a sus optimizaciones arquitectónicas, de circuitos y de fabricación que favorecen un rendimiento muy alto en lugar de una baja potencia. La alta potencia estática en relación con la potencia máxima cargada resulta en un rango dinámico bajo , una mala proporcionalidad de energía y, por lo tanto, una eficiencia muy baja en utilizaciones bajas a medias. [ 1 ] [ 4 ] Esto puede ser aceptable para los sistemas y cargas de trabajo de computación de alto rendimiento tradicionales , que intentan extraer la máxima utilización posible de las máquinas, donde son más eficientes. Sin embargo, en los centros de datos modernos que ejecutan aplicaciones de computación en la nube populares y a gran escala , los servidores pasan la mayor parte del tiempo alrededor del 30 % de utilización y rara vez funcionan bajo carga máxima, [ 1 ] [ 4 ] que es un punto de operación muy ineficiente en términos de energía para los servidores típicos.

La segunda razón principal es que los distintos estados operativos del hardware para la gestión de energía pueden ser difíciles de usar eficazmente. Esto se debe a que los estados de bajo consumo más profundos tienden a tener una latencia de transición y un coste energético mayores que los estados de bajo consumo más ligeros. Para cargas de trabajo con ráfagas de actividad frecuentes e intermitentes, como las consultas de búsqueda web, esto impide el uso de estados de bajo consumo más profundos sin incurrir en penalizaciones de latencia significativas, lo que puede resultar inaceptable para la aplicación. [ 1 ] [ 4 ]

El hardware informático con eficiencia energética proporcional podría solucionar este problema al ser eficiente en niveles de utilización medios, además de ofrecer un rendimiento máximo eficiente y estados de inactividad (que permiten el uso de modos de suspensión de bajo consumo). Sin embargo, lograr este objetivo requerirá numerosas innovaciones en la arquitectura y microarquitectura de computadoras, y posiblemente en circuitos y tecnología de fabricación. El beneficio final sería una mayor eficiencia energética, lo que permitiría reducir los costos de hardware, el aprovisionamiento de centros de datos, los costos de suministro eléctrico y el costo total de propiedad (TCO). [ 4 ]

Investigación en computación proporcional a la energía

Desde el artículo de Barroso y Hölzle de 2007 en IEEE Computer , [ 1 ] muchos investigadores han comenzado a abordar el problema de la computación proporcional a la energía de diversas maneras y en diferentes componentes.

UPC

La CPU fue el primer y más obvio lugar en el que los investigadores se centraron para lograr eficiencia energética y bajo consumo. Esto se debe a que tradicionalmente ha sido el mayor consumidor de energía en las computadoras. Gracias a numerosas innovaciones en tecnología de bajo consumo, dispositivos, circuitos, microarquitectura y automatización del diseño electrónico , las CPU actuales han mejorado mucho en eficiencia energética. [ 1 ] [ 4 ] Esto ha llevado a que las CPU ya no dominen el consumo de energía en una computadora.

Algunos ejemplos más conocidos de las numerosas innovaciones en eficiencia energética de las CPU incluyen los siguientes:

  • Control de reloj : [ 5 ] [ 6 ] [ 7 ] La distribución del reloj a todas las unidades funcionales del procesador se bloquea, ahorrando así energía dinámica de la carga y descarga capacitiva de las compuertas y cables síncronos.
  • Desconexión de energía : [ 7 ] [ 8 ] Las unidades funcionales completas del procesador se desconectan de la fuente de alimentación, consumiendo así energía prácticamente nula.
  • Múltiples dominios de voltaje: [ 7 ] Diferentes partes del chip se alimentan desde diferentes reguladores de voltaje, de modo que cada una puede controlarse individualmente para escalar o controlar la fuente de alimentación.
  • Diseños con múltiples voltajes umbral : Los diferentes transistores del diseño utilizan diferentes voltajes umbral para optimizar el retardo y/o el consumo de energía.
  • Escalado dinámico de frecuencia (DFS) : La frecuencia de reloj del procesador se ajusta de forma estática o dinámica para lograr diferentes compromisos entre potencia y rendimiento.
  • Escalado dinámico de voltaje (DVS) : El voltaje de alimentación del procesador se ajusta de forma estática o dinámica para lograr diferentes compromisos entre potencia, fiabilidad y rendimiento.
  • Escalado dinámico de voltaje/frecuencia (DVFS): [ 9 ] Tanto el voltaje como la frecuencia se varían dinámicamente para lograr mejores compensaciones de potencia/rendimiento que las que pueden proporcionar DFS o DVS por sí solos.

