resumen - ua
TRANSCRIPT
I
II
RESUMEN
En una sociedad cada vez más dependiente de la tecnología, los objetivos
propuestos por los países para reducir las emisiones de gases contaminantes cada
vez son más difíciles de conseguir. Adoptar medidas que contribuyan con la
eficiencia energética, a la par que se promueve el uso de fuentes de energía
renovables es una necesidad actual. Las TIC, como amplio consumidor energía
debe contribuir con dicho propósito, por lo que resulta necesaria la promoción,
desarrollo y adopción de la computación verde en todos los campos posibles.
La modelación del consumo de energía en un centro de datos es crucial para
determinar posibles impactos negativos o descubrir oportunidades que permitan
alcanzar una mayor eficiencia energética. El proceso de modelación del
comportamiento de todos los elementos que forman parte de un centro de
procesamiento de datos es complejo y amplio, por lo que este trabajo abarco el
modelado del consumo de los procesadores de los servidores.
III
AGRADECIMIENTOS
Mi más sincero agradecimiento a los profesores Higinio Mora Mora por su
colaboración y paciencia en la preparación de este manuscrito. Además, un
agradecimiento a todos los integrantes del consejo escolar por sus valiosos
comentarios, y a la Universidad de Alicante en general.
Agradecimiento a mis amigos, que aun estando lejos siempre me han tenido
presente y me han dado las fuerzas finales para terminar.
A mi familia, le doy las gracias por la oportunidad.
IV
DEDICATORIA
A mi familia y amigos:
Gracias por el apoyo
V
TABLA DE CONTENIDO Resumen II
Agradecimientos III
Dedicatoria IV
Índice de Figuras VI
Índice de Tablas VII
1 Introducción 1
2 Motivación 2
3 Objetivos 4
4 Marco Teórico 4
4.1 Energía 8
4.1.1 Energía Eléctrica 8
4.1.2 Eficiencia y Ahorro Energético 9
4.1.3 Supervisión del Consumo Energético 10
4.2 Conclusiones del Capítulo 11
5 Gestión Energética 12
5.1 Gestión Energética de un Ordenador 12
5.1.1 Modelo de Consumo de un Ordenador 14
5.1.2 Gestión Energética de un Computador 15
5.2 Gestión Energética en un Centro de Procesamiento de Datos (CPD) 15
5.2.1 Computación en la Nube 17
5.2.2 Consumo energético 19
5.2.3 Modelo de Consumo de la Nube 21
5.2.4 Análisis de los Componentes que Influyen En El Consumo 22
5.3 Conclusiones del Capítulo 29
6 Modelo de Eficiencia Energética para Procesadores 30
6.1 Modelos De Eficiencia Energética Publicados 30
6.1.1 Comparación entre los Modelos de Potencia de la CPU 32
6.2 Modelo De Consumo 34
6.2.1 Control Dinámico de la Potencia 35
6.3 Propuesta de Modelo de Consumo 36
6.4 Conclusiones del Capítulo 37
7 Conclusiones 37
8 Recomendaciones y Trabajos Futuros 38
9 Anexos 39
9.1 Anexo 1: Datos Sobre Energía y Medio Ambiente 39
9.2 Anexo 2: Producción de Energía 40
9.3 Anexo 3: Métricas de Eficiencia Energética 41
9.3.1 Eficiencia de Uso de la Potencia, PUE 41
9.3.2 Eficiencia de la Infraestructura del CPD, DCiE 43
9.3.3 Indicador de Rendimiento, Pi 43
9.3.4 Otras Métricas 44
10 Referencias 46
VI
ÍNDICE DE FIGURAS
Figura 1. Diferencias de temperatura en racks. The Green Grid (ref 148) ................................... 25
Figura 2. Energía. Estadísticas 6 de mayo de 2018. (Worldometers info, 2018) .......................... 39
Figura 3. Medio Ambiente. Estadísticas 6 de mayo de 2018. (Worldometers info, 2018) .......... 39
Figura 4. Producción de energía eléctrica en la península.(Red Eléctrica de España, 2017) ..... 40
Figura 5. Diagrama del indicador PI (Seymour, 2016) .................................................................. 44
VII
ÍNDICE DE TABLAS
Tabla 1. Objetivos energéticos de la Unión Europea hasta el 2050. ............................................... 9
Tabla 2. Tier. Características principales. ....................................................................................... 20
Tabla 3. Características del modelo lineal de consumo del procesador. ..................................... 33
Tabla 4. Características del modelo cuadrático de consumo del procesador.............................. 33
Tabla 5. Características del modelo cúbico de consumo del procesador. ................................... 33
Tabla 6. Características del modelo polinomial de consumo del procesador. ............................ 33
Tabla 7. Características del modelo interpolación lineal de consumo del procesador. ............. 33
Tabla 8. Características de los modelos para servidores que soportan DVFS ............................ 33
Tabla 9. Producción de energía eléctrica en la península (Red Eléctrica de España, 2017) ....... 40
1
1 INTRODUCCIÓN
La tecnología siempre ha provocado cambios en el comportamiento social. El
telégrafo, la radio, la televisión, el cinematógrafo, la imprenta y otros aparatos
transformaron las formas de comunicación y entretenimiento. Los medios de
transporte evolucionaron y rompieron las barreras geográficas que en su tiempo
existían. La electricidad industrial permitió el desarrollo de los equipos
electrodomésticos. La producción en serie sustituyó la artesanal. Los satélites,
ordenadores e internet revolucionaron el mundo de las telecomunicaciones y
acortaron aún más las distancias.
En otras palabras, gracias al desarrollo tecnológico el hombre ha sido capaz de:
realizar tareas cotidianas y cálculos complejos con un mínimo de esfuerzo, cruzar
océanos, conquistar el aire, visitar el espacio y llegar a la luna.
En la actualidad, las nuevas tecnologías han permitido transformaciones en los
arquetipos en la atención y experiencia de usuario; así como la aparición de nuevos
modelos de trabajo (teletrabajo), negocio (comercio electrónico) y compra (mobile
commerce). El paso de la conexión cableada a la inalámbrica de altas velocidades ha
convertido al teléfono en un pequeño ordenador móvil que ha incursionado en
sectores como: el empresarial, comercio, salud, educación, y otros. La robótica ha
evolucionado de tal manera, que ya no es un sueño del futuro y se pueden
encontrar robots de servicio como Roomba, vehículos aéreos no tripulados - o
drones - de usos profesionales o doméstico, asistentes personales como Alexa
Echo, e incluso desarrollando labores en el servicio de hostelería como Churi-chan.
La impresión clásica (aquella realizada sobre papel principalmente) ha dado paso
a la impresión de modelos físicos tridimensionales, alcanzando un importante
impacto en diversos ámbitos gracias a la facilidad para obtener prototipos,
2
reconstruir objetos, crear réplicas o casi cualquier objeto que se pueda diseñar en
un ordenador utilizando herramientas de modelado en 3D.
2 MOTIVACIÓN
Sin embargo, los avances tecnológicos conllevan una responsabilidad social,
económica y política. El desarrollo, como consecuencia de la industrialización,
migración excesiva y otros factores, ha conllevado a una sobre - explotación de los
recursos del planeta y, por ende, al reforzamiento de diversos problemas
ambientales como la contaminación (presencia en un entorno de materia, sustancia
o energía que causa efectos negativos y altera las condiciones normales del
ecosistema en que se encuentra). Entre las formas de contaminación relacionadas
con las tecnologías se pueden mencionar:
• la contaminación atmosférica por la liberación de sustancias y gases;
• el aumento de basura espacial debido a objetos artificiales (como satélites)
sin utilidad que orbitan alrededor del planeta;
• el aumento de la chatarra electrónica (se calcula que anualmente cerca de
50 millones de toneladas de equipos electrónicos son desechados);
• la contaminación electromagnética debido a las radiaciones que emiten los
equipos de telefonía y electrónicos en general;
• y la degradabilidad, ya que sustancias como el plomo y el mercurio
(presentes en desechos electrónicos) no son degradables, mientras otros
materiales como el plástico, son de degradación lenta (se habla de décadas).
Aunque no existe un consenso sobre los efectos del calentamiento global, lo cierto
es que cada vez más científicos coinciden en la influencia que la actividad humana
ha tenido sobre el cambio climático en las últimas décadas. Para atenuar esta
situación, en todo el mundo se dedican recursos para determinar las acciones que
tienen un impacto ambiental perjudicial. Cada vez más, empresas y
3
organizaciones sienten la necesidad de desarrollar iniciativas que permitan
convivir de forma sostenible con el medioambiente. Lograr una evaluación de los
posibles daños a la naturaleza permitirá el control de posibles efectos negativos.
Además, se podrán tomar medidas para mitigar dichas consecuencias y con ello,
mejorar la calidad de vida de las personas.
Se estima que en lo que va de año se han emitido a la atmósfera más de
13.532.301.183 de dióxido de carbono (CO2) y el petróleo que ha sido extraído de
las reservas existentes supera los 76.000.000 barriles. En otras palabras, la energía
consumida sobrepasa los 300.000.000 mWh, de los cuales más del 80% proviene de
fuentes no renovables (Anexo 1). La dependencia en los combustibles fósiles, unido
a un ritmo de explotación mayor del tiempo necesario para su producción,
resultará en el agotamiento de este recurso. Además, la desigual distribución
geográfica de los yacimientos acarrea problemas sociales que se agravarán a la par
que empiece a escasear. Por otra parte, uno de los resultados de la quema de este
tipo de combustible es la emisión de diferentes sustancias químicas que provocan
un aumento en la acidificación de las aguas que caen en forma de precipitación
(lluvias ácidas) y variaciones en la capacidad de la atmosfera de retener el calor
(alteración del efecto invernadero) dando lugar a la subida en varios grados de la
temperatura media del planeta (calentamiento global).
En el área de la informática y las telecomunicaciones, el alto número de
infraestructuras necesarias para dar soporte a los servicios solicitados por los
diversos dispositivos electrónicos con los que se cuenta para la gestión y acceso a
la información ha provocado un alza en el consumo eléctrico (Ferrer, 2009)
(Bawden, 2016) (Morales, 2017). Estudios de la consultora Gartner han demostrado
el alto volumen de gas carbónico resultante de las infraestructuras de TI (Gartner,
2007). Por tanto, este sector como amplio impulsor y desarrollador de nuevas
tecnologías, en los últimos tiempos se ha dedicado a buscar y adoptar soluciones
ambientalistas sin que estas afecten el rendimiento o calidad en los servicios. Sin
4
embargo, se puede afirmar que dichas medidas son insuficientes, sobre todo al
considerar que las necesidades informáticas van en aumento.
La computación en la nube se perfila, desde un principio, como una política para
disminuir el consumo energético. No obstante, la necesidad de crear centros de
datos de gran tamaño y sostenibles con los principios antes señalados plantea, para
la industria y el área académica, retos de interés.
3 OBJETIVOS
Teniendo en cuenta lo antes expuesto, en este trabajo se pretende abordar algunos
temas de interés referentes con la computación en la nube y su uso de la energía.
Para ello, se proponen los siguientes objetivos:
• Realizar un estudio sobre el consumo energético de los centros de datos.
• Realizar un estudio sobre modelos de eficiencia energética en entornos cloud
computing.
• Desarrollar una propuesta de modelo energético para entornos cloud computing.
4 MARCO TEÓRICO
Bajo la premisa de eficiencia y sostenibilidad surge la computación verde (Green
IT). Según (I. Ahmad & Ranka, 2012) la computación verde, también llamada
computación sostenible, no es más que el estudio e implementación de buenas
prácticas de manera que permita utilizar de forma eficiente los recursos de TI. Para
esto, propone procedimientos centrados en: la disminución del consumo de
energía y recursos, la disminución de contaminantes y la reducción de residuos
mediante el reciclaje, afectando un conjunto de objetivos económico, ecológico y
social (ONU, 2017) de carácter mundial. Las técnicas pueden ir desde la
virtualización (Pandi, 2016) (Y. Yang, Chang, Liu, & Li, 2017), nuevas estrategias
5
de gestión de energía (W. Ahmad, Hölzenspies, Stoelinga, & van de Pol, 2015) o
de la red celular (Alsharif, Nordin, & Ismail, 2017), hasta la vincular tecnologías
emergentes (Sarkar & Misra, 2016). (McWhorter & Delello, 2015) publican un
análisis sobre distintas tendencias tecnológicas que pueden promover una
computación sostenible.
Otra consecuencia del desarrollo tecnológico es el aumento de datos heterogéneos
que circulan por la red. Entre una de sus causas se encuentra el Internet de las
Cosas (Internet of Things, IoT), que no es más que la conexión de objetos con la red.
Para lograr esto, el sistema de identificación de radiofrecuencia (radio frequency
identification, RFID), las redes de sensores inalámbricos (WSN) y las redes de
sensores RFID (Atzori, Iera, & Morabito, 2010) juegan un papel importante.
(Gubbi, Buyya, Marusic, & Palaniswami, 2013) propone una definición en la que
evita las restricciones presentes en varios conceptos de referencia.
Aunque esta idea puede parecer que surgió en los últimos años, lo cierto es que en
la década del 80 ya se hablaba sobre dispositivos conectados a Internet (Madakam,
Ramaswamy, & Tripathi, 2015). En los 90, la visión de Weiser sobre computación
ubicua sienta las bases de la visión contemporánea de la IoT; Reza Raji habla sobre
la transmisión de paquetes de datos a un conjunto de nodos con el objetivo de
automatizar todo (Raji, 1994); Bill Joy habla sobre la comunicación dispositivo a
dispositivo (D2D) como parte de su taxonomía para Internet llamada “Seis Webs”
(Pontin, 2005); y Kevin Ashton, en el marco del Auto-ID Center del MIT, presenta
el término de manera formal (Gubbi et al., 2013). Algunos ejemplos de sistemas
que podemos encontrar en la actualidad son: Philips Hue1, Nest Thermostat2,
AddWash y Samsung Smart TV3 y Kevo4.
