Por favor use este identificador para citas ou ligazóns a este item:
http://elartu.tntu.edu.ua/handle/lib/49587Rexistro de metadatos completo
| Campo DC | Valor | Idioma |
|---|---|---|
| dc.contributor.advisor | Станько, Андрій Андрійович | - |
| dc.contributor.advisor | Stanko, Andrii | - |
| dc.contributor.author | Сивопляс, Василь Юрійович | - |
| dc.contributor.author | Syvoplias, Vasyl Yuriiovych | - |
| dc.date.accessioned | 2025-07-05T18:05:53Z | - |
| dc.date.available | 2025-07-05T18:05:53Z | - |
| dc.date.issued | 2025-06-28 | - |
| dc.date.submitted | 2025-06-14 | - |
| dc.identifier.citation | Сивопляс В. Ю. Аналіз та дослідження оптимальних стратегій управління енергією ЦОД у розумному місті : робота на здобуття кваліфікаційного ступеня бакалавра : спец. 122 - комп’ютерні науки / наук. кер. А. А. Станько. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2025. 84 с. | uk_UA |
| dc.identifier.uri | http://elartu.tntu.edu.ua/handle/lib/49587 | - |
| dc.description | Роботу виконано на кафедрі комп'ютерних наук Тернопільського національного технічного університету імені Івана Пулюя. Захист відбудеться 28.06.2025р. на засіданні екзаменаційної комісії №30 у Тернопільському національному технічному університеті імені Івана Пулюя | uk_UA |
| dc.description.abstract | Кваліфікаційна робота присвячена дослідженню оптимальних стратегій управління енергією ЦОД у розумному місті. В першому розділі кваліфікаційної роботи освітнього рівня «Бакалавр»: Подано актуальність теми та сформульовано мету дослідження. Розглянуто сучасні підходи до енергоефективності датацентрів і класифіковано існуючі стратегії зниження PUE. Висвітлено нормативно-правові вимоги. В другому розділі кваліфікаційної роботи: Досліджено математичні моделі енергоспоживання серверів та систем охолодження у зв’язку з профілем навантаження. Обґрунтовано вибір алгоритму динамічної консолідації віртуальних машин із проактивним прогнозом навантаження. В третьому розділі кваліфікаційної роботи: Розроблено програмний модуль на Python для прогнозування навантаження та автоматичного керування ВМ. Запропоновано процедуру адаптивного вимкнення серверів. У розділі «Безпека життєдіяльності, основи охорони праці» Висвітлено особливості безпечної роботи з ЦОД а також вимоги безпеки для з комп’ютерними системами. Об’єкт дослідження: енергоспоживання центрів обробки даних у розумній міській інфраструктурі. Предмет дослідження: стратегії оптимізації управління енергоспоживанням ЦОД із використанням прогнозування навантаження та динамічного розміщення віртуальних машин | uk_UA |
| dc.description.abstract | The qualification work is devoted to the study of optimal energy management strategies for data centres in a smart city. The first section of the Bachelor's thesis presents the relevance of the topic and formulates the research objective. It reviews modern approaches to data centre energy efficiency and classifies existing strategies for reducing PUE. Regulatory requirements are highlighted. