Que signifie DCI
Sep 15, 2025| Dans le paysage numérique contemporain, les centres de données sont devenus l'épine dorsale de l'infrastructure du cloud computing, traitant des volumes massifs de données tout en consommant des quantités substantielles d'énergie.
La question «ce que signifie DCI» se pose fréquemment dans les discussions sur les architectures des centres de données modernes, où DCI signifie Interconnect des centres de données, la technologie qui relie plusieurs centres de données pour permettre le partage des ressources et la distribution de la charge de travail.
L'énergie - La planification efficace est devenue un défi critique, nécessitant des approches sophistiquées pour équilibrer les exigences de performance avec une optimisation de la consommation d'énergie. La méthodologie de planification du réseau de centres de données (DENS) représente une progression significative dans la relève de ces défis grâce à la modélisation hiérarchique et aux stratégies intelligentes d'allocation des ressources.
Concepts clés dans le réseau de centres de données
Interconnexion du centre de données (DCI)
Technologie qui relie plusieurs centres de données pour permettre le partage des ressources, la distribution de la charge de travail et la reprise après sinistre dans les installations géographiquement dispersées.
Congestion du réseau
Se produit lorsque le trafic réseau dépasse la capacité, souvent causée par les limitations de tampon dans l'infrastructure Ethernet et les décalages de bande passante entre les liaisons.
Méthodologie de tan
Une approche hiérarchique de la planification des centres de données qui optimise l'efficacité énergétique tout en maintenant les performances grâce à une allocation intelligente des ressources.
Congestion du réseau dans les environnements de centre de données
Le défi de l'infrastructure basée sur Ethernet -
Les centres de données modernes adoptent la philosophie de l'utilisation des médias Ethernet pour transporter divers types de trafic, y compris les communications LAN, SAN et IPC. Bien que la technologie Ethernet offre une maturité, une facilité de déploiement et une gestion relativement simple, il présente des défis importants en termes de limitations de performances matérielles, en particulier en capacité tampon.
Les tailles de tampon Ethernet typiques fonctionnent au niveau de magnitude de 100 kb, tandis que les routeurs Internet disposent généralement de tailles de tampon de 100 Mo d'amplitude. Cette différence substantielle de 1000x dans la capacité de tampon, combinée à des modèles de trafic de bande passante élevés -, constitue la principale cause de congestion du réseau dans les environnements de centres de données.
Comparaison de la capacité de tampon
Ethernet commutant 100 Ko
Routeurs Internet 100 Mo
La différence 1000x dans la capacité de tampon crée des défis importants pour gérer les modèles de trafic de bande passante élevés - dans les centres de données.
Manifestation de congestion dans les commutateurs du centre de données
La manifestation de la congestion dans les commutateurs du centre de données peut se produire dans plusieurs directions. Dans la direction de la liaison descendante, la congestion émerge lorsque la capacité agrégée des liaisons entravées dépasse la capacité des liaisons de sortie. Pour les instructions de liaison montante, l'inadéquation de la bande passante est principalement déterminée par le rapport de convergence de la bande passante, la congestion se produisant lorsque la bande passante agrégée de tous les ports du serveur dépasse la capacité totale de liaison montante du commutateur.
Ces points de congestion, souvent appelés hotspots, peuvent avoir un impact grave sur la capacité du réseau de centres de données à transmettre des données efficacement, ce qui pourrait réduire le débit jusqu'à 70% dans des cas extrêmes.
Congestion des liaisons descendante
Se produit lorsque le trafic entrant total dépasse la capacité sortante d'un port de commutateur, créant des goulots d'étranglement dans le flux de données de plus haut vers des niveaux de réseau plus élevés.
Congestion de liaison montante
Se produit lorsque le trafic de serveur agrégé dépasse la capacité de liaison montante, généralement déterminée par le rapport de convergence de la bande passante de la conception du réseau.
IEEE 802.1qau Normes et gestion de la congestion
Comment fonctionne 802.1qau
Les commutateurs surchargés détectent la congestion et génèrent des signaux de notification
Les signaux de congestion se propagent aux appareils d'envoi
Les expéditeurs étranglent leurs taux de transmission pour réduire la congestion
L'utilisation du réseau est maintenue à des niveaux élevés (jusqu'à 95%)
La perte de paquets est minimisée grâce à un contrôle de taux proactif
Le groupe de pontage des centres de données (IEEE 802.1) a développé des solutions de contrôle de congestion de la couche 2, en particulier la spécification IEEE 802.1qau. Cette norme introduit des boucles de rétroaction pour la notification de congestion entre les commutateurs du centre de données, permettant des commutateurs surchargés pour utiliser des signaux de notification de congestion pour parcourir les expéditeurs de chargement élevés -.