1 www2.meethue.com/es-mx 2 https://nest.com 3 www.samsung.com 4 www.kwikset.com
6
Dentro de este campo, la Universidad de Alicante (UA) ha propuesto tres marcos:
uno para la detección de intruso gracias a la integración de la nube con recursos
móviles (Colom, Gil, Mora, Volckaert, & Jimeno, 2018), otro para monitorear
señales biomédicas (Mora, Gil, Terol, Azorín, & Szymanski, 2017) y un tercero que
permite un modelo colaborativo al distribuir el cálculo entre diversos objetos de
IoT (Colom, Mora, Gil, & Signes-Pont, 2017). Además, han desarrollado un modelo
de cálculo que permite distribuir la carga de trabajo en sistemas ciber-físicos (cyber-
physical system, CPS) (Lee, 2008), minimizando los costos informáticos (Mora,
Colom, Gil, & Jimeno-Morenilla, 2017) . Este tipo de sistemas van un paso más lejos
de la IoT, ya que no solo conectan objetos, sino que los dotan de capacidades
informáticas y de comunicación, permitiendo un diseño de redes de elementos con
capacidad de interacción entre ellos.
A la par del incremento de datos, surge la necesidad de que estos sean
almacenados, procesados y analizados para obtener información útil en tiempo
real, dando paso a lo que se conoce como Big Data. Las aplicaciones comunes de
procesamiento de datos no permiten llevar a cabo proyectos de esta índole, ya que
la combinación de datos estructurados y no estructurados (la recolección de datos
puede provenir de muchas fuentes, impulsado principalmente por el desarrollo de
la IoT), así como petabytes (1015) o exabytes (1018) de datos a analizar en tiempos
relativamente cortos, lo convierten en un proceso complejo que necesita recursos
considerables. El sector de la energía, por ejemplo, genera grandes volúmenes de
datos gracias a la utilización de la smart grid, por lo que varias investigaciones se
dedican al papel que puede jugar el big data en la eficiencia energética (Jiang,
Wang, Wang, Gao, & Zhang, 2016) (Zhou, Fu, & Yang, 20162016) (Diamantoulakis,
Kapinas, & Karagiannidis, 2015) y los desafíos al gestionar la energía de forma
dinámica (Chou, Ngo, Chong, & Gibson Jr., 2016).
Como solución a la necesidad de recursos del big data, se plantea la adopción de
soluciones tecnológicas que han emergido y cobrado fuerza en los últimos años: la
7
nube (cloud computing, CC) (Hashem et al., 2015) y la computación de borde (mobile
cloud computing, MCC) (Baccarelli et al., 2016) (Tawalbeh, Bakheder, & Song, 2016).
Bajo esta perspectiva, Chang y Wills presentaron una comparación del
rendimiento de sistemas biomédicos en entornos CC y no CC (Chang & Wills,
20162016). Por otra parte, es indiscutible las ventajas que trae la nube (Botta, de
Donato, Persico, & Pescapé, 2016) y la computación de borde como modelos
impulsores de la IoT (Bonomi, Milito, Zhu, & Addepalli, 2012) (Dastjerdi & Buyya,
2016). Díaz publica un estado del arte de los componentes de integración entre los
entornos de la nube y middleware IoT (Díaz, Martín, & Rubio, 2016). No obstante,
esta relación también conlleva un impacto medioambiental (González, García,
Gallego, Sastoque, & Ramírez, 2016) (Asensio, 2016) .
En los últimos años, los estudios para minimizar el gasto de energía en los centros
de datos han abarcado un amplio espectro de áreas, analizando: desde la
viabilidad de diseños ecológicos para servidores (Polverini & Tosoratti, 2016);
control de la temperatura mediante la gestión de enfriamiento al determinar la
velocidad del ventilador del servidor (Zapater et al., 2015) o mediante la selección
de un sistema de refrigeración que permita asegurar una adecuada temperatura
ambiente de entrada (Sahini et al., 2017); reducir el consumo de energía en las redes
(Prathibha, Latha, & Sumathi, 2016); soluciones energéticamente eficientes como
(Cao et al., 2017); la gestión de la energía, ya sea dinámica y en dependencia de la
carga de trabajo (Li, 2016), o mediante el uso de un sistema que controle todo el
centro de datos como (Wu et al., 2016); e incluso, el papel del controlador de
eficiencia energética en los centros de datos (Shuja et al., 2016).
Otros se han centrado en la programación como medio de influir en la eficiencia
energética. Como resultado, se han llegado a proponer soluciones como:
transformaciones de bucle anidado de dos niveles que permitan separar
limitaciones de recursos (K. Yang, Wang, Zhou, & Yoshimura, 2017); selección de
host para máquinas virtuales en función del ahorro energético utilizando
8
Simulated Annealing (Sen, Talukder, & Iqbal, 2016); administración de
subprocesos de E/S, basado también en el perfil de eficiencia energética (Qian et
al., 2017); el uso de algoritmos que permitan tomar varias decisiones de manera
conjunta (Mao, Zhang, & Letaief, 2016), asignar tareas a las máquinas virtuales.
4.1 Energía
Dentro del entorno social, tecnológico y económico, la energía es un recurso
natural (primario o derivado) utilizado como soporte en la producción de bienes y
servicios como: transporte, iluminación, refrigeración, calefacción, y otros. Para su
uso, en la mayoría de los casos, los recursos energéticos deben extraerse,
procesarse, transportarse y distribuirse. Entre los diferentes tipos que existen, la
energía eléctrica destaca como la preferida para el apoyo a las diversas actividades
económicas.
4.1.1 ENERGÍA ELÉCTRICA
La energía eléctrica no es más que la diferencia de potencial entre dos puntos que
permiten la aparición de una corriente eléctrica (flujo de electrones a través de un
material conductor). La diferencia de potencial, también llamada tensión o voltaje,
es la cantidad de energía que se le aplica a una carga para desplazarla hasta otro
punto en un tiempo x y su unidad de medida es el voltio (V). Dicha cantidad de
energía puede obtener desde:
• fuentes de energía renovables: son aquellas que recogen energía de recursos
que se encuentran en la naturaleza y son prácticamente inagotables. Entre
estos se pueden encontrar: el sol (energía solar), el viento (energía eólica), el
agua (energía hidráulica), y el calor del interior del planeta (energía
geotérmica).
9
• fuentes de energía no renovables: se encuentran de forma limitada en la
naturaleza. Ejemplo de este tipo son los combustibles fósiles y la nuclear o
atómica. En el país, según las estadísticas de la Red Eléctrica de España
(REE), la principal fuente de energía es la nuclear (Anexo 2).
La UE no rige el desarrollo de las fuentes de energía de los países que la integran
(Unión Europea, 2015). No obstante, los mismos deben tener presentes las políticas
energéticas y los objetivos establecidos por la propia organización.
Objetivo 2020 2030 2050
reducir las emisiones de gases de efecto invernadero 20% 40% 80% – 95%
mejorar la eficiencia energética 20% 27% – 30%
incrementar en el uso de fuentes renovables 20% 27% Tabla 1. Objetivos energéticos de la Unión Europea hasta el 2050.
El consumo energético de los equipos electrónicos depende de su potencia y el
tiempo en funcionamiento, y su facturación se da en kilovatio hora (kWh). La
potencia no es más que la velocidad a la que se consume la energía y la unidad de
medida que le representa es el watt (W).
4.1.2 EFICIENCIA Y AHORRO ENERGÉTICO
Dificultades en la producción (efectos negativos sobre el medio ambiente) y
distribución (incapacidad para afrontar la demanda mundial y elevado coste) de
la energía, ha impuesto la necesidad de crear estrategias que permitan sacar el
máximo provecho a este recurso. Para ello, se han seguido dos premisas
fundamentales: el ahorro y la eficiencia energética. Aunque ambos términos suelen
usarse como sinónimos debido a que su objetivo de economizar recursos
energéticos es el mismo, lo cierto es que existen diferencias entre ellos.
Cuando se habla de ahorro energético se refiere al acto de apagar un equipo
encendido innecesariamente. Para lograr esto es necesario cambiar los hábitos de
consumo de las personas, obteniendo como resultado una disminución en los
10
gastos de energía. Sin embargo, esta acción no garantiza que se mantenga la
calidad de un servicio dado. Mientras, no se puede hablar de eficiencia energética
sin tener en cuenta el desempeño y calidad en los servicios. Esta no involucra
cambios en los hábitos de los usuarios, aunque inicialmente es necesario realizar
inversiones en el ámbito tecnológico principalmente. Se puede lograr mediante
dos formas no excluyentes entre sí: maximizando el uso de determinado recurso y
minimizando la cantidad de energía necesaria al realizar cierta tarea sin
comprometer la calidad de esta. Un ejemplo de la primera es cuando se virtualizan
servidores en un CPD, y la segunda implica el uso de equipos de bajo consumo.
De lo antes expuesto se puede concluir que al hablar de ahorro energético la
responsabilidad recae sobre el usuario y es válida adoptarla en áreas donde la
tecnología no sea un punto crítico. Es decir, si el apagar determinado número de
equipos no impide que una institución cumpla con su objeto social, entonces esta
es una acción válida. En caso contrario, la eficiencia energética es una apuesta
segura, sobre todo en el sector tecnológico, dónde una elección de componentes
teniendo en cuenta su consumo es cada vez más sencillo gracias a la inclusión del
etiquetado energético. No se debe olvidar que ser eficientes energéticamente tiene
que ir de la mano con el desempeño de los equipos de TI, y garantizando la calidad
en los servicios.
4.1.3 SUPERVISIÓN DEL CONSUMO ENERGÉTICO
Hasta el momento se ha hablado del consumo y la energía. Sin embargo, ¿cómo
conocer cuánto se consume y cuándo hay que ahorrar? Existen equipos de
medición que permiten obtener lecturas de consumo. Evidentemente, realizar una
lectura en un momento determinado no da una idea real del consumo, por lo que
es necesario obtener varias mediciones separadas en períodos de tiempo y bajo
criterios establecidos. Además de obtener información más fiable, este control
11
permitirá realizar comparaciones y detectar si es necesario aplicar medidas de
eficiencia y ahorro energético.
La acción de vigilar no es más que supervisar, la cual también permite evaluar la
efectivad de las medidas de ahorro y eficiencia (Schäppi, 2011). El proyecto
PrimeEnergyIT publicó en 2011 aspectos para tener en cuenta a la hora de realizar
la supervisión. Además, en el mismo documento definió tres niveles:
• Supervisión mínima: se realiza con equipos portátiles y de forma periódica.
• Supervisión avanzada: los datos son registrados en tiempo real gracias al
uso de equipos instalados de forma permanente.
• Supervisión de tecnología de punta: al igual que el anterior, los datos son
recogidos en tiempo real, sin embargo, aquí se encuentran presente
elementos de sistema de registro automatizados y programas con
capacidad de análisis.
Por tanto, se puede decir que la acción de supervisar es una actividad importante
para tener en cuenta en la gestión energética.
4.2 Conclusiones del capítulo
En este capítulo se ha hecho mención a distintas áreas de la computación
relacionadas con este trabajo. También se han citado algunos estudios publicados
en los últimos años, en los que se evidencia la importancia que tiene para la
comunidad científica lograr el desarrollo de productos cada vez más sostenibles.
Además, al establecer algunas definiciones relacionadas con el consumo, se ha
llegado a la conclusión de la importancia de la eficiencia energética para contribuir
a alcanzar los objetivos propuestos por la UE.
12
5 GESTIÓN ENERGÉTICA
La gestión energética permite la implantación de sistemas para optimizar el
consumo energético, propiciando herramientas para el ahorro y eficiencia. Para
esto, se vale del análisis del consumo energético de un objetivo determinado,
permitiendo identificar oportunidades de mejoras en el mismo.
5.1 Gestión energética de un ordenador
Determinar la potencia que consume un ordenador resulta sencillo si se dispone
del instrumental adecuado (medidores de potencia que permiten conocer el
consumo real del equipo electrónico al que se encuentra asociado). La fácil
instalación de estos permite que pueda ser manejado por todo tipo de personas,
siendo apropiado para el uso doméstico. Si no se dispone de estos equipos - rara
vez se suele dedicar recursos para su adquisición - entonces pueden hacerse
cálculos o estimaciones. Algunas herramientas para llevar a cabo estos cálculos son
las calculadoras on-line como la de Calcuworld o “OuterVision® Power Supply
Calculator”, aunque la mayoría suelen dar sobre - estimaciones del consumo.
De forma genérica y resumida, se puede decir que sobre el consumo de un
ordenador influyen tres factores básicos:
• Tipo de Ordenador
Cuando se habla de tipo de ordenador pueden venir a la mente muchas
clasificaciones, y todas influyen en la cantidad de potencia que un ordenador
puede necesitar:
o tamaño y potencia: los ordenadores con gran capacidad de
procesamiento y almacenamiento, como los superordenadores,
consumirán más que los microordenadores debido a los
requerimientos de potencia de sus componentes.
13
o marca y modelo: las empresas están obligadas a crear mecanismos
en la fabricación de componentes que les permitan obtener una
ventaja competitiva, por lo que algunas han logrado alcanzar
mejores resultados en el rendimiento de sus equipos teniendo en
cuenta el consumo energético.
o tipo de uso: un servidor multimedia, un portátil, un PC optimizado
para juegos o uno utilizado para tareas de ofimática no consumen lo
mismo. Es decir, un computador que esté realizando tareas en las
que se requiera gran potencia de cálculo o de gráfico, va a consumir
más que uno que realice funciones básicas.
• Tiempo de Uso
Todos los equipos electrónicos consumen energía mientras estén conectado al
sistema eléctrico. En el caso de los ordenadores, hay que tener presente que estos
tienen tres estados energéticos principales: encendido (on), apagado (off) y
suspendido (stand by). Para los ordenadores de sobremesa, cabe recordar que hay
que adicionar el consumo del monitor.
• Comportamiento y costumbres de los usuarios
Pensar en una oficina en la cual trabajen dos personas. Ambos trabajadores llegan
y encienden su ordenador a las 8:00 am. Una hora después, ambos empleados se
dirigen para una reunión. Al levantarse de sus asientos, uno de ellos apaga su
monitor y pone en modo suspensión su equipo, mientras el otro no realiza dichas
acciones. Evidentemente el consumo energético de ambos equipos no será igual.
No todas las personas tienen un pensamiento “verde”, por lo que los despilfarros
son situaciones comunes principalmente en las oficinas, dónde muchas veces falta
el pensamiento de pertenencia.
Si se tienen en cuenta los factores anteriores, la tarea de calcular el consumo
energético de los ordenadores en las empresas se complejiza. Sin embargo, en
14
muchas organizaciones es sabido que dichos elementos no son tenidos en cuenta,
por lo que suelen cometerse incorrecciones que impiden obtener resultados reales
sobre el consumo. Entre los errores más comúnmente cometidos García (García,
2015) describe los siguientes: olvidar calcular el gasto de la pantalla del ordenador;
no conocer el significado de la especificación energética indicada por el fabricante
de la fuente; o multiplicar el consumo de un ordenador por el total de equipos.
5.1.1 MODELO DE CONSUMO DE UN ORDENADOR
La energía consumida (E) de un equipo electrónico depende de la potencia (P) y el
tiempo (t) que necesita para llevar a cabo una acción (i) determinada.
Matemáticamente, y de forma muy general, se puede establecer dicha relación
como se muestra en la ecuación definida en (1).
𝐸𝑖 = 𝑃 × 𝑡 (1)
En los equipos de cómputo, el tiempo para llevar a cabo un trabajo asignado va a
depender de la capacidad que tenga la máquina para realizar millones de
instrucciones por segundo (MIPS) y de la longitud de dicha tarea. Además, la
energía va a depender de los sistemas electrónicos que tenga incorporado y
participen en la ejecución de dicha acción i como: tarjeta madre, procesador,
memoria, almacenamiento (disco duro, DD), y otros (2):
𝐸𝐶𝑜𝑚𝑝𝑢𝑡𝑎𝑑𝑜𝑟 = 𝐸𝑇𝑎𝑟𝑗𝑒𝑡𝑎 𝑚𝑎𝑑𝑟𝑒 + 𝐸𝑃𝑟𝑜𝑐𝑒𝑠𝑎𝑑𝑜𝑟 + 𝐸𝑀ó𝑑𝑢𝑙𝑜𝑠 𝑑𝑒 𝑚𝑒𝑚𝑜𝑟𝑖𝑎 + 𝐸𝐷𝐷 + 𝐸𝑂𝑡𝑟𝑜𝑠 (2)
Los procesadores de los ordenadores modernos son capaces de variar el voltaje
que necesitan según su carga de trabajo, por lo que son un componente que
influyen de manera dinámica en la energía total. Mientras, el resto de los
componentes mantiene un consumo estable. Por todo esto, se puede simplificar la
ecuación anterior de la siguiente manera (3):
15
𝐸𝐶𝑜𝑚𝑝𝑢𝑡𝑎𝑑𝑜𝑟 = 𝐸𝐸𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝑑𝑒 𝑃𝑟𝑜𝑐𝑒𝑠𝑎𝑚𝑖𝑒𝑛𝑡𝑜 + 𝐸𝑆 (3)
Dónde 𝐸𝐸𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝑑𝑒 𝑃𝑟𝑜𝑐𝑒𝑠𝑎𝑚𝑖𝑒𝑛𝑡𝑜 es la energía consumida por el procesador
(dinámica, como se ha explicado antes) y 𝐸𝑆 es la energía consumida por el resto
de los componentes (estática, ya que no variará).
5.1.2 GESTIÓN ENERGÉTICA DE UN COMPUTADOR
Como se mencionó anteriormente, los ordenadores tienen tres estados energéticos
principales: encendido, apagado y suspendido. Las necesidades energéticas de
cada uno de ellos pueden consultarse en las certificaciones medioambientales de
cada fabricante. No obstante, de manera general se puede decir que la diferencia
de consumo en un ordenador en estado apagado no suele diferenciarse mucho a
su consumo en estado suspendido. Por tanto, cabe evaluar en qué casos es más
conveniente apagar o suspender el equipo.
5.2 Gestión energética en un Centro de Procesamiento de Datos (CPD)
Los centros de procesamiento de datos (también llamados centros de cómputo,
cálculo o datos), son espacios físicos en los que se ubican recursos que le permiten
a una organización el procesamiento de la información necesaria para su
funcionamiento. El tamaño de dicho espacio suele ser variable. El equipamiento
informático y electrónico, por lo general suele estar diseñado de manera
redundante para garantizar continuidad del servicio en caso de fallo. Además, se
suelen implementar medidas de seguridad y mantenimiento que permitan
garantizar la fiabilidad de los datos que almacenan.
Desde hace unos años y hasta la actualidad, los CPD tradicionales están dando
lugar a los orientados al modelo de computación en la nube (5.2.1) por las ventajas
que conlleva. Sin embargo, entre los desafíos que presenta este modelo se
encuentran las cuestiones referentes a la gestión energética. La diversidad de
factores implícitos en un centro de esas características hace que el campo de
16
investigación en ese tema sea amplio y complejo de abordar. No obstante, se han
publicado una serie de métricas que permiten evaluar que tan sostenible es, o
puede llegar a ser, este modelo (
17
Anexo 3: Métricas de eficiencia Energética).
5.2.1 COMPUTACIÓN EN LA NUBE
(Mayevsky, 2013), recoge algunas de las definiciones más significativas que se han
publicado sobre el tema. De manera resumida, este no es más que un modelo en el
que los recursos y servicios de TI son aprovisionados a través de Internet. Para el
usuario final, ya sea una organización o persona, significa la adopción de un
modelo dinámico y elástico, en el que paga por lo que consume. Además, las
empresas al externalizar sus servicios de TI evitan las preocupaciones sobre
aspectos técnicos inherentes a la propia entidad, mejorando por ende su
funcionamiento. Evidentemente, esto conlleva transformaciones en la estructura
organizativa de TI y en el modelo de negocio de la compañía.
El National Institute of Standards and Technology (NIST) de Estados Unidos de
América considera que los actores que interactúan con la nube pueden dividirse
en cinco grupos principales:
• Consumidor: es la persona o entidad que utiliza los servicios de la nube
como resultado de un contrato comercial establecido con el proveedor de
esta.
• Proveedor: es la persona o entidad responsable de brindar los servicios a
los interesados.
• Auditor: persona o entidad, que puede ser independiente, que realiza una
evaluación sobre los servicios, sistema de información, rendimiento y
seguridad de las implementaciones de la nube.
• Operador: es un intermediario que provee conectividad y transporte de los
servicios de la nube desde los proveedores hasta los consumidores
18
• Intermediario: entidad que sirve de mediador entre el proveedor y el
consumidor, así como administrar el uso, rendimiento y entrega de
servicios en la nube.
La CC se puede clasificar en tres modelos de servicios (Mell & Grance, 2011)
(Armbrust et al., 2010):
• Aplicaciones como servicio (Software as a Service, SaaS): este modelo permite
que el usuario tenga acceso a las aplicaciones que se encuentran alojadas en
la nube mediante Internet. Las aplicaciones son variadas, y van desde el
correo hasta soluciones empresariales de CRM.
• Plataforma como servicio (Platform as a Service, PaaS): este modelo ofrece
como servicio un entorno en el que los usuarios pueden crear sus propias
aplicaciones. Las herramientas proporcionadas pueden ir desde: sistema
operativo, sistema gestor de base de datos. Herramientas de diseño y
desarrollo, soporte técnico, hosting, y otras. Al igual que en el modelo
anterior, a la plataforma se accede mediante Internet.
• Infraestructura como servicio (Infrastructure as a Service, IaaS): este modelo
brinda acceso a una infraestructura de procesamiento principalmente
virtualizada. Al contratar este servicio se pueden encontrar recursos como:
espacio en servidores virtuales, ancho de banda, balanceadores de carga y
demás.
También pueden agruparse según su nivel de acceso o despliegue en:
• Privada: implantada para uso exclusivo de una organización. Puede ser
administrada por la propia empresa o por terceros.
• Pública: está abierta para todo tipo de público, por lo que usuarios
diferentes pueden compartir un mismo ordenador físico.
• Híbrida: es una combinación de los otros modelos de despliegue.
19
• Comunitaria: da soporte a una comunidad con objetivos comunes, y puede
estar formada por varias organizaciones. La bibliografía actual no se hacen
eco de esta modalidad.
5.2.2 CONSUMO ENERGÉTICO
A pesar del enfoque ecológico que se la ha dado a los entornos en la nube, entre
los problemas que presenta esta infraestructura (Hameed et al., 2016) se hace
especial atención en la necesidad de reducir sus emisiones de carbono. En la
primera década del 2000, varios estudios valoraban que aproximadamente entre el
1.3% y el 2% del consumo energético a nivel mundial correspondía a los CPDs
(Möbius, Dargie, & Schill, 2014) . Además, se estimaba que el consumo aumentaría
cada año debido a las crecientes necesidades informáticas impuestas
principalmente por la IoT y el Big Data, ello a pesar de que los equipos son cada
vez más eficientes energéticamente. Por otra parte, la energía necesaria por el resto
de los elementos que forman parte de estos ecosistemas, como el sistema de
refrigeración, tienen gran influencia en el consumo energético.
Desde un punto de vista económico, desde hace más de 10 años se especula con la
idea que el precio de adquisición de un servidor puede llegar a ser inferior al del
coste de la energía y de climatización necesario para que funcione de forma
óptima. A esta conclusión es fácil llegar al analizar cómo los precios de los
servidores han ido disminuyendo mientras el coste de la electricidad aumenta (el
año 2017 fue reportado como el más caro desde el 2008 en España).
Para que el modelo de la nube sea ambientalmente sostenible, es necesario
optimizar el consumo de energía, o lo que es lo mismo, lograr estar lo más cerca
posible del valor ideal establecido por métricas como la PUE (9.3.1) o la PI (9.3.3).
Por tanto, es esencial conocer cómo se reparte el consumo de electricidad dentro
del CPD y actuar en consecuencia.
20
De manera general es muy difícil evaluar el desempeño del consumo energético
de las infraestructuras de la nube. La mayor parte de la información publicada son
estimaciones generales con datos de más de una década. Otra dificultad, proviene
de la propia naturaleza de los datos de consumo, los cuales varían en dependencia
de quien los publica y de las infraestructuras de dónde son tomados, sin tener en
cuenta características como:
• ubicación geográfica: este aspecto es de vital importancia a la hora de
diseñar el sistema de enfriamiento del centro de datos. Es decir, un CPD
ubicado en una zona templada requerirá menos gastos asociados con la
climatización, que uno ubicado en una zona tropical. Debido a esto, las
grandes multinacionales de la industria están apostando por zonas como
Suecia (con su centro de inversión y desarrollo para inversores dentro del
área de la nube) (Node Pole, 2017), Irlanda (Facebook, 2017), Finlandia
(Google, 2017b). El proyecto Natick ha decidido ir un poco más lejos,
planteando la idea de centros de datos submarinos (Microsoft, 2016).
• fiabilidad del CPD: al diseñar y construir un CPD, entre las características a
tener en cuenta se halla la disponibilidad de los datos. En 2005 es publicado
el estándar TIA-942 (TIA-942, 2017), el cual establece 4 niveles (Tiers)
basados en el nivel de redundancia de los componentes del CPD para
conseguir una determinada disponibilidad. En dicho estándar se refleja que
a mayor Tier, mayor disponibilidad (Tabla 2).
Tabla 2. Tier. Características principales.
Sin embargo, aunque dichos modelos son simplistas, muchos parecen coincidir en
que la mayor carga de consumo procede de los equipos de TI (a los que les
Tier Disponibilidad (%) Características principales
Tier I 99.671 Centro de datos básico. Sin componentes redundantes.
Tier II 99.741 Presenta redundancia en sus componentes.
Tier III 99.982 Mantenimiento concurrente y simultáneo.
Tier IV 99.995 Tolerante a fallos.
21
corresponde el 50% del consumo total) seguida por el sistema de enfriamiento (que
puede variar entre el 31 y 40%) (Gráfico 1). Mientras, modelos más pesimistas (o más
antiguos en el que toman como ejemplo centros de datos con un crecimiento
desestructurado y multitud de configuraciones) sugieren que el consumo de la
infraestructura supera al del equipamiento de TI (Gráfico 2). Sea uno u otro modelo,
lo cierto es que han permitido evaluar dónde se encuentran las mejores
oportunidades de ahorro. Como resultado, se han promovido medidas de
eficiencia y ahorro para los dos mayores grupos de consumo: los equipos de TI y
el sistema de enfriamiento.