Cabe señalar que todas las innovaciones anteriores para el consumo de energía de la CPU precedieron al artículo de Barroso y Hölzle sobre la proporcionalidad energética. Sin embargo, la mayoría de ellas han contribuido con alguna combinación de los dos tipos generales de administración de energía mencionados anteriormente, a saber, la reducción de energía en reposo y el escalado activo del rendimiento. Estas innovaciones han hecho que las CPU escalen su energía relativamente bien en relación con su utilización, convirtiéndolas en los componentes de hardware de computadora más proporcionales energéticamente. [ 1 ] [ 4 ] A diferencia de las CPU, la mayoría de los demás componentes de hardware de computadora carecen de controles de administración de energía, especialmente aquellos que permiten el escalado activo del rendimiento. [ 1 ] Las CPU se presentan como un buen ejemplo de ingeniería informática proporcional energéticamente que otros componentes deberían esforzarse por emular. [ 1 ]

Memoria

La memoria se ha señalado como uno de los principales componentes del sistema que tradicionalmente ha tenido un consumo energético muy desproporcionado. [ 1 ] [ 4 ] La memoria tiende a tener un consumo de energía estática relativamente alto debido a la gran cantidad y densidad de transistores. Además, dado que la memoria suele permanecer inactiva, ya sea por cargas de trabajo optimizadas para caché o por una baja utilización de la CPU, una gran proporción del consumo energético se debe al consumo de energía estática.

Tradicionalmente, el escalado dinámico de voltaje y frecuencia en la memoria principal DRAM no ha sido posible debido a las limitaciones de los estándares DDR JEDEC . Sin embargo, estas limitaciones existen porque la práctica habitual en el diseño de memorias es que se necesitan amplios márgenes de diseño para obtener un buen rendimiento ante las peores variaciones del proceso de fabricación, las fluctuaciones de voltaje y los cambios de temperatura. [ 10 ] Por lo tanto, el escalado de voltaje y frecuencia, que se realiza comúnmente en las CPU, se considera difícil, poco práctico o demasiado arriesgado en cuanto a la corrupción de datos para aplicarlo en las memorias.

No obstante, en 2011, dos grupos de investigación propusieron de forma independiente DVFS para la interfaz del bus de memoria DDR3 [ 11 ] [ 12 ] con el fin de escalar la potencia de la memoria con el rendimiento. Dado que la tensión y la frecuencia del bus de memoria son independientes de los tiempos y tensiones internos de la DRAM, escalar esta interfaz no debería afectar la integridad de las celdas de memoria. Además, David et al. afirman que su enfoque mejora la proporcionalidad energética porque el bus de memoria consume mucha potencia estática, la cual es independiente de la utilización del bus. [ 12 ]

Otro grupo de investigación propuso sacrificar el ancho de banda de la memoria a cambio de un menor consumo de energía por bit y un menor consumo en los modos de inactividad en servidores mediante el uso de memorias DRAM LPDDR2 de clase móvil. [ 13 ] Esto aumentaría la proporcionalidad energética de la memoria sin afectar el rendimiento para cargas de trabajo de centros de datos que no son sensibles al ancho de banda de la memoria. [ 13 ] El mismo grupo también propuso rediseñar la interfaz DDR3 para brindar un mejor soporte a la memoria de servidor con proporcionalidad energética sin sacrificar el ancho de banda máximo. [ 14 ]

Redes

Se destaca que las redes son un componente clave que consume mucha energía de forma desproporcionada y contribuye a una mala proporcionalidad energética a nivel de clúster y centro de datos, [ 1 ] [ 4 ] especialmente a medida que otros componentes en un servidor y centro de datos se vuelven más proporcionales energéticamente. [ 15 ] La razón principal por la que no son proporcionales energéticamente es que los elementos de red están convencionalmente siempre encendidos [ 15 ] debido a la forma en que se diseñan los protocolos de enrutamiento y la imprevisibilidad del tráfico de mensajes. Claramente, los enlaces no se pueden apagar por completo cuando no se usan debido al impacto adverso que esto tendría en los algoritmos de enrutamiento (los enlaces se verían como defectuosos o faltantes, causando problemas de ancho de banda y equilibrio de carga en la red más grande). Además, la latencia y las penalizaciones de energía que normalmente se incurren al cambiar el hardware a modos de bajo consumo probablemente degradarían tanto el rendimiento general de la red como quizás la energía. Por lo tanto, como en otros sistemas, la proporcionalidad energética de las redes requerirá el desarrollo de características de escalado de rendimiento activo, que no requieran estados de apagado inactivo para ahorrar energía cuando la utilización es baja. [ 1 ] [ 15 ]

En los últimos años, los esfuerzos en redes ecológicas se han centrado en Ethernet de bajo consumo energético (incluido el estándar IEEE 802.3az) y muchas otras tecnologías cableadas e inalámbricas. Un tema común es la reducción general de potencia mediante un bajo consumo en reposo y un bajo consumo máximo, pero su evaluación en términos de proporcionalidad energética a nivel de enlace, conmutador, enrutador, clúster y sistema es más limitada. La tasa de enlace adaptativa [ 16 ] es un método popular para enlaces de red con conciencia energética.

Algunos autores [ 15 ] han propuesto que, para que las redes de centros de datos sean más proporcionales a la energía, los elementos de enrutamiento necesitan un mayor rango dinámico de potencia. Propusieron el uso de la topología de mariposa aplanada en lugar de la red Clos plegada común utilizada en los centros de datos (también conocida como árbol gordo ) para mejorar la eficiencia energética general, y el uso de tasas de enlace adaptativas para ajustar la potencia del enlace en relación con la utilización. [ 17 ] También proponen predecir la utilización futura del enlace para escalar las tasas de datos de forma anticipada. [ 15 ]

Sin embargo, para que las redes sean más proporcionales en energía, es necesario realizar mejoras en varias capas de abstracción. [ 16 ]

Almacenamiento y bases de datos

El almacenamiento de datos es otra categoría de hardware que tradicionalmente ha sido muy desproporcionadamente energética. [ 1 ] [ 4 ] Aunque las tecnologías de almacenamiento son no volátiles , lo que significa que no se requiere energía para retener los datos, la interfaz de los dispositivos de almacenamiento generalmente se alimenta para el acceso bajo demanda. Por ejemplo, en los discos duros , aunque los datos se almacenan en un estado magnético no volátil, el disco generalmente se mantiene girando a RPM constantes , lo que requiere una energía considerable. Esto se suma a la electrónica de estado sólido que mantiene la comunicación con el resto del sistema informático, como la interfaz Serial ATA que se encuentra comúnmente en las computadoras.

Una técnica emergente común para el almacenamiento de datos con conciencia energética y proporcional a la energía es la consolidación , es decir, que los datos se agreguen a menos nodos de almacenamiento [ 18 ] [ 19 ] cuando las demandas de rendimiento son bajas. Sin embargo, esta no es una tarea trivial y no resuelve el problema fundamental de la desproporción energética dentro de un solo servidor. Para ello, se necesitan innovaciones en el diseño de hardware a nivel de unidad de almacenamiento individual. Incluso las unidades de estado sólido (SSD) modernas fabricadas con memoria flash han mostrado signos de desproporción energética. [ 20 ]

Las bases de datos son un tipo común de carga de trabajo para los centros de datos y tienen requisitos únicos que dificultan el uso de estados de bajo consumo energético. Sin embargo, para las bases de datos "sin recursos compartidos", algunos han propuesto el escalado dinámico de las bases de datos, donde los "nodos débiles" se encienden y apagan según la demanda. [ 20 ] Afortunadamente, los investigadores han afirmado que, para estas bases de datos sin recursos compartidos, la arquitectura más eficiente energéticamente es también la de mayor rendimiento. [ 21 ] Sin embargo, este enfoque no aborda la necesidad fundamental de proporcionalidad energética a nivel de componente individual, sino que se aproxima a la proporcionalidad energética a nivel agregado. [ 20 ]

Infraestructura del centro de datos: Fuentes de alimentación y refrigeración

Las fuentes de alimentación son un componente crítico de una computadora y, tradicionalmente, han sido muy ineficientes en cuanto al consumo de energía. Sin embargo, las fuentes de alimentación modernas para servidores alcanzan una eficiencia energética superior al 80 % en un amplio rango de cargas, aunque tienden a ser menos eficientes con bajos niveles de utilización. [ 22 ] No obstante, dado que las cargas de trabajo en los centros de datos suelen utilizar servidores con una utilización baja o media, [ 1 ] esta región de la operación resulta ineficiente para las fuentes de alimentación de los servidores y los sistemas de alimentación ininterrumpida (UPS) a escala de centro de datos . [ 23 ] Se necesitan innovaciones para que estas fuentes sean mucho más eficientes en la región típica de operación. [ 4 ]

Al igual que las fuentes de alimentación, la refrigeración de los centros de datos y los servidores tiende a ser más eficiente con cargas elevadas. [ 4 ] La coordinación de la gestión de energía de los servidores, tanto de los componentes tradicionales como de la refrigeración activa, es fundamental para mejorar la eficiencia general. [ 24 ]

Nivel de sistema y de centro de datos

Quizás la mayoría de los esfuerzos en proporcionalidad energética se han dirigido a la escala del sistema, clúster y centro de datos. Esto se debe a que las mejoras en la proporcionalidad energética agregada se pueden lograr en gran medida con la reorganización del software, lo que requiere cambios mínimos en el hardware subyacente. [ 4 ] Sin embargo, esto se basa en la suposición de que una carga de trabajo puede escalar hacia arriba y hacia abajo en múltiples nodos dinámicamente según la demanda agregada. Muchas cargas de trabajo no pueden lograr esto fácilmente debido a la forma en que los datos pueden distribuirse entre nodos individuales, o la necesidad de compartir datos y comunicarse entre muchos nodos incluso para atender una sola solicitud. Cabe señalar que la proporcionalidad energética agregada se puede lograr con este esquema incluso si los nodos individuales no son proporcionales energéticamente. [ 24 ] [ 25 ]

Se han propuesto varios enfoques de balanceo de carga para aplicaciones, middleware, sistemas operativos y otros tipos de software con el fin de lograr una proporcionalidad energética agregada. Por ejemplo, si las cargas de trabajo individuales se encuentran completamente dentro de máquinas virtuales (VM), estas pueden migrarse a través de la red a otros nodos durante la ejecución, mientras se realiza la consolidación y el balanceo de carga. [ 25 ] Sin embargo, esto puede generar retrasos y costos energéticos significativos, por lo que la frecuencia de migración de VM no debe ser demasiado alta.

Los investigadores han propuesto mejorar los estados de inactividad de bajo consumo de los servidores y las latencias de activación/apagado entre los modos activo e inactivo, ya que este es un objetivo de optimización más sencillo que el escalado del rendimiento activo. [ 22 ] Si los servidores pudieran activarse y apagarse con una granularidad temporal muy precisa, el servidor se volvería proporcional a la energía, incluso si la potencia activa es constante en todos los niveles de utilización.

Otros han propuesto centros de datos híbridos, [ 26 ] como KnightShift, [ 27 ] donde las cargas de trabajo se migran dinámicamente entre hardware de alto rendimiento y hardware de bajo consumo según su utilización. Sin embargo, este enfoque presenta numerosos desafíos técnicos de hardware y software. Estos incluyen la compatibilidad de hardware y software con la computación heterogénea , la infraestructura compartida de datos y energía, entre otros.

