Challenge

Bei dem Betreiben von Serverlandschaften in Unternehmen ergibt sich ein enorm hoher Energieverbrauch.

Da Server meist unzureichend auf die eigentliche Auslastung angepasst werden, stellt sich ein unnötiger Verbrauchsüberschuss bei den Serverlandschaften heraus.

Lösung

Ziel war es, eine kleine Hardwarebox zu entwickeln, welche als zentrale Sammelstelle für sämtliche Energiekennzahlen für das Betreiben von Servern und deren entsprechenden Energieverbrauch beim Rechenzentrumsbetrieb dient.

Diese Hardwarebox kann mittels künstlicher Intelligenz smarte Prognosen aufstellen und Maßnahmen einleiten, die das individuelle Energiesparpotenzial für Unternehmen in finanzieller und energetischer Betrachtungsweise herausstellt.

Somit werden diese Server nicht nur effizienter genutzt, sondern auch das Administrationspersonal und die Umwelt entlastet.

Anhand dieser vorgesehenen Funktionsweise konnten wir Entscheidungen für Werkzeuge, Technologien und Architekturen treffen.

1. Potentialanalyse

In der Praxis verändern sich die Auslastungen der Serverlandschaften stetig. Somit soll die Green-IT KI-Box eine Serverlandschaft auf Minimalbetrieb herunterfahren, sofern ein Nutzungsrückgang vermeldet oder prognostiziert wurde. In Folge dessen wird der CO2-Ausstoß der Serverlandschaften reduziert und eine Kosteneinsparung erzielt, da der Energieverbrauch minimiert wird.

2. Use Case Definition

Anhand der Prozessanalyse definierten wir den Use Case der Hardwarebox. Ein solcher Use Case enthält alle möglichen Szenarien, die mit Hilfe des Systems zu leisten sind.

Vorbedingung:

Unternehmen besitzt eine Serverlandschaft auf welche sie physischen Zugriff haben.

Nachbedingung:

Green-IT KI-Box ist an Serverlandschaft angebracht. Sie erkennt und/oder prognostiziert Änderung der Serverkapazitätsauslastung und passt die Serveraktivität an diese an. Der Nutzer hat Zugriff auf die Daten und sieht die Energieersparnis ein.

Ablauf – Normalszenario:

1. Die Green-IT KI-Box wird in das Server-Rack installiert.

2.Die Green-IT KI-Box erhält Informationen über die Serverkapazität.

3.Die Green-IT KI-Box erkennt oder prognostiziert eine geringere Auslastung der Server und fährt diese auf die entsprechende Last, welche nicht kleiner als die serverspezifische Minimallast ist, herunter.

4.Die Hardwarebox übermittelt Daten an ein Portal welches diese grafisch aufbereitet.

Ablauf – Alternativszenario:

3.1 Die Green-IT KI-Box erkennt oder prognostiziert eine höhere Auslastung der Server und fährt diese angepasst auf die Last hoch.

3.1.1 Weiter wie in Schritt 4.

3.2 Die Green-IT KI-Box erkennt oder prognostiziert keine Änderung in der Auslastung der Server und passt diese nicht an.

3.2.1 Weiter wie in Schritt 4.

3.3 Die Green-IT KI-Box erkennt oder prognostiziert keine Auslastung der Server und fährt diesen herunter.

3.3.1 Weiter wie in Schritt 4.

Ablauf – Fehlerszenario:

2.1 Die Box erhält keine Informationen.

2.1.1 Das System gibt eine Fehlermeldung aus.

3. Iterative Modellerstellung

In der Praxis weisen Server während der Kernarbeitszeiten eine deutlich höhere Arbeitslast auf und es werden die wenigsten Server über Nacht tatsächlich gebraucht. In der Realität werden jedoch fast alle Server von Herstellern so vorkonfiguriert, dass sie bei Performancetests möglichst gut abschneiden. Nur die wenigsten Unternehmen beschäftigen eigene Administratoren, welche entsprechende Einstellungen vornehmen bzw. täglich nach Büroschluss oder vor und nach dem Wochenende Server- /Applikationslandschaften neu konfigurieren.

Somit bietet die Serverüberwachung durch die Green-IT KI-Box eine CO2-Ersparnis und dementsprechend extreme Kosteneinsparungen.

Die Box verwaltet, sammelt und wertet sämtliche Energiezahlen mithilfe von KI-Algorithmen aus, sodass Einsparpotenziale sichtbar werden und folglich vollautomatisierte Steuerbefehle sinnvoll versendet werden können. Die Box als physisches Gerät wäre vergleichbar mit Firewall Applikationen und nötig, um einen möglichst hohen Datenschutz zu gewährleisten. Zudem kann nur bei einer physischen Box sichergestellt werden, dass in einem Fehlerfall sämtliche, für den ordnungsgemäßen Betrieb von Servern notwendigen, Einstellungen getroffen werden und notfalls die Anlage in einen „Default“-Zustand zurückversetzt werden kann. Alle Verbrauchskennzahlen würden damit geschützt innerhalb des Serverschrankes verbleiben und nicht in fremde Clouddienste ausgelagert werden.

Im Folgenden wird ein Beispiel anhand eines Onlineshops aufgezeigt:

Eine von A. Poleshova im Jahr 2018 veröffentlichte Studie hat sich der Frage gewidmet, wann Konsumenten bevorzugt in Online-Shops einkaufen. Die hieraus resultierenden Ergebnisse belegen klar, dass in den Zeiten zwischen 0:00 Uhr und 06:00 Uhr die wenigsten Kunden online Waren einkaufen. Vergleicht man hier die aktiveren Zeitspannen mit den meisten Besuchern (18 bis 24 Uhr) mit der Zeitspanne in der am wenigsten Besucher online shoppen (0 bis 6 Uhr sowie 6 bis 12 Uhr), dann wird schnell ersichtlich, dass hier ein enormes Einsparpotenzial vorliegt.

Somit kann die Serveraktivität an die Aktivität der Konsumenten anpasst werden.

Ein solcher energieeffizienter Betrieb auf den einzelnen Servern kann vollautonom durch die Green-IT KI-Box ein- und ausgeschaltet werden. Peaks lassen sich auf der Grundlage von Prognosen berechnen. So wird sichergestellt, dass es zu Spitzenzeiten nicht zu Performance-Problemen kommt und ein sicherer Betrieb weiterhin gewährleistet ist. Solche Peaks lassen sich aktuell aus den Metriken sämtlicher Applikationen und Servern ablesen. Die intelligente Prognose mittels künstlicher Intelligenz wird direkt auf der Green-IT KI-Box berechnet. Hierzu ist es essenziell wichtig, die Algorithmen an die verbauten Komponenten und Chips innerhalb der Box anzupassen. Nur so kann ein energieeffizienter Betrieb sichergestellt werden, der gleichzeitig in der Lage ist, die notwendigen, höchst komplexen Berechnungen durchzuführen.

4. Integration und Ergebnisanalyse

In Zahlen würde das eine Gesamteinsparung von ca. 8,377 t CO2* im Jahr bedeuten. Bei den aktuellen Strompreisen (Stand Februar 2022) wäre das eine totale Einsparung von ca. 4.000 € im Jahr.

Da selbst zu Spitzenzeiten Server nicht auf Maximallast eingestellt sein müssen, kann davon ausgegangen werden, dass in einer realen Umgebung das Einsparpotenzial über dem hier errechneten Wert liegt.

*Werte anhand eines Rechenzentrums mit zehn Servern.