5.2.3 MODELO DE CONSUMO DE LA NUBE
En el consumo de un CPD orientado a la nube influyen dos grandes grupos, según
lo visto anteriormente: el de los equipos TIC más el consumo de toda la
infraestructura creada para permitir dar soporte a los equipos TIC y prestar los
servicios. Además, se puede incluir un factor de fiabilidad (𝑇) (4).
𝐸𝐶𝑃𝐷 = 𝑇(𝐸𝐼𝑛𝑓𝑟𝑎𝑒𝑠𝑡𝑟𝑢𝑐𝑡𝑢𝑟𝑎 + 𝐸𝑇𝐼𝐶) (4)
Dónde, 𝐸𝐼𝑛𝑓𝑟𝑎𝑒𝑠𝑡𝑟𝑢𝑐𝑡𝑢𝑟𝑎 es la energía consumida por el sistema de climatización,
iluminación, SAIs y demás. Mientras 𝐸𝑇𝐼𝐶 es el consumo de los equipos
informáticos (procesamiento y almacenamiento) y redes (5):
Gráfico 1. Consumo energético de un CPD
Gráfico 2. Consumo energético de un CPD
(visión general)
50%
37%
10%3%
Equipos TI Sistema de climatización
UPS, transformadores Iluminación
36%
64%
Equipos TI Instalaciones
22
𝐸𝑇𝐼𝐶 = 𝐸𝑆𝑒𝑟𝑣𝑖𝑑𝑜𝑟𝑒𝑠 + 𝐸𝐴𝑙𝑚𝑎𝑐𝑒𝑛𝑎𝑚𝑖𝑒𝑛𝑡𝑜 + 𝐸𝑅𝑒𝑑𝑒𝑠 (5)
𝐸𝑆𝑒𝑟𝑣𝑖𝑑𝑜𝑟𝑒𝑠 será la energía consumida por los n servidores del CPD, donde n es el
total de esos equipos. Dado que no todos los equipos consumen lo mismo,
matemáticamente se podría expresar mediante la expresión (6):
𝐸𝑆𝑒𝑟𝑣𝑖𝑑𝑜𝑟𝑒𝑠 = ∑ 𝐸𝑆𝑒𝑟𝑣𝑖𝑑𝑜𝑟𝑖
𝑛𝑖=1 (6)
𝐸𝐴𝑙𝑚𝑎𝑐𝑒𝑛𝑎𝑚𝑖𝑒𝑛𝑡𝑜 y 𝐸𝑅𝑒𝑑𝑒𝑠 es el consumo de los equipos dedicados al
almacenamiento y redes respectivamente.
5.2.4 ANÁLISIS DE LOS COMPONENTES QUE INFLUYEN EN EL CONSUMO
Gracias a la elaboración de los perfiles de consumo de energía, se han podido
caracterizar diferentes patrones en un sistema de infraestructura en la nube. Desde
una perspectiva generalista, se puede plantear la existencia de dos modelos
diferenciados por el papel que juegan en el CPD: infraestructura (se ubican los
recursos que permiten el funcionamiento de los equipos de TI, como el sistema de
climatización, la iluminación, los equipos necesarios para garantizar la energía
eléctrica) y el equipamiento de TI (equipos informáticos y de comunicaciones,
como servidores y los componentes de redes).
5.2.4.1 Infraestructura
Sistema de climatización
El sistema de climatización se encuentra en todo CPD, ya sea tradicional o aquellos
que dan soporte al modelo CC; ya sea pequeño, mediano o grande. Esto es debido
a que condiciones ambientales adecuadas garantizan un correcto funcionamiento
de los equipos TI. La humedad, por ejemplo, en exceso (ambiente húmedo) puede
resultar en condensación en las partes electrónicas, mientras en defecto (ambiente
seco) puede provocar que la electricidad estática dañe la información. El polvo
puede ocasionar perdidas en la capacidad de disipación del calor y dañar
23
físicamente circuitos y equipos sensibles. Temperaturas elevadas afectan el
rendimiento de los equipos y acortan su vida útil. Los daños provocados por la
mala gestión de estos parámetros provocan afectación en el servicio por tiempo de
inactividad como consecuencia de las reparaciones, lo que además afecta la
economía al incurrir en gastos no planificados e incumplimientos de los SLA.
Al implementar la climatización se deben en cuenta varios conceptos. De esta
manera se podrá diseñar un sistema de enfriamiento que corresponda con la
densidad a la que operan los racks. (Nuno, Rivas, & Ares, 2006) refiere los
principios básicos de climatización y describe los rasgos técnicas y operativos que
debe tener este tipo de modelo. Entre las características que se deben manejar se
encuentran:
• Sistema para disipar el calor: sistema de aire de confort recomendado para
lugares con calor latente (presenta humedad) o sistema de aire de precisión,
efectivo contra el calor sensible (sin humedad, aire seco).
• El modo de refrigeración de los equipos:
o De expansión directa con condensador enfriado con aire
o De expansión directa con condensador enfriado con agua fría en la
torre de enfriamiento
o De doble fluido
o Con sistema free-cooling
• Selección de la forma de distribución del aire, el cual puede ser:
o Por la región del suelo técnico o falso
o Por encima de la máquina
o Mediante rejillas frontales
o Sistema Displacement
• Sistema de enfriamiento, el cual puede ser enfocado: al local o cuarto
(room), en filas o entre racks (in-row) y directa al rack.
24
Según (Andaluz, 2018), de la energía requerida por el sistema de refrigeración solo
el 25% es aprovechada en lograr las temperaturas adecuadas, el resto se pierde en
calor. Por tanto, es necesario aplicar soluciones que permitan optimizar este
sistema. Las técnicas para lograr una mejora en la climatización son varias y
pueden combinarse para lograr mejores resultados. Se pueden catalogar en dos
grupos: las primeras son producto de las mejoras técnicas de los equipos, mientras
el segundo grupo va orientado a una mejora organizativa para obtener los
máximos beneficios de los recursos existentes. Dentro de este segundo grupo se
pueden encontrar: la gestión de los pasillos fríos / pasillos calientes y su evolución,
el encerramiento de estos según el tipo de aire (CACS y HACS); free-cooling;
instalación de puertas traseras de reducción de carga térmica, sellado de fugas y el
uso de placas o paneles ciegos para evitar, o disminuir, las mezclas de aire.
Una tendencia antigua era hallar en los locales donde se encontraban los servidores
configuraciones ineficientes. Las temperaturas bajas, por lo general inferiores a
22ºC, provocaban despilfarro de energía producto del trabajo innecesario de los
equipos de refrigeración. Mientras que, con las temperaturas altas prevalecía el
consumo de los ventiladores internos de los equipos. Por tanto, en la actualidad en
muchos centros de datos se adoptan los valores sugeridos por la guía de ASHRAE,
quienes recomiendan que la temperatura de entrada de aire a los equipos de TI
esté entre los 18ºC y 27ºC, e incluso sugieren que el rango de valores óptimos se
encuentra entre los 24ºC y 27ºC.
Para lograr el control de la temperatura se plantea la necesidad de instalar sensores
en varios puntos de la infraestructura, principalmente en varios de los niveles de
los racks. Esto se debe a que no en todos ellos existe la misma carga de trabajo, por
lo que pueden existir diferencias en el valor de este parámetro, incluso en un
mismo armario (Figura 1). Otro motivo para ubicar sensores cerca de los equipos TI,
es debido a que la temperatura del aire que sale del equipo de refrigeración difiere
a la de llegada a dichos equipos, la cual es la que se necesita controlar.
25
Figura 1. Diferencias de temperatura en racks. The Green Grid (ref 148)
Los valores recomendados para la humedad relativa están siendo valorados en los
últimos tiempos. Hasta hace unos tres años se consideraban valores permitidos
aquellos que se encontraban en el rango entre el 20% y 80%, siendo recomendable
el intervalo entre 40% y 55%. Sin embargo, la ASHRAE ha puesto en duda este
criterio. Don Beaty ha dado a conocer que se puede llegar a operar al 8%, lo que
permitiría aumentar la temperatura en el CPD y aprovechar el aire exterior en el
proceso de refrigeración (Datacenter Dynamics, 2015) .
No obstante, al igual que en el caso de la temperatura, alcanzar los valores de
humedad relativa deseados dependerá de la eficiencia de los equipos de
climatización y de la eficacia de los sensores presentes en ellos.
Iluminación
Desde siempre el hombre ha necesitado la luz para poder ver. Al principio
utilizaba la luz del sol, y después descubrió el fuego, lo que le permitió iluminarse
por las noches. Más tarde la evolución permitió nuevas formas de transportar y
mantener el fuego, con lo que surgen los candiles, teas, velas, lámparas de aceite.
Nuevas formas de procesamiento de sustancias permitieron el desarrollo de la
iluminación con gas, la cual dio paso a la era de la iluminación eléctrica.
26
Existen varios tipos de iluminación eléctrica, entre las que se pueden encontrar:
lámparas incandescentes (y su evolución: las halógenas), fluorescentes, de neón,
de vapor de sodio y las de diodos emisores de luz (LED). Debido a los principios
de funcionamiento, algunas diferencias entre ellas son: consumo eléctrico,
generación de calor, temperatura de color, costo y vida útil. Entre ellas, las más
eficientes energéticamente son las de vapor de sodio a baja presión y las que
utilizan tecnologías LED.
Consecuencia de la baja eficiencia, las lámparas incandescentes y halógenas, estas
se encuentran reguladas por los reglamentos de la UE 244/2009 (Diario Oficial de
la Unión Europea, a) y 1194/2012 (Diario Oficial de la Unión Europea, b). Las
lámparas de vapor de sodio a baja presión son utilizadas principalmente en viales
por el color naranja que emiten, y aunque son eficientes energéticamente, tienden
a distorsionar la percepción de colores.
La iluminación con lámparas LED (Nakamura, Pearton, & Fasol, 2013) es una
opción energéticamente sostenible. Este tipo de lámparas no contiene gases tóxicos
ni mercurio. La mayor parte de la potencia consumida la transforma en luz
(rendimiento luminoso de 100 lm/W), por lo que su eficiencia es bastante alta en
comparación con los otros tipos (las incandescentes pierden en calor alrededor del
85% de la potencia consumida; las fluorescentes, en dependencia de su tipo
pueden perder hasta un 50%) (Ortuño, 2016) . Además, algunas permiten regular
la intensidad de la luz. Aunque en un principio la inversión en este tipo de
tecnologías pueda ser considerada alta en comparación con los otros sistemas, a
largo plazo dicho
Otra forma de contribuir con el ahorro energética en este punto es mediante la
implantación de un sistema de control automático de iluminación. En estos
sistemas, los sensores juegan un papel primordial y pueden combinarse el uso de
tres tipos: sensor de luminosidad, sensor de presencia y sensor de movimiento.
27
Aunque el ahorro que se puede obtener en el caso de la iluminación puede ir entre
1% y 3%, este no debe ser un punto para olvidar. Es decir, si se considera que a un
CPD X de Y tamaño le llega una factura mensual de 35.500€, el ahorro anual
representaría 12.780€, lo cual es una cifra a tener en cuenta.
Sistemas de alimentación y generadores
Los modelos de eficiencia energética no suelen tener en cuenta las grandes
pérdidas de electricidad que se producen al transformar la corriente alterna a
continua, o viceversa. Sin embargo, en un CPD estas transformaciones pueden
sucederse varias veces antes de llegar a los equipos para su consumo.
Los SAIs, además de permitir el funcionamiento de los equipos electrónicos en
caso de falla en el suministro eléctrico permiten filtrar subidas y bajadas de tensión
en la red y convertir la AC a CD. Sin embargo, los mayores gastos de energía se
deben a las pérdidas de conmutación en el inversor y los transformadores. La
eficiencia en estos sistemas se mide teniendo en cuenta la energía logran
transformar. Por tanto, es necesario seleccionar sistemas de alimentación
ininterrumpida, SAI (uninterruptible power supply, UPS) lo más optimizados
posibles. Según Energy Star, se pueden encontrar SAIs con un rango de eficiencia
entre el 92% y 95%, aunque algunos han reportado alcanzar eficiencias mayores.
Los centros de datos además suelen contar con generadores eléctricos de reserva.
5.2.4.2 Equipos TI
Los equipos pueden dividirse en dos grupos: servidores y equipos de redes.
Redes
La eficiencia energética de las redes en un CPD va a depender de dos factores: la
arquitectura y los equipos de redes. El consumo eficiente de los componentes
vendrá dado por su gestión energética la cual estará vinculada principalmente, con
28
la gestión energética de los servidores o dispositivos de almacenamiento. Mientras,
en la arquitectura uno de los factores a tener en cuenta es el cableado, ya que una
correcta configuración de estos permitirá mejorar las velocidades de transmisión y
con ello, reducir el consumo relacionado con la transmisión de datos.
Otros aspectos de los que dependerá la eficiencia energética son: el ancho de
banda, la latencia, acuerdos a nivel de servicio y las aplicaciones.
Otro recurso que permite disminuir el consumo es la consolidación de diversos
dispositivos de red gracias a la técnica de virtualización. Al igual que ocurre con
los servidores, al ser virtualizada la red se logra disminuir la cantidad de
dispositivos físicos necesarios al brindar un determinado servicio. Los equipos a
los que se hace referencia no son solo aquellos relacionados con las redes, sino
también que se elimina la necesidad de fuentes de alimentación, refrigeración y
espacio en racks asociados.