Un estudio de 2011 sostiene que el hardware con consumo energético proporcional es más eficaz para mitigar las ineficiencias energéticas derivadas del software inflado , un fenómeno frecuente en la informática. [ 28 ] Esto se debe a que los componentes de hardware específicos que limitan el rendimiento general de la aplicación dependen de las características de la misma, es decir, de qué partes están sobrecargadas. Si los componentes que no limitan el rendimiento son muy desproporcionados en términos energéticos, el impacto general del software inflado puede reducir la eficiencia del sistema. Por esta razón, la proporcionalidad energética puede ser importante en una amplia gama de aplicaciones de hardware y software, no solo en entornos de centros de datos.

Referencias

  1. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 Barroso, LA; Hölzle, U. (2007). "El caso de la computación proporcional a la energía" . Computer . 40 ( 12): 33– 37. doi : 10.1109/mc.2007.443 . S2CID 6161162 . 
  2. ↑ Armbrust, M.; Stoica, I.; Zaharia, M.; Fox, A.; Griffith, R.; Joseph, AD; Katz, R.; Konwinski, A.; Lee, G.; Patterson, D.; Rabkin, A. (2010). "Una visión de la computación en la nube" . Communications of the ACM . 53 (4): 50. doi : 10.1145/1721654.1721672 .
  3. ↑ Barroso, Luiz André; Clidaras, Jimmy; Hölzle, Urs (2013). El centro de datos como ordenador: Introducción al diseño de máquinas a escala de almacén, Segunda edición . Morgan Claypool. p. 80. doi : 10.2200/S00516ED2V01Y201306CAC024 . ISBN  9781627050098. S2CID 26474390 . 
  4. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 Barroso, LA; Hölzle, U. (2009). "El centro de datos como una computadora: una introducción al diseño de máquinas a escala de almacén" . Synthesis Lectures on Computer Architecture . 4 (1): 1– 108. doi : 10.2200/s00193ed1v01y200905cac006 .
  5. ↑ V. Tiwari, D. Singh, S. Rajgopal, G. Mehta, R. Patel y F. Baez, «Reducción del consumo de energía en microprocesadores de alto rendimiento», en Actas de la 35.ª conferencia anual sobre automatización del diseño (DAC '98). Nueva York, Nueva York, EE. UU.: ACM Press, mayo de 1998, págs. 732-737. [En línea]. Disponible en: http://dl.acm.org/citation.cfm?id=277044.277227
  6. ↑ Q. Wu, M. Pedram y X. Wu, «Control de reloj y su aplicación al diseño de circuitos secuenciales de bajo consumo», IEEE Transactions on Circuits and Systems I: Fundamental Theory and Applications , vol. 47, n.º 3, págs. 415-420, marzo de 2000. [En línea]. Disponible en: https://ieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?arnumber=841927
  7. 1 2 3 N. HE Weste y DM Harris, Diseño VLSI CMOS: Una perspectiva de circuitos y sistemas, 4.ª ed. Addison-Wesley, 2011.
  8. ↑ Z. Hu, A. Buyuktosunoglu, V. Srinivasan, V. Zyuban, H. Jacobson y P. Bose, «Técnicas microarquitectónicas para la gestión de energía de unidades de ejecución», en Actas del simposio internacional de 2004 sobre electrónica y diseño de bajo consumo (ISLPED '04). Nueva York, Nueva York, EE. UU.: ACM Press, agosto de 2004, pág. 32. [En línea]. Disponible en: http://dl.acm.org/citation.cfm?id=1013235.1013249