Bien que cette technique empêche efficacement la perte de paquets en raison de la congestion et maintient des taux d'utilisation de réseau élevés allant jusqu'à 95%, il ne résout pas fondamentalement le problème sous-jacent.
"Une approche plus efficace implique le déploiement stratégique des tâches intensives de données - pour éviter de partager des chemins de communication courants. Par exemple, pour tirer pleinement parti des caractéristiques d'isolement spatial de trois architectures de niveau-, les données de données - doivent être réparties proportionnellement à travers les serveurs informatiques selon leurs conditions de communication."
Ces données - tâches intensives, similaires aux applications de partage de vidéo -, génèrent des flux de bits constants vers les utilisateurs finaux tout en communiquant simultanément avec d'autres travaux exécutés dans le centre de données. Cependant, cette méthode de déploiement proportionnellement distribuée contredit l'énergie - des objectifs de planification efficaces, qui visent à utiliser des ensembles de serveurs minimaux et des ensembles de ressources de communication pour gérer toutes les charges de travail.
Le cadre de méthodologie Dens
Approche de modélisation hiérarchique
La méthodologie DENS représente un passage de paradigme des approches traditionnelles qui modélisent les centres de données comme des pools homogènes de ressources informatiques de serveur. Au lieu de cela, Dens propose un modèle hiérarchique cohérent avec les topologies du centre de données grand public.
Pour trois centres de données de niveau -, la métrique de dens m est définie comme une combinaison pondérée de serveur - Fonction de niveau f_s, rack - Fonction de niveau F_R, et module - Fonction de niveau F_M:
M = × f_s + × f_r + × f_m
Où, et représentent des coefficients de pondération qui déterminent comment les composants correspondants (serveurs, racks, modules) influencent les mesures d'évaluation.
Coefficients de pondération
(Serveur - poids de niveau) généralement 0,7
FAVORS Sélection des serveurs de chargement élevés - dans des racks légèrement chargés
(Rack - poids de niveau) généralement 0,2
Priorise les supports informatiques avec de faibles charges de réseau
(Module - Poids de niveau) Généralement 0,1
Favors Sélection de modules à chargement légèrement, crucial pour la consolidation des tâches
Potentiel de chargement et de communication du serveur
La combinaison de la charge du serveur L_S (L) et son potentiel de communication Q_S (Q) constituent la base principale de la sélection du serveur. Cette relation s'exprime à travers:
f_s(l,q) = L_s(l) × (Q_s(q)^φ)/δ_t
L_s(l)
Cela dépend de la charge du serveur L, calculé à l'aide d'une fonction sigmoïde spécialisée
Q_s(q)
Définit la charge à la liaison montante du rack en analysant les conditions de congestion dans la file d'attente de sortie du commutateur Q
δ_t
Bande passante sur - Facteur d'approvisionnement en haut - de - rack (tor) commutateurs
φ
Coefficient définissant le rapport entre L_S (L) et Q_S (Q) dans la métrique
Définition et optimisation du facteur de charge
Le facteur de charge des tan est défini comme la somme de deux fonctions sigmoïdes pour relever le défi que les serveurs inactifs consomment environ 67% de leur consommation d'énergie de pointe:
L_s(l) = 1/(1 + e^(-10(l - 0.5))) - 1/(1 + e^(-2(l - (1 - ε/2))))
Le premier composant définit la forme sigmoïde primaire, tandis que la seconde sert de fonction de pénalité conçue pour converger les valeurs de charge du serveur maximales. Le paramètre ε définit la plage et la pente de la partie déclinante de la courbe.
Courbe d'optimisation de chargement du serveur
Cette approche sophistiquée garantit que les serveurs fonctionnent dans des gammes de charge optimales, généralement entre 70% et 85% d'utilisation, équilibrant l'efficacité énergétique avec les problèmes de fiabilité du matériel.
Gestion des files d'attente et métriques de congestion
Analyse de l'occupation de la file d'attente
Tous les serveurs dans un rack partagent un commutateur TOR pour la communication de liaison montante. Aux taux de Gigabit, la détermination de la proportion exacte de communication de liaison montante occupée par des serveurs ou des flux individuels devient intensif en calcul. Pour relever ce défi, la méthodologie Dens intègre un composant lié à l'occupation Q (Q) de la file d'attente de sortie de commutation, qui varie avec la bande passante sur - Facteur d'approvisionnement δ.
Le taux d'occupation Q est indépendant de la taille absolue de la file d'attente mais varie avec la taille totale de la file d'attente Q_max, allant de [0,1], où 0 et 1 correspondent respectivement aux états de file d'attente vides et complets. En introduisant la composante d'occupation de la file d'attente, la métrique de Dens peut répondre aux changements de congestion dans les racks ou les modules plutôt que les variations de taux de transmission.