Servidores
Como sucede con todos los equipos electrónicos, la eficiencia energética en
servidores ha mejorado a la par que los fabricantes de hardware han tomado
conciencia sobre la sostenibilidad y los países y empresas han establecido
directrices ecológicas. Han aparecido empresas como Energy Star, que identifican,
promueven y avalan productos con un consumo eficiente de energía. No obstante,
se pueden asumir medidas para hacer más eficientes los equipos TI ajustando sus
especificidades según las necesidades existentes. Para esto, se necesita conocer que
componentes son los que más consumen en los servidores según su carga de
trabajo.
El Dr. Schäppi estableció, como uno de los resultados del proyecto PrimeEnergyIT,
que la unidad central de procesamiento (CPU) es el elemento que más consume en
un servidor. (Rodero & Guim, 2012) también plantea que la potencia disipada por
29
este es la mayor en comparación con los otros componentes de un ordenador
típico. Dicho consumo, depende del voltaje y de la frecuencia del reloj de la propia
CPU. El voltaje del núcleo (VCORE) es la cantidad de corriente que se le suministra a
los núcleos del procesador. Mientras, la frecuencia del reloj establece la cantidad
de veces en un segundo que un transistor puede conmutar eléctricamente. Por
tanto, no es raro pensar que al escalar la velocidad del procesador disminuyendo
su frecuencia, también se reduce la potencia y, por ende, el calor generado. Sin
embargo, se ha de tener presente que estas reducciones también influirán sobre el
rendimiento del equipo, por lo que es necesario probar como pueden afectar las
configuraciones en los sistemas de entorno crítico especialmente.
Rodero en su documento como apoyo docente en la Universitat Oberta de Catalunya,
dónde explica algunas características y definiciones del consumo energético a nivel
de circuitos. Además, se definen dos grupos de clasificación de las estrategias de
gestión energética en circuitos como la CPU:
• Apagado dinámico de recursos: técnica que permite a los componentes que
no están siendo utilizados pasar a estados de menor consumo, hasta ser
necesarios por el sistema. Para el caso de los procesadores, la Advanced
Configuration and Power Interface (ACPI) ha declarado varios estados
(Unified EFI Forum, 2017) soportados por los sistemas operativos comunes.
• Escalado dinámico: permite reducir o incrementar la potencia de un
componente, el CPU en este caso, mediante la variación dinámica del
voltaje y la frecuencia (6.2.1).
5.3 Conclusiones del capítulo
En este capítulo se ha analizado el consumo energético en centros de datos y de los
sistemas que lo integran. Como resultado, se obtuvieron patrones que permitieron
identificar al sistema de climatización y al equipamiento de TI, como las áreas que
más influyen en el consumo y, por ende, las principales en las que las que se
pueden obtener mayores resultados de eficiencia energética. Sin embargo, los
30
datos que sirvieron como base para el estudio son obsoletos y muchos parecen
tener una procedencia en común. Como resultado, las representaciones del sistema
de climatización no representan su comportamiento real actual, al no considerar
los cambios de comportamiento de los CPD a pesar de que muchos adoptan las
configuraciones promovidas por ASHRAE, diferentes técnicas que mejoran los
flujos de aire y los avances en los equipos de refrigeración.
Debido a esto, y unido a la falta de publicaciones actuales con datos reales del
comportamiento del consumo en un CPD, se ha llegado a la conclusión de centrar
la investigación en cómo disminuir el consumo eléctrico de los servidores
mediante la gestión del microprocesador. Además, el equipamiento TI es una
variable que se reformará, en función de la demanda, con mayor frecuencia que
los equipos de refrigeración.
6 MODELO DE EFICIENCIA ENERGÉTICA PARA
PROCESADORES
6.1 Modelos de eficiencia energética publicados
La necesidad de gestionar la energía en el sector de las TIC, han promovido el
desarrollo de diversas investigaciones, algunas mencionadas anteriormente y
otras analizadas en (Mastelic & Brandic, 2015). Además, se han dado a conocer
varios modelos que permiten gestionar el consumo energético en servidores. Entre
ellos, se presentarán los que se consideren de interés para el desarrollo de este
trabajo, prestando especial interés a los modelos de potencia de procesadores.
(Husain Bohra & Chaudhary, 2010) presenta la correlación entre el consumo total
de energía del sistema y la utilización de recursos como: la CPU, la caché, el disco
y la memoria, para desarrollar su modelo VMeter. (Sarji, Ghali, Chehab, & Kayssi,
2011) propone dos modelos basados en la migración de máquinas virtuales y
basados en análisis estadístico: el primer modelo plantea el apagado del servidor
31
inactivo resultante de la migración, mientras el segundo propone dejarlo en estado
de suspensión. Evidentemente, la diferencia entre ambas propuestas radica en la
energía y tiempo necesarios para poner el servidor en estado operativo. (Bi et al.,
2017) también presenta dos modelos analíticos que consideran la capacidad de
procesamiento de la CPU: uno para calcular beneficios en un centro de datos de
nube virtualizado y otro de sistema probabilístico para tratar estados no
estacionarios. (Lin et al., 2017) estima la eficiencia energética bajo diferentes niveles
de carga de trabajo con un error del 3%, para lo cual combina modelos de
rendimiento y potencia del servidor. Mientras, (Juarez, Ejarque, & Badia, 2018)
calcula el consumo resultante de ejecutar una determinada aplicación
proponiendo, además, una metodología que permite determinar los diferentes
perfiles de potencia involucrados. (Makaratzis, Giannoutakis, & Tzovaras, 2018)
examina las herramientas de simulación de código abierto más utilizadas,
centrándose en las métricas y modelos que permiten simular un determinado
comportamiento de la infraestructura de nube. Para cada simulador se describen
los modelos de consumo de CPU, red, memoria y otras características que
consideran de interés.
(Anton & Rajkumar, 2012) plantean como el auge de los servidores multinúcleos y
la virtualización complejizan el modelado analítico. No obstante, entre los modelos
de potencia más utilizados para representar el consumo energético de un servidor
se encuentran los basados en la regresión lineal (Beloglazov, Abawajy, & Buyya,
2012), ya que son sencillos de ajustar. (Mazumdar & Pranzo, 2017) asumen que el
consumo de energía de un servidor aumenta linealmente a medida que se
incrementa la carga de trabajo, por lo que utilizan este tipo de relación al definir
una formulación para la ejecución de servidores y migración de máquinas
virtuales. (Zhu, Zhuang, & Zhang, 2017) plantean que esta relación lineal se
mantiene aún en el caso de aplicar DVFS, y lo aplican al desarrollar su método
TVRSM que permite disminuir el consumo y violaciones de SLA a la par que
32
mantiene un equilibrio en la nube. Sin embargo, en (Jena, Vijayaraja, & Sahu, 2016)
llegan a la conclusión que un modelo cúbico permite gestionar un consumo
eficiente de la energía al migrar máquinas virtuales. Para ello comparan los
resultados con otros tres modelos: el lineal, el cuadrático y de raíz cuadrada.
(Lin, Wu, Wang, Wang, & Hsu, 2016) realizan un análisis crítico de los modelos de
consumo del procesador, la memoria y el disco. En su investigación reflejan como
el modelo lineal es el más utilizado al expresar la relación entre el consumo de
energía de la CPU y la carga de trabajo. Mientras, para expresar la correlación entre
la potencia de la CPU y la frecuencia el modelo cúbico ofrecía mejores resultados.
Para el caso de los procesadores que aceptan el escalado dinámico de frecuencia y
voltaje (DVFS) analizan la propuesta de (Song, Li, Wang, & Zhu, 2013), que
considera frecuencia y utilización de la CPU, aunque no es fácil de entrenar.
Además, plantean que, aunque el modelo lineal ofrece una precisión relativamente
buena, en ocasiones presenta errores producto de los cambios en la manufactura
de los componentes, por lo que un modelo basado en la función polinomial para
estimar la potencia puede compensar el defecto de inexactitud del lineal. Por
último, proponen un modelo de potencia para los procesadores de las máquinas
virtuales, ya que los comportamientos de una CPU física y otra virtual difieren,
aún en el mismo servidor.
(Armenta-Cano et al., 2017) utiliza un modelo híbrido no linear en el que considera
el consumo de energía como una función que toma en cuenta la utilización del
CPU y la concentración de trabajos.
6.1.1 COMPARACIÓN ENTRE LOS MODELOS DE POTENCIA DE LA CPU
Modelo Lineal: Pu = u (Pmax - Pinact) + Pinact
Contexto de
aplicación
Referencias Ventajas Desventajas
Relación entre
consumo de
(Panda, Silpa, Shrivastava,
& Gummidipudi, 2010)
(Moemi & Ekabua, 2013)
• Modelo simple
y conciso.
• Depende de la potencia
máxima y la inactiva.
33
energía y uso
de la CPU.
(Mazumdar & Pranzo, 2017)
(Zhu et al., 2017)
• Precisión
relativamente
buena.
• Depende de la arquitectura,
por lo que cambios en la
tecnología puede conllevar
errores menores o mayores.
Tabla 3. Características del modelo lineal de consumo del procesador.
Modelo Cuadrático: Pu = u2 (Pmax - Pinact) + Pinact
Contexto de aplicación Referencia Ventajas Desventajas
Relación entre potencia
y rendimiento
(Lin et al., 2017)
• Modelo simple.
• Buena precisión.
• Depende de la
potencia máxima y
la inactiva.
• Depende de la
arquitectura.
Relación entre consumo
y frecuencia
(Petrucci, Carrera,
Loques, Leite, &
Mosse, 2011)
Tabla 4. Características del modelo cuadrático de consumo del procesador.
Modelo Cúbico: Pu = u3(Pmax - Pinact) + Pinact Contexto de aplicación Referencia Ventajas Desventajas
Relación entre el
consumo de energía y la
frecuencia
(Kim, Anton, &
Rajkumar, 2011)
• Sirve como enfoque
para estimar la
potencia máxima de
la CPU.
• Menor error que los
modelos anteriores.
• No siempre se puede
garantizar el uso
máximo de la CPU.
• No es adecuado para
aplicaciones que
requieran poca CPU.
Relación entre consumo
y uso de la CPU
(Jena et al., 2016)
Tabla 5. Características del modelo cúbico de consumo del procesador.
Modelo Polinomial: Pu = uβα + Pinact Contexto de aplicación Referencia Ventajas Desventajas
Relación entre consumo
de energía y uso de la
CPU.
(Lin et al., 2016) • Compensa el
defecto de
inexactitud del
modelo lineal.
Tabla 6. Características del modelo polinomial de consumo del procesador.
Modelo Interpolación Lineal: Pu=Pu1+(Pu2
-Pu1)
u-u1
u2-u1
Contexto de aplicación Referencia Ventajas Desventajas
Se cuenta con datos
reales de medición (Makaratzis et al., 2018) • Es el modelo más
preciso, ya que
depende de datos
reales.
• No siempre están
disponibles los
datos reales de
consumo.
Tabla 7. Características del modelo interpolación lineal de consumo del procesador.
Modelos para servidores que soportan DVFS Modelo Referencia Ventajas Desventajas
Pu = (Pmax - Pinact) V2 * f *
u + Pinact
(Lin et al., 2016)
• Considera la
frecuencia y el
voltaje de la CPU.
Pu = Af3 + Buf3 + Cu + D • Forma compleja
• No puede
garantizarse
linealidad en el
crecimiento
Tabla 8. Características de los modelos para servidores que soportan DVFS
Conclusiones
34
Los modelos anteriores dependen básicamente de la potencia máxima, la cual no
siempre se puede garantizar alcanzar en un sistema. No incluyen la contribución
del consumo de energía estática, con lo cual asumen que las fugas de energía no
son importantes. Sin embargo, la evolución de los procesadores gracias al
desarrollo de transistores más pequeños hace que aumente la importancia de esta
corriente de fuga. Estos modelos tampoco muestran la relación entre la
temperatura y la potencia, sin embargo, a medida que los procesadores aumentan
su velocidad de procesamiento el calor también aumenta.
Por otra parte, aunque es lógico pensar en una relación lineal entre el consumo de
energía y la carga de trabajo, lo cierto es que con los cambios actuales en las
arquitecturas de microprocesadores y con la introducción de las máquinas
virtuales esta relación se transforma en un proceso más complejo.
6.2 Modelo de consumo
El consumo de un procesador está determinado por dos factores: el consumo
estático y el consumo dinámico (7).
𝐸𝐶𝑃𝑈 = 𝑃𝑒𝑠𝑡á𝑡𝑖𝑐𝑎 + 𝑃𝑑𝑖𝑛á𝑚𝑖𝑐𝑎 (7)
El consumo estático, siempre está presente debido a las corrientes de fugas que
existe en los transistores, aunque el micro se encuentre inactivo. Su valor,
dependerá, de las características de la tecnología empleada en la fabricación del
circuito, la cantidad de transistores y la temperatura de funcionamiento. El valor
de la potencia estática (8) viene definido por producto entre el voltaje y la corriente
estática del circuito (𝑖).
𝑃𝑒𝑠𝑡á𝑡𝑖𝑐𝑎 = 𝑉 × 𝑖 (8)
El consumo dinámico (9) está influenciado por la conmutación de los transistores,
cuanto mayor sea el número de conmutaciones mayor será el consumo. Expresado
de otra forma, la potencia dinámica dependerá de la actividad de conmutación (𝑎)
35
y de la capacidad (𝐶) en cada elemento que conmuta, además, su dependencia con
el potencial de alimentación (𝑉) será dado por una relación cuadrática mientras,
depende de manera proporcional de la frecuencia de reloj (𝑓).