  9. ↑ S. Herbert y D. Marculescu, «Análisis del escalado dinámico de voltaje/frecuencia en multiprocesadores en chip», en Actas del simposio internacional de 2007 sobre electrónica y diseño de bajo consumo - ISLPED '07. Nueva York, Nueva York, EE. UU.: ACM Press, 2007, págs. 38-43. [En línea]. Disponible en: http://portal.acm.org/citation.cfm?doid=1283780.1283790
  10. ↑ Gupta, P.; Agarwal, Y.; Dolecek, L.; Dutt, N.; Gupta, RK; Kumar, R.; Mitra, S.; Nicolau, A.; Rosing, TS ; Srivastava, MB; Swanson, S.; Sylvester, D. (2013). "Underdesigned and Opportunistic Computing in Presence of Hardware Variability". IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems . 32 (1): 8– 23. CiteSeerX 10.1.1.353.6564 . doi : 10.1109/tcad.2012.2223467 . S2CID 7114968 .  
  11. ↑ Q. Deng, D. Meisner, L. Ramos, TF Wenisch y R. Bianchini, «MemScale: modos activos de bajo consumo para la memoria principal», ACM SIGPLAN Notices, vol. 46, n.º 3, págs. 225-238, febrero de 2011. [En línea]. Disponible en: http://doi.acm.org/10.1145/1961296.1950392
  12. 1 2 H. David, C. Fallin, E. Gorbatov, UR Hanebutte y O. Mutlu, «Gestión de energía de memoria mediante escalado dinámico de voltaje/frecuencia», en Actas de la 8.ª Conferencia Internacional ACM sobre Computación Autónoma - ICAC '11. Nueva York, Nueva York, EE. UU.: ACM Press, junio de 2011, pág. 31. [En línea]. Disponible en: http://dl.acm.org/citation.cfm?id=1998582.1998590
  13. 1 2 Malladi, KT; Lee, BC; Nothaft, FA; Kozyrakis, C.; Periyathambi, K.; Horowitz, M. (2012). "Hacia una memoria de centro de datos proporcional a la energía con DRAM móvil". ACM SIGARCH Computer Architecture News . 40 (3): 37. CiteSeerX 10.1.1.365.2176 . doi : 10.1145/2366231.2337164 . S2CID 14680002 .  
  14. ↑ KT Malladi, I. Shaeffer, L. Gopalakrishnan, D. Lo, BC Lee y M. Horowitz, «Repensando los modos de potencia de la DRAM para la proporcionalidad energética», en 2012 45th Annual IEEE/ACM International Symposium on Microarchitecture. IEEE, diciembre de 2012, págs. 131-142. [En línea]. Disponible en: http://dl.acm.org/citation.cfm?id=2457472.2457492
  15. 1 2 3 4 5 Abts, D.; Marty, MR; Wells, PM; Klausler, P.; Liu, H. (2010). "Redes de centros de datos proporcionales a la energía". ACM SIGARCH Computer Architecture News . 38 (3): 338. CiteSeerX 10.1.1.308.136 . doi : 10.1145/1816038.1816004 . 
  16. 1 2 Bianzino, AP; Chaudet, C.; Rossi, D.; Rougier, J.-L. (2012). "Una revisión de la investigación sobre redes verdes". IEEE Communications Surveys & Tutorials . 14 (1): 3– 20. arXiv : 1010.3880 . doi : 10.1109/surv.2011.113010.00106 . S2CID 10837932 . 
  17. ↑ Shu, G.; Choi, WS; Saxena, S.; Kim, SJ; Talegaonkar, M.; Nandwana, R.; Elkholy, A.; Wei, D.; Nandi, T. (2016-01-01). "23,1 a 16 Mb/s a 8 Gb/s 14,1 a 5,9 pJ/B transceptor síncrono de fuente que utiliza DVFS y encendido/apagado rápido en CMOS de 65 nm". 2016 IEEE International Solid-State Circuits Conference (ISSCC) . pp. 398–399 . doi : 10.1109/ISSCC.2016.7418075 . ISBN  978-1-4673-9466-6. S2CID 27147889 . 
  18. ↑ H. Amur, J. Cipar, V. Gupta, GR Ganger, MA Kozuch y K. Schwan, «Almacenamiento robusto y flexible con consumo de energía proporcional», en Actas del 1.er simposio de la ACM sobre computación en la nube - SoCC '10. Nueva York, Nueva York, EE. UU.: ACM Press, junio de 2010, pág. 217. [En línea]. Disponible en: http://dl.acm.org/citation.cfm?id=1807128.1807164