Mise en œuvre de la distribution de Weibull
Q (q)=e ^ (- (3q / q_max) ^ 2)
Occupation de la file d'attente vs performance
Métriques de performance et résultats d'optimisation
Bell - Fonction de sélection en forme
La fonction f_s (l, q) crée une cloche - surface en forme par rapport à la charge du serveur l et charge de file d'attente q. Cette fonction sélectionne préférentiellement les serveurs au-dessus des niveaux de charge moyenne situés dans des racks avec une congestion minimale ou non. Des études empiriques démontrent que cette approche peut réaliser des économies d'énergie de 25 - 35% par rapport à la planification traditionnelle de la ronde tout en maintenant les performances à moins de 5% des niveaux optimaux.
Économies d'énergie
25-35%
Par rapport à la ronde traditionnelle - des algorithmes de planification de Robin
Performance
95%+
Maintient les performances à moins de 5% des niveaux optimaux
Utilisation
70-85%
Plage de serveur optimale de la plage d'équilibrage de la plage et de la fiabilité de l'équilibrage
Analyse d'impact hiérarchique
Les facteurs d'impact des racks et des modules sont exprimés comme suit:
Rack - Facteur de niveau
Module - Facteur de niveau
Considérations pratiques de mise en œuvre
Commerce de l'efficacité énergétique - Offs
Lors de l'examen de ce que signifie DCI pour l'énergie - planification efficace, il devient clair que les implémentations DCI doivent équilibrer soigneusement l'optimisation locale dans les centres de données individuels contre l'optimisation globale entre les installations interconnectées.
La méthodologie Dens démontre que les planificateurs énergétiques - doivent consolider les travaux de centre de données dans le plus petit ensemble de serveurs possible, atteignant des rapports de consolidation de 3: 1 ou plus dans des scénarios typiques.
Cependant, le fonctionnement continu aux charges maximales peut réduire la fiabilité du matériel de 15 à 20% et avoir un impact sur les temps de réalisation du travail jusqu'à 30%.
Trade clé - Offs
Une consolidation plus élevée réduit la consommation d'énergie
L'équilibrage de charge optimal améliore l'efficacité du réseau
La consolidation - augmente le risque de défaillance (réduction de la fiabilité de 15 à 20%)
Les charges de pointe peuvent avoir un impact sur les délais de terminaison de l'emploi jusqu'à 30%
Multi - Balancage de chargement de chemin
Le facteur de niveau du module - F_M ne comprend qu'une charge - composant lié L, comme tous les modules se connectent aux mêmes commutateurs de noyau et obtiennent une bande passante identique via ECMP (égal - coûte des techniques de routage multi--. Cette conception garantit que la distribution du trafic reste équilibrée sur les chemins disponibles, avec des améliorations mesurées du débit de 40 - 50% par rapport aux approches de routage à chemin unique.
Avantages de routage ECMP
Distribue le trafic sur plusieurs chemins de coût égaux -
Améliore le débit de 40 - 50% vs routage à un chemin unique
Améliore la tolérance aux défauts par la redondance du chemin
Fonctionne de manière transparente avec le modèle hiérarchique den
Stratégies d'optimisation avancées
Ajustement du poids dynamique
Des recherches récentes ont exploré un ajustement dynamique des coefficients de pondération, et sur la base des caractéristiques réelles de la charge de travail -.
Calcul - charges de travail intensives =0.8, + =0.2
Communication - Intensif =0.4, =0.3, =0.3
Services de personnalisation des produits
"L'intégration des sources d'énergie renouvelables avec des algorithmes de planification basés sur des tanières - a démontré un potentiel remarquable de réduire les empreintes de pas carbone dans les centres de données à hyperscale."
Réduction jusqu'à 45% de la consommation d'énergie du réseau
Source: Zhang et al. (2024), transactions IEEE sur l'informatique durable
Service d'échantillon gratuit
L'incorporation des algorithmes d'apprentissage automatique pour prédire les modèles de trafic et optimiser les paramètres de DENS a montré des résultats prometteurs.
Précision de 85% dans la prédiction de la congestion
Horizon de prédiction de 5 minutes
10 à 15% d'économies d'énergie supplémentaires
Validation et résultats expérimentaux
Environnement de simulation
Des simulations étendues utilisant des simulateurs d'événements discrets ont validé la méthodologie DENS à travers diverses configurations de centres de données. Les scénarios de test comprenaient des centres de données allant de 1 000 à 100 000 serveurs, avec des modèles de trafic variables, y compris les services Web (80% de lecture, 20% d'écriture), le traitement par lots (lecture / écriture équilibré) et les applications en streaming (95% d'écriture, 5% de lecture).
Échelle du serveur
1 000 à 100 000 serveurs
Modèles de trafic
Services Web, traitement par lots, streaming
Type de simulation
Simulateurs d'événements discrets
Métriques de performance
Indicateurs de performance clés
Comparaison des performances