𝑃𝑑𝑖𝑛á𝑚𝑖𝑐𝑎 = 𝑎 × 𝐶 × 𝑉2 × 𝑓 (9)
De dicha expresión se puede concluir que 𝑎 y 𝐶 son valores constantes. Sin
embargo, 𝑉 y 𝑓 pueden variar según necesidad. Es decir, al aumentar la carga de
trabajo, mayor es la cantidad de instrucciones a ejecutar por unidad de tiempo, lo
que se traduce en mayores conmutaciones, mayor frecuencia de reloj y mayor
consumo. Inversamente puede decirse que, al disminuir la frecuencia y el voltaje
puede lograrse una disminución en el consumo.
6.2.1 CONTROL DINÁMICO DE LA POTENCIA
Variar la frecuencia y el voltaje con el objetivo de lograr un consumo eficiente es
parte de la metodología Reconfiguración Dinámica del Sistema (Dynamic Power
Management, DPM). Para aplicarla, las variaciones en el sistema, como la carga de
trabajo del procesador, deben justificar la reconfiguración. Entre las técnicas que la
componen se pueden encontrar:
• Control dinámico de la frecuencia (Dynamic Frequency Scalling, DFS) o
escalado de frecuencia: esta técnica se basa en el principio de: una menor
frecuencia requiere menos potencia. Sin embargo, esto no siempre significa
una disminución del consumo energético ya que, también implica un
incremento en el tiempo de ejecución. Por tanto, al variar la frecuencia cabe
evaluar dos cuestiones fundamentales: el beneficio obtenido mediante la
relación rendimiento / consumo y el consumo final al aplicar DFS y sin
aplicar DFS.
36
• Control dinámico de la tensión (Dynamic Voltage Scalling, DVS) o escalado
de tensión: esta técnica se basa en el principio de variar la tensión según la
necesidad y evaluando los límites. Para ello se puede realizar:
o Undervolting: proceso en el cual se disminuye el voltaje y se obtiene
una menor potencia disipada. Aunque con esta técnica los tiempos
de ejecución aumentan, el consumo total se llega a reducir ya que el
consumo depende del voltaje al cuadrado, como se ha expresado
anteriormente (9).
o Overvolting: proceso en el cual se aumenta la tensión, lo que implica
un aumento de la frecuencia y un mayor rendimiento al aprovechar
las capacidades del dispositivo. Al aplicar esta técnica se debe
considerar la relación rendimiento / consumo, ya que una mejora en
la velocidad de trabajo puede ser poco significativa en relación con
un alto consumo.
De lo antes visto se puede concluir que DFS es útil para equipos alimentados con
baterías, ya que aumenta su vida útil. Sin embargo, su utilidad se podría ver
reducida en servidores y en equipos en los que funcionen sistemas críticos. En
comparación, DVS ofrece mejores resultados en cuanto a consumo, aun cuando se
aumentan los tiempos de ejecución al aplicar undervolting.
6.3 Propuesta de modelo de consumo
Lograr modelos más eficientes que permitan una estimación más precisa de
consumo es una necesidad. De los modelos analizados anteriormente, se ha visto
como estos no incluyen la relación con la temperatura, factor que influye en la
climatización. Además, estos tampoco incluyen la contribución del consumo
estático, de gran importancia debido al aumento de las corrientes de fuga por la
cercanía entre transistores y la disminución del tamaño.
37
Por tanto, para solventar algunos de los problemas mencionados, se plantea incluir
en los modelos de consumo de los procesadores el consumo estático, donde la
potencia estática, como se ha dicho anteriormente, queda definida por el voltaje y
la corriente estática. Mientras, la corriente estática se encuentra definida por: la
corriente de fuga, voltaje del transistor, unidad de carga (constante equivalente a
1,602 * 10-19C), constante de Boltzmann (equivalente a 1,38 * 10-23 J/K) y la
temperatura.
6.4 Conclusiones del capítulo
Los cambios en la arquitectura de procesadores, ha conllevado a que los modelos
de consumo utilizados hasta el momento produzcan errores. Por tanto, es
necesario considerar elementos que no se habían tenido en cuenta hasta el
momento como el consumo estático del procesador. El consumo estático, además
muestra la relación con la temperatura del circuito, aspecto importante, ya que
mientras aumentan las velocidades de procesamiento, también lo hace el calor que
a su vez, se vuelve más difícil de disipar.
7 CONCLUSIONES
Al inicio de este trabajo se marcaron tres objetivos. Como resultado, se han podido
establecer patrones de consumo y determinar el impacto del consumo de los
servidores sobre el consumo total de los CPD. Además, resultado del estudio del
estado del arte se ha llegado a la conclusión de que la mayoría de los modelos de
consumo del procesador se encuentran obsoletos y no representan factores que
están cobrando importancia debido a la constante evolución de la tecnología, como
la corriente estática. Por tal razón, y dando cumplimiento al último objetivo
planteado, se propone como modelo de eficiencia energética la inclusión de la
contribución de la potencia estática.
38
8 RECOMENDACIONES Y TRABAJOS FUTUROS
Se recomienda definir un modelo matemático en el que quede definido la corriente
estática. Además, se recomienda evaluar su efectividad, mediante el desarrollo de
diversos casos prácticos, simulaciones y puesta en práctica en entornos reales.
39
9 ANEXOS
9.1 Anexo 1: Datos sobre energía y medio ambiente
Figura 2. Energía. Estadísticas 6 de mayo de 2018. (Worldometers info, 2018)
Figura 3. Medio Ambiente. Estadísticas 6 de mayo de 2018. (Worldometers info, 2018)
40
9.2 Anexo 2: Producción de energía
Figura 4. Producción de energía eléctrica en la península.(Red Eléctrica de España, 2017)
2013 2014 2015 2016 2017
Hidráulica (1) 37,4 39,1 28,3 36 18,4
Turbinación bombeo 3,3 3,4 2,9 3,2 2,2
Nuclear 54,3 54,9 54,8 56,1 55,6
Carbón 37,2 41,1 50,9 35,2 42,6
Fuel + Gas 0 0 0 0 0
Ciclo combinado (2) 24,4 21,3 25,3 25,7 33,9
Eólica 54,3 50,6 47,7 47,3 47,5
Solar fotovoltaica 7,9 7,8 7,8 7,6 8
Solar térmica 4,4 5 5,1 5,1 5,3
Otras renovables (3) 5,1 4,7 3,2 3,4 3,6
Cogeneración (3) 32 25,6 25,4 25,9 28,1
Residuos no renovables 0 0 2,3 2,5 2,5
Residuos renovables 0 0 0,7 0,6 0,7
Tabla 9. Producción de energía eléctrica en la península (Red Eléctrica de España, 2017)
41
9.3 Anexo 3: Métricas de eficiencia Energética
El salto a la nube puede conllevar un ahorro energético para las empresas que
adoptan este servicio, ya que reduce los gastos consecuentes de tener equipos
propios. La virtualización, una de las bases que sientan el desarrollo de la nube, es
considerada como una medida de eficiencia al permitir disminuir el número de
equipos servidores físicos. Sin embargo, a nivel global cabe preguntarse si
realmente estas instalaciones permiten una explotación sostenible de los recursos
TI.
The Green Grid es quizás, la organización más importante encargada de impulsar
el uso eficiente de energía en centros de datos. Actualmente cuenta con más de
quince proyectos para mejorar la eficiencia y alcanzar productos y servicios más
sostenibles. Sus miembros van desde usuarios finales hasta empresas de todo el
mundo y juegan un papel fundamental en la creación de métricas y mediciones
innovadoras (The Green Grid, 2017). Entre las métricas que han dado a conocer y
promueven se pueden encontrar:
• Eficiencia en el uso de la potencia, PUE (Power Usage Effectiveness),
• Eficiencia de la infraestructura del centro de datos, DCiE (Data Center
Infrastructure Efficiency),
• Indicador de Rendimiento, PI (Performance Indicator),
9.3.1 EFICIENCIA DE USO DE LA POTENCIA, PUE
Definida por The Green Grid (The Green Grid, 2017), el PUE permite medir la
eficiencia energética en un CPD. Probablemente sea una de las métricas más
empleada, ya que su valor viene determinado por la relación que existe entre la
potencia total de entrada al CPD y la real consumida por los equipos de TI. Dicho
valor puede ir desde 1 hasta infinito. Mientras menor sea el valor mayor será la
eficiencia del centro de datos, por lo que 1 sería el valor óptimo por alcanzar (y
42
representa el 100% de eficiencia). Google ha reportado un PUE medio de 1.12
(Google, 2017a) de todos sus centros de datos, cifra que los posiciona como una de
las empresas más eficientes.
𝑃𝑈𝐸 =𝑃𝑜𝑡𝑒𝑛𝑐𝑖𝑎 𝑒𝑙𝑒𝑐𝑡𝑟𝑖𝑐𝑎 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒𝑙 𝐶𝑃𝐷
𝑃𝑜𝑡𝑒𝑛𝑐𝑖𝑎 𝑒𝑙é𝑐𝑡𝑟𝑖𝑐𝑎 𝑡𝑜𝑡𝑎𝑙 𝑐𝑜𝑛𝑠𝑢𝑚𝑖𝑑𝑎 𝑝𝑜𝑟 𝑙𝑜𝑠 𝑒𝑞𝑢𝑖𝑝𝑜𝑠 𝑇𝐼
Para determinar el PUE es necesario medir la energía activa durante un año. La
frecuencia dependerá del tipo de categoría del PUE.
Existen cinco factores que afectan el PUE:
• Clima: ya que determina el uso y cantidad del equipamiento de
refrigeración de la instalación. Al realizar un muestreo frecuente se puede
comprobar como el PUE varía en dependencia de las condiciones
climatológicas.
• Nivel de redundancia eléctrica: mayor redundancia de los sistemas significa
mayor consumo.
• Climatización: para diseñar un sistema de climatización eficiente se debe
tener en cuenta: la tecnología a utilizar, retornos de aire, disposición de los
equipos, etc.
• Eficiencia de los UPS: para seleccionar un equipo de UPS adecuado, se debe
considerar la cantidad de energía que este pierde al realizar la
transformación
• Uso y capacidad del CPD: se deben comparar centros de datos con
características similares, ya que un CPD pequeño y que funcione en
promedio 8 horas, es evidente que consumirá mucho menos que uno de
mayores de dimensiones.
A pesar de ser la métrica más extendida y popular, el PUE presenta una serie de
problemas:
43
• Variadas interpretaciones que se le puede dar al denominador de la
expresión que le define, sobre todo en edificios que no están dedicados al
CPD exclusivamente.
• Visión limitada ya que no contempla el comportamiento del CPD ante
posibles cambios como el mantenimiento o la temperatura
• Demasiado generalista: no tiene en cuenta las posibles especificidades de
cada centro de datos.
9.3.2 EFICIENCIA DE LA INFRAESTRUCTURA DEL CPD, DCIE
Regulado por The Green Grid, es el inverso del PUE. Medido en porcentaje, cuanto
mayor sea su valor indicará una mayor eficiencia energética en el CPD.
𝐷𝐶𝑖𝐸 =1
𝑃𝑈𝐸
𝐷𝐶𝑖𝐸 =𝑃𝑜𝑡𝑒𝑛𝑐𝑖𝑎 𝑒𝑙é𝑐𝑡𝑟𝑖𝑐𝑎 𝑡𝑜𝑡𝑎𝑙 𝑐𝑜𝑛𝑠𝑢𝑚𝑖𝑑𝑎 𝑝𝑜𝑟 𝑙𝑜𝑠 𝑠𝑖𝑠𝑡𝑒𝑚𝑎𝑠 𝑇𝐼
𝑃𝑜𝑡𝑒𝑛𝑐𝑖𝑎 𝑒𝑙𝑒𝑐𝑡𝑟𝑖𝑐𝑎 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒𝑙 𝐶𝑃𝐷
9.3.3 INDICADOR DE RENDIMIENTO, PI
Desarrollada por The Green Grid y presentada en junio de 2016. Tiene el objetivo de
disminuir o eliminar las limitaciones del PUE, ofreciendo una visión más amplia.
Incluye 3 indicadores relacionados de manera gráfica (Figura 1). Dichos
indicadores son:
44
Figura 5. Diagrama del indicador PI (Seymour, 2016)
• PUE ratio, PUEr: permite evaluar que tan cerca está el CPD del PUE
deseado. Su valor se encuentra determinado por la relación entre el PUE de
referencia (PUE objetivo que se quiere conseguir) y el PUE actual.
𝑃𝑈𝐸𝑟 =𝑃𝑈𝐸𝑟𝑒𝑓
𝑃𝑈𝐸𝑎𝑐𝑡𝑢𝑎𝑙
• Conformidad Térmica de TI (IT Thermal Conformance): permite evaluar el
porcentaje de cumplimiento de refrigeración de los equipos TI en
condiciones normales de operación. Teniendo en cuenta la especificación
térmica que ha publicado ASHRAE5, se puede estimar mediante la fórmula
siguiente:
𝐼𝑇𝑇ℎ𝑒𝑟𝑚𝑎𝑙 𝐶𝑜𝑛𝑓𝑜𝑟𝑚𝑎𝑛𝑐𝑒 =𝐸𝑞. 𝐿𝑜𝑎𝑑 [𝑇𝑖𝑛𝑙𝑒𝑡 < 27°]
𝑇𝑜𝑡𝑎𝑙 𝐸𝑞. 𝐿𝑜𝑎𝑑
Donde: Eq. Load es la carga en kW de los equipos.
• Resiliencia Térmica de TI (IT Thermal Resilience): permite evaluar, durante
el mantenimiento o fallos en la refrigeración, el grado de resistencia térmica
que se tiene en el CPD.