  19. ↑ A. Verma, R. Koller, L. Useche y R. Rangaswami, «SRCMap: almacenamiento proporcional a la energía mediante consolidación dinámica», en Actas de FAST'10 de la 8.ª conferencia USENIX sobre tecnologías de archivos y almacenamiento. Asociación USENIX, febrero de 2010, pág. 20. [En línea]. Disponible en: http://dl.acm.org/citation.cfm?id=1855511.1855531
  20. 1 2 3 T. Härder, V. Hudlet, Y. Ou y D. Schall, «¡La eficiencia energética no es suficiente, se necesita proporcionalidad energética!» en DASFAA Workshops, ser. Lecture Notes in Computer Science, J. Xu, G. Yu, S. Zhou y R. Unland, Eds., vol. 6637. Berlín, Heidelberg: Springer Berlin Heidelberg, 2011, pp. 226–239. [En línea]. Disponible en: https://doi.org/10.1007%2F978-3-642-20244-5
  21. ↑ D. Tsirogiannis, S. Harizopoulos y MA Shah, «Análisis de la eficiencia energética de un servidor de base de datos», en Actas de la conferencia internacional de 2010 sobre gestión de datos - SIGMOD '10. Nueva York, Nueva York, EE. UU.: ACM Press, junio de 2010, pág. 231. [En línea]. Disponible en: http://dl.acm.org/citation.cfm?id=1807167.1807194
  22. 1 2 Meisner, D.; Gold, BT; Wenisch, TF (2009). "PowerNap: Eliminando el consumo de energía inactiva del servidor". ACM SIGARCH Computer Architecture News . 37 (1): 205. doi : 10.1145/2528521.1508269 .
  23. ↑ S. Greenberg, E. Mills y B. Schudi, "Mejores prácticas para centros de datos: lecciones aprendidas de la evaluación comparativa de 22 centros de datos", Laboratorio Nacional Lawrence Berkeley, Informe técnico, 2006.
  24. 1 2 N. Tolia, Z. Wang, M. Marwah, C. Bash, P. Ranganathan y X. Zhu, "Entrega de proporcionalidad energética con sistemas no proporcionales a la energía: optimización del conjunto", 2008. [En línea]. Disponible en: https://www.usenix.org/legacy/event/hotpower08/tech/full_papers/tolia/tolia_html/
  25. 1 2 X. Zheng y Y. Cai, "Lograr proporcionalidad energética en clústeres de servidores", International Journal of Computer Networks (IJCN), vol. 1, no. 2, pp. 21–35, 2010.
  26. ↑ Chun, B.-G.; Iannaccone, G.; Iannaccone, G.; Katz, R.; Lee, G.; Niccolini, L. (2010). "Un caso energético para centros de datos híbridos". ACM SIGOPS Operating Systems Review . 44 (1): 76. CiteSeerX 10.1.1.588.2938 . doi : 10.1145/1740390.1740408 . S2CID 15066975 .  
  27. ↑ D. Wong y M. Annavaram, «KnightShift: Superando el límite de proporcionalidad energética mediante la heterogeneidad a nivel de servidor», en 2012 45th Annual IEEE/ACM International Symposium on Microarchitecture. IEEE, diciembre de 2012, págs. 119-130. [En línea]. Disponible en: https://ieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?arnumber=6493613
  28. ↑ S. Bhattacharya, K. Rajamani, K. Gopinath y M. Gupta, «La interacción entre el exceso de software, la proporcionalidad energética del hardware y los cuellos de botella del sistema», en Actas del 4.º Taller sobre Computación y Sistemas con Conciencia Energética - HotPower '11. Nueva York, Nueva York, EE. UU.: ACM Press, octubre de 2011, págs. 1-5. [En línea]. Disponible en: http://dl.acm.org/citation.cfm?id=2039252.2039253