𝐼𝑇Thermal Resilience =𝐸𝑞. 𝐿𝑜𝑎𝑑 [𝑇𝑖𝑛𝑙𝑒𝑡 < 32°]
𝑇𝑜𝑡𝑎𝑙 𝐸𝑞. 𝐿𝑜𝑎𝑑
9.3.4 OTRAS MÉTRICAS
Para determiner que tan sostenible es un CPD no solo se puede tener en cuenta el
consumo de energía. Por tanto, se han establecidos métricas que permiten evaluar
otros parámetros como:
• Eficiencia en la Reutilización de la Energía, ERE: permite medir la eficacia
de la reutilización de la energía que se pierde en el centro de datos.
5 ASHRAE propone que la temperatura de consigna en los centros de datos se encuentre entre los
18 y los 27.
45
• Eficiencia en el Uso de las Emisiones de Carbono, CUE (Carbon Usage
Effectiveness): liberada en diciembre de 2010. Permite determinar el volumen
generado de gases de carbono, debido al trabajo del equipamiento en el
centro de datos.
𝐶𝑈𝐸 =𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑒𝑚𝑖𝑠𝑖ó𝑛 𝑑𝑒 𝐶𝑂2 𝑑𝑒 𝑡𝑜𝑑𝑎 𝑙𝑎 𝑒𝑛𝑒𝑟𝑔í𝑎 𝑑𝑒𝑙 𝐶𝑃𝐷
𝐸𝑛𝑒𝑟𝑔í𝑎 𝑑𝑒 𝑙𝑜𝑠 𝑒𝑞𝑢𝑖𝑝𝑜𝑠 𝑑𝑒 𝑇𝐼
• Eficiencia en el Uso del Agua, WUE (Water Usage Effectiveness): liberada por
The Green Grid en marzo de 2011. Permite determinar el volumen de agua
utilizado:
𝑊𝑈𝐸 =𝐶𝑜𝑛𝑠𝑢𝑚𝑜 𝐴𝑛𝑢𝑎𝑙 𝑑𝑒𝑙 𝐴𝑔𝑢𝑎 𝑒𝑛 𝑒𝑙 𝑆𝑖𝑡𝑖𝑜
𝐸𝑛𝑒𝑟𝑔í𝑎 𝑑𝑒 𝑙𝑜𝑠 𝑒𝑞𝑢𝑖𝑝𝑜𝑠 𝑑𝑒 𝑇𝐼
𝑊𝑈𝐸𝑠𝑜𝑢𝑟𝑐𝑒 =𝐶𝑜𝑛𝑠𝑢𝑚𝑜 𝐴𝑛𝑢𝑎𝑙 𝑑𝑒𝑙 𝐴𝑔𝑢𝑎 𝐹𝑢𝑒𝑛𝑡𝑒+𝐶𝑜𝑛𝑠𝑢𝑚𝑜 𝐴𝑛𝑢𝑎𝑙 𝑑𝑒𝑙 𝐴𝑔𝑢𝑎 𝑒𝑛 𝑒𝑙 𝑆𝑖𝑡𝑖𝑜
𝐸𝑛𝑒𝑟𝑔í𝑎 𝑑𝑒 𝑙𝑜𝑠 𝑒𝑞𝑢𝑖𝑝𝑜𝑠 𝑑𝑒 𝑇𝐼
• Design MLC (Mechanical Load Component): presentada por ASHRAE en 2016.
Se define como:
𝐷𝑒𝑠𝑖𝑔𝑛 𝑀𝐿𝐶 =𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑙𝑎 𝑝𝑜𝑡𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑙𝑜𝑠 𝑐𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡𝑒𝑠 𝑑𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑑𝑒 𝑐𝑙𝑖𝑚𝑎𝑡𝑖𝑧𝑎𝑐𝑖ó𝑛
𝑃𝑜𝑡𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑑𝑖𝑠𝑒ñ𝑜 𝑇𝐼
• Design ELC (Electrical Loss Component): presentada por ASHRAE en 2016 y
definida mediante:
𝐷𝑒𝑠𝑖𝑔𝑛 𝐸𝐿𝐶 =𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑝é𝑟𝑑𝑖𝑑𝑎𝑠 𝑑𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑒𝑙é𝑐𝑡𝑟𝑖𝑐𝑜
𝑃𝑜𝑡𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑑𝑖𝑠𝑒ñ𝑜 𝑇𝐼
46
10 Referencias
Ahmad, I., & Ranka, S. (2012). Handbook of energy-aware and green computing-two volume set (Versión (fecha):
20160119 ed.). Boca Ratón, Florida: Chapman & Hall/CRC Press.
Ahmad, W., Hölzenspies, P. K. F., Stoelinga, M., & van de Pol, J. (2015). Green computing: Power
optimisation of VFI-based real-time multiprocessor dataflow applications. 2015 Euromicro Conference
on Digital System Design (DSD), Funchal, Portugal. pp. 271-275.
Alsharif, M. H., Nordin, R., & Ismail, M. (2017). Intelligent cooperation management of multi-radio access
technology towards the green cellular networks for the twenty-twenty information society
. Telecommunication Systems: Modelling, Analysis, Design and Management, 65(3), 497-510.
doi:10.1007/s11235-016-0248-1
Andaluz, Ó. (2018). El reto de la eficiencia energética y la sostenibilidad en los centros de Datos. Retrieved marzo,
2018, from https://puentesdigitales.com/2018/02/02/el-reto-de-la-eficiencia-energetica-y-la-
sostenibilidad-en-los-centros-de-datos/
Anton, B., & Rajkumar, B. (2012). Optimal online deterministic algorithms and adaptive heuristics for
energy and performance efficient dynamic consolidation of virtual machines in cloud data centers.
Concurrency and Computation: Practice and Experience, 24(13), 1397-1420. doi:10.1002/cpe.1867
Armbrust, M., Fox, A., Griffith, R., Joseph, A. D., Katz, R., Konwinski, A., et al. (2010). A view of cloud
computing. Communications of the ACM, 53(4), 50-58. doi:10.1145/1721654.1721672
Armenta-Cano, F., Tchernykh, A., Cortes-Mendoza, J., Yahyapour, R., Drozdov, A. Y., Bouvry, P., et al.
(2017). Min_c: Heterogeneous concentration policy for energy-aware scheduling of jobs with
resource contention. Programming and Computer Software, 43(3), 204-215.
doi:10.1134/S0361768817030021
Asensio, A. (2016). Contribuciones a la interoperabilidad ya la optimización energética en el diseño de
dispositivos para la internet de las cosas. Universidad de Zaragoza).
Atzori, L., Iera, A., & Morabito, G. (2010). The internet of things: A survey. Computer Networks, 54(15),
2787-2805. doi:10.1016/j.comnet.2010.05.010
Baccarelli, E., Cordeschi, N., Mei, A., Panella, M., Shojafar, M., & Stefa, J. (2016). Energy-efficient dynamic
traffic offloading and reconfiguration of networked data centers for big data stream mobile
computing: Review, challenges, and a case study. IEEE Network, 30(2), 54-61.
doi:10.1109/MNET.2016.7437025
Bawden, T. (2016). Global warming: Data centres to consume three times as much energy in next decade, experts
warn. Retrieved marzo, 2017, from www.independent.co.uk/environment/global-warming-data-
centres-to-consume-three-times-as-much-energy-in-next-decade-experts-warn-a6830086.html
Beloglazov, A., Abawajy, J., & Buyya, R. (2012). Energy-aware resource allocation heuristics for efficient
management of data centers for cloud computing. Future Generation Computer Systems, 28(5), 755-768.
doi:10.1016/j.future.2011.04.017
Bi, J., Yuan, H., Tan, W., Zhou, M., Fan, Y., Zhang, J., et al. (2017). Application-aware dynamic fine-grained
resource provisioning in a virtualized cloud data center. IEEE Transactions on Automation Science and
Engineering, 14(2), 1172-1184. doi:10.1109/TASE.2015.2503325
47
Bonomi, F., Milito, R., Zhu, J., & Addepalli, S. (2012). Fog computing and its role in the internet of things.
Proceedings of the first edition of the MCC workshop on mobile cloud computing (pp. 13-16) ACM.
Botta, A., de Donato, W., Persico, V., & Pescapé, A. (2016). Integration of cloud computing and internet of
things: A survey. Future Generation Computer Systems, 56(Supplement C), 684-700.
doi:10.1016/j.future.2015.09.021
Cao, Y., Song, F., Liu, Q., Huang, M., Wang, H., & You, I. (2017). A LDDoS-aware energy-efficient
multipathing scheme for mobile cloud computing systems. IEEE Access, PP(99), 1.
doi:10.1109/ACCESS.2017.2731899
Chang, V., & Wills, G. (2016). A model to compare cloud and non-cloud storage of big data. Future
Generation Computer Systems, 57(Supplement C), 56-76. doi:10.1016/j.future.2015.10.003
Chou, J. S., Ngo, N. -., Chong, W. K., & Gibson Jr., G. E. (2016). 16 - big data analytics and cloud computing
for sustainable building energy efficiency. In F. Pacheco-Torgal, E. Rasmussen, C. Granqvist, V.
Ivanov, A. Kaklauskas & S. Makonin (Eds.), Start-up creation (pp. 397-412) Woodhead Publishing.
doi:doi.org/10.1016/B978-0-08-100546-0.00016-9
Colom, J. F., Gil, D., Mora, H., Volckaert, B., & Jimeno, A. M. (2018). Scheduling framework for distributed
intrusion detection systems over heterogeneous network architectures. Journal of Network and
Computer Applications, 108, 76-86. doi:10.1016/j.jnca.2018.02.004
Colom, J. F., Mora, H., Gil, D., & Signes-Pont, M. T. (2017). Collaborative building of behavioural models
based on internet of things. Computers & Electrical Engineering, 58, 385-396.
doi:10.1016/j.compeleceng.2016.08.019
Dastjerdi, A. V., & Buyya, R. (2016). Fog computing: Helping the internet of things realize its potential.
Computer, 49(8), 112-116. doi:10.1109/MC.2016.245
Datacenter Dynamics. (2015). DCD at CeBIT: The next battleground for ASHRAE is humidity
Diamantoulakis, P. D., Kapinas, V. M., & Karagiannidis, G. K. (2015). Big data analytics for dynamic
energy management in smart grids. Big Data Research, 2(3), 94-101. doi:10.1016/j.bdr.2015.03.003
Reglamento (CE) no 244/2009 De La Comisión, De 18 De Marzo De 2009, Por El Que Se Aplica La Directiva
2005/32/CE Del Parlamento Europeo Y Del Consejo En Lo Relativo a Los Requisitos De Diseño
Ecológico Para Lámparas De Uso Doméstico no Direccionales (Texto Pertinente a Efectos Del EEE), L
76 de 24.3.2009, p. 3/16 (BG, ES, CS, DA, DE, ET, EL, EN, FR, IT, LV, LT, HU, MT, NL, PL, PT, RO,
SK, SL, FI, SV), (a).
Reglamento (UE) no 1194/2012 De La Comisión, De 12 de Diciembre De 2012, Por El Que Se Aplica La
Directiva 2009/125/CE Del Parlamento Europeo Y Del Consejo En Lo Que Atañe a Los Requisitos De
Diseño Ecológico Aplicables a Las Lámparas Direccionales, a Las Lámparas LED Y a Sus Equipos
Texto Pertinente a Efectos Del EEE, L 342 de 14.12.2012 p. 1/22 (BG, ES, CS, DA, DE, ET, EL, EN, FR,
IT, LV, LT, HU, MT, NL, PL, PT, RO, SK, SL, FI, SV), (b).
Díaz, M., Martín, C., & Rubio, B. (2016). State-of-the-art, challenges, and open issues in the integration of
internet of things and cloud computing. Journal of Network and Computer Applications, 67(Supplement
C), 99-117. doi:10.1016/j.jnca.2016.01.010
Facebook. (2017). Clonee data center. Retrieved marzo, 2018, from
www.facebook.com/pg/CloneeDataCenter/notes/?ref=page_internal
Ferrer, J. D. (2009). Centro de procesos de datos: El cerebro de nuestra sociedad. Paper presented at the
Discurso Leído En El Acto De Su Recepción Como Académico Correspondiente En Lanzarote Por D.José
Damián Ferrer Quintana.Academia De Ciencias E Ingenierías De Lanzarote,
48
García, J. P. (2015). ¿Por qué sus PC malgastan el 40% de la energía TIC y qué puede hacer para resolverlo?
Leantricity.
Gartner. (2007). Gartner estimates ICT industry accounts for 2 percent of global CO2 emissions. Retrieved marzo,
2017, from www.gartner.com/newsroom/id/503867
González, A., García, Y., Gallego, D. E., Sastoque, J. A., & Ramírez, E. (2016). Impacto medioambiental de
la integración de la computación en la nube y la internet de las cosas. Producción Limpia, 11(2), 22-30.
doi:10.22507/pml.v11n2a2
Google. (2017a). Eficiencia: Cómo lo hacemos. Retrieved diciembre, 2017, from
www.google.com/about/datacenters/efficiency/internal/
Google. (2017b). Hamina, finland. Retrieved marzo, 2018, from
www.google.com/about/datacenters/inside/locations/hamina/
Gubbi, J., Buyya, R., Marusic, S., & Palaniswami, M. (2013). Internet of things (IoT): A vision, architectural
elements, and future directions. Future Generation Computer Systems, 29(7), 1645-1660.
doi:10.1016/j.future.2013.01.010
Hameed, A., Khoshkbarforoushha, A., Ranjan, R., Jayaraman, P. P., Kolodziej, J., Balaji, P., et al. (2016). A
survey and taxonomy on energy efficient resource allocation techniques for cloud computing
systems. Computing, 98(7), 751-774. doi:10.1007/s00607-014-0407-8
Hashem, I. A. T., Yaqoob, I., Anuar, N. B., Mokhtar, S., Gani, A., & Ullah Khan, S. (2015). The rise of “big
data” on cloud computing: Review and open research issues. Information Systems, 47(Supplement C),
98-115. doi:10.1016/j.is.2014.07.006
Husain Bohra, A. E., & Chaudhary, V. (2010). VMeter: Power modelling for virtualized clouds. Paper
presented at the pp. 1-8. doi:10.1109/IPDPSW.2010.5470907
Jena, S. R., Vijayaraja, V., & Sahu, A. K. (2016). Performance evaluation of energy efficient power models
for digital cloud. Indian Journal of Science and Technology, 9(48) doi:10.17485/ijst/2016/v9i48/105639
Jiang, H., Wang, K., Wang, Y., Gao, M., & Zhang, Y. (2016). Energy big data: A survey. IEEE Access, 4,
3844-3861. doi:10.1109/ACCESS.2016.2580581
Juarez, F., Ejarque, J., & Badia, R. M. (2018). Dynamic energy-aware scheduling for parallel task-based
application in cloud computing. Future Generation Computer Systems, 78, 257-271.
doi:10.1016/j.future.2016.06.029
Kim, K. H., Anton, B., & Rajkumar, B. (2011). Power‐aware provisioning of virtual machines for real‐time
cloud services. Concurrency and Computation: Practice and Experience, 23(13), 1491-1505.
doi:10.1002/cpe.1712
Lee, E. A. (2008). Cyber physical systems: Design challenges. Paper presented at the Object Oriented Real-
Time Distributed Computing (Isorc), 2008 11th Ieee International Symposium On, Orlando, FL. pp. 363-
369. doi:10.1109/ISORC.2008.25
Li, K. (2016). Improving multicore server performance and reducing energy consumption by workload
dependent dynamic power management. IEEE Transactions on Cloud Computing, 4(2), 122-137.
doi:10.1109/TCC.2015.2440238
Lin, W., Wang, W., Wu, W., Pang, X., Liu, B., & Zhang, Y. (2017). A heuristic task scheduling algorithm
based on server power efficiency model in cloud environments. Sustainable Computing: Informatics
and Systems, doi:10.1016/j.suscom.2017.10.007
49
Lin, W., Wu, W., Wang, H., Wang, J. Z., & Hsu, C. (2016). Experimental and quantitative analysis of server
power model for cloud data centers. Future Generation Computer Systems,
doi:10.1016/j.future.2016.11.034
Madakam, S., Ramaswamy, R., & Tripathi, S. (2015). Internet of things (IoT): A literature review. Journal of
Computer and Communications, 3(05), 164-173. doi:10.4236/jcc.2015.35021
Makaratzis, A. T., Giannoutakis, K. M., & Tzovaras, D. (2018). Energy modeling in cloud simulation
frameworks. Future Generation Computer Systems, 79, 715-725. doi:10.1016/j.future.2017.06.016
Mao, Y., Zhang, J., & Letaief, K. B. (2016). Dynamic computation offloading for mobile-edge computing
with energy harvesting devices. IEEE Journal on Selected Areas in Communications, 34(12), 3590-3605.
doi:10.1109/JSAC.2016.2611964
Mastelic, T., & Brandic, I. (2015). Recent trends in energy-efficient cloud computing. IEEE Cloud Computing,
2(1), 40-47. doi:10.1109/MCC.2015.15
Mayevsky, M. (2013). Economía de las nubes Grin Publishing. Retrieved from WorldCat.org database.
Retrieved from www.grin.com/es/e-book/313242/economia-de-las-nubes
Mazumdar, S., & Pranzo, M. (2017). Power efficient server consolidation for cloud data center. Future
Generation Computer Systems, 70, 4-16. doi:10.1016/j.future.2016.12.022
McWhorter, R., & Delello, J. (2015). Green computing through virtual learning environments IGI Global
Hershey, PA. doi:10.4018 / 978-1-4666-8632-8.ch047
Mell, P., & Grance, T. (2011). The NIST definition of cloud computing Computer Security Division,
Information Technology Laboratory, National Institute of Standards and Technology Gaithersburg.
Microsoft. (2016). Project natick. Retrieved marzo, 2018, from http://natick.research.microsoft.com/
Möbius, C., Dargie, W., & Schill, A. (2014). Power consumption estimation models for processors, virtual
machines, and servers. IEEE Transactions on Parallel and Distributed Systems, 25(6), 1600-1614.
doi:10.1109/TPDS.2013.183
Moemi, T. J., & Ekabua, O. O. (2013). Energy efficiency models implemented in a cloud computing
environment. Paper presented at the Proceedings of the International Conference on Grid Computing and
Applications (GCA), pp. 65-70.
Mora, H., Gil, D., Terol, R. M., Azorín, J., & Szymanski, J. (2017). An IoT-based computational framework
for healthcare monitoring in mobile environments
. Sensors, 17(10), 2302.
Mora, H., Colom, J. F., Gil, D., & Jimeno-Morenilla, A. (2017). Distributed computational model for shared
processing on cyber-physical system environments doi:10.1016/j.comcom.2017.07.009
Morales, J. (2017). El futuro de los data center. Retrieved junio, 2017, from www.grupocartronic.com/futuro-
los-data-center/
Nakamura, S., Pearton, S., & Fasol, G. (2013). The blue laser diode: The complete story Springer Science &
Business Media.
Node Pole. (2017). Node pole. Retrieved marzo, 2018, from www.nodepole.com/
Nuno, P., Rivas, J. L., & Ares, J. E. (2006). Climatización en los centros de proceso de datos. Publicación De
La Red Nacional De I+D, RedIRIS, (76), 33-40. Retrieved from
www.rediris.es/difusion/publicaciones/boletin/76/index.es.html
50
ONU. (2017). Objetivos de desarrollo sostenible. Retrieved octubre, 2017, from
www.un.org/sustainabledevelopment/es/objetivos-de-desarrollo-sostenible/
Ortuño, M. (2016). Iluminando con LEDs. Revista Española De Física, 30(1), 9-12. Retrieved from
http://hdl.handle.net/10045/54275
Panda, P. R., Silpa, B. V. N., Shrivastava, A., & Gummidipudi, K. (2010). Server power modeling and
measurement. Power-efficient system design (pp. 188) Springer Science & Business Media.
doi:10.1007/978-1-4419-6388-8
Pandi, K. (2016). Energy efficient in virtual infrastructure and green cloud computing: A review. Indian
Journal of Science and Technology, 9(11)
Petrucci, V., Carrera, E. V., Loques, O., Leite, J. C. B., & Mosse, D. (2011). Optimized management of power
and performance for virtualized heterogeneous server clusters. Paper presented at the Proceedings of
the 2011 11th IEEE/ACM International Symposium on Cluster, Cloud and Grid Computing (CCGRID '11).
Washington, DC, USA. pp. 23-32. doi:10.1109/CCGrid.2011.15
Polverini, D., & Tosoratti, P. (2016). A regulatory approach for potential energy efficiency requirements on
computer servers. Paper presented at the 2016 Electronics Goes Green 2016+ (EGG), pp. 1-8.
doi:10.1109/EGG.2016.7829861
Pontin, J. (2005). “ETC: Bill joy's six webs”. in: MIT technology. Retrieved octubre, 2017, from
www.technologyreview.com/s/404694/etc-bill-joys-six-webs/
Prathibha, S., Latha, B., & Sumathi, G. (2016). Improving energy efficiency of computing servers and
communication fabric in cloud data centers. Paper presented at the 2016 Second International
Conference on Research in Computational Intelligence and Communication Networks (ICRCICN), pp. 17-21.
doi:10.1109/ICRCICN.2016.7813544
Qian, J., Jiang, H., Srisa-An, W., Seth, S., Skelton, S., & Moore, J. (2017). Energy-efficient I/O thread
schedulers for NVMe SSDs on NUMA. Paper presented at the 2017 17th IEEE/ACM International
Symposium on Cluster, Cloud and Grid Computing (CCGRID), pp. 569-578. doi:10.1109/CCGRID.2017.24
Raji, R. S. (1994). Smart networks for control. IEEE Spectrum, 31(6), 49-55. doi:10.1109/6.284793
Red Eléctrica de España. (2017). Estadísticas del sistema eléctrico. Retrieved marzo, 2018, from
www.ree.es/es/estadisticas-del-sistema-electrico/3015/3003#
Rodero, I., & Guim, F. (2012). Green computing. Computación de altas prestaciones () Fundación para la
Universitat Oberta de Catalunya. Retrieved from
http://openaccess.uoc.edu/webapps/o2/bitstream/10609/76185/6/Computaci%C3%B3n%20de%20altas
%20prestaciones_M%C3%B3dulo%206_Green%20computing.pdf
Sahini, M., Chowdhury, U., Siddarth, A., Pradip, T., Agonafer, D., Zeigham, R., et al. (2017). Comparative
study of high ambient inlet temperature effects on the performance of air vs. liquid cooled IT
equipment. Paper presented at the 2017 16th IEEE Intersociety Conference on Thermal and
Thermomechanical Phenomena in Electronic Systems (ITherm), pp. 544-550.
doi:10.1109/ITHERM.2017.7992534
Sarji, I., Ghali, C., Chehab, A., & Kayssi, A. (2011). Cloudese: Energy efficiency model for cloud computing
environments. Paper presented at the Energy Aware Computing (ICEAC), 2011 International Conference
On, Istanbul, Turkey. pp. 1-6. doi:10.1109/ICEAC.2011.6136680
Sarkar, S., & Misra, S. (2016). Theoretical modelling of fog computing: A green computing paradigm to
support IoT applications. IET Networks, 5(2), 23-29. doi:10.1049/iet-net.2015.0034
51
Schäppi, D. B. (2011). In Published as part of the European project PrimeEnergyIT (Ed.), IT e infraestructura
energéticamente eficiente para centros de datos y salas de servidores. Vienna: Austrian Energy Agency.
Sen, S., Talukder, R., & Iqbal, S. M. A. (2016). A power-utilization based virtual machine allocation
algorithm. Paper presented at the 2016 19th International Conference on Computer and Information
Technology (ICCIT), Dhaka. pp. 36-41. doi:10.1109/ICCITECHN.2016.7860164
Seymour, M. (2016). The performance indicator: Assessing & visualizing data center cooling performance The
Green Grid.
Shuja, J., Bilal, K., Madani, S. A., Othman, M., Ranjan, R., Balaji, P., et al. (2016). Survey of techniques and
architectures for designing energy-efficient data centers. IEEE Systems Journal, 10(2), 507-519.
doi:10.1109/JSYST.2014.2315823
Song, J., Li, T., Wang, Z., & Zhu, Z. (2013). Study on energy-consumption regularities of cloud computing
systems by a novel evaluation model. Computing, 95(4), 269-287. doi:10.1007/s00607-012-0218-8
Tawalbeh, L. A., Bakheder, W., & Song, H. (2016). A mobile cloud computing model using the cloudlet
scheme for big data applications. Paper presented at the Washington, DC, USA. pp. 73-77.
doi:10.1109/CHASE.2016.40
The Green Grid. (2017). The green grid. Retrieved septiembre, 2017, from www.thegreengrid.org/
TIA-942. (2017). Welcome to TIA-942.org. Retrieved marzo, 2018, from www.tia-942.org
Unified EFI Forum. (2017). Advanced configuration and power interface (ACPI) specification (6.2 Errata A ed.)
Unified EFI Forum.
Unión Europea. (2015). Energía. Retrieved diciembre, 2017, from https://europa.eu/european-
union/topics/energy_es
Worldometers info. (2018). Worldometers. Retrieved abril, 2018, from www.worldometers.info/es/
Wu, Q., Deng, Q., Ganesh, L., Hsu, C. H., Jin, Y., Kumar, S., et al. (2016). Dynamo: Facebook's data center-
wide power management system. Paper presented at the 2016 ACM/IEEE 43rd Annual International
Symposium on Computer Architecture (ISCA), Seoul, South Korea. pp. 469-480.
doi:10.1109/ISCA.2016.48
Yang, K., Wang, S., Zhou, J., & Yoshimura, T. (2017). Energy-efficient scheduling method with cross-loop
model for resource-limited CNN accelerator designs. Paper presented at the 2017 IEEE International
Symposium on Circuits and Systems (ISCAS), Baltimore, MD, USA. pp. 1-4.
doi:10.1109/ISCAS.2017.8050800
Yang, Y., Chang, X., Liu, J., & Li, L. (2017). Towards robust green virtual cloud data center provisioning.
IEEE Transactions on Cloud Computing, 5(2), 168-181. doi:10.1109/TCC.2015.2459704
Zapater, M., Tuncer, O., Ayala, J. L., Moya, J. M., Vaidyanathan, K., Gross, K., et al. (2015). Leakage-aware
cooling management for improving server energy efficiency. IEEE Transactions on Parallel and
Distributed Systems, 26(10), 2764-2777. doi:10.1109/TPDS.2014.2361519
Zhou, K., Fu, C., & Yang, S. (2016). Big data driven smart energy management: From big data to big
insights. Renewable and Sustainable Energy Reviews, 56(Supplement C), 215-225.
doi:10.1016/j.rser.2015.11.050
Zhu, W., Zhuang, Y., & Zhang, L. (2017). A three-dimensional virtual resource scheduling method for energy saving
in cloud computing. Future Generation Computer Systems, 69, 66-74. doi:10.1016/j.future.2016.10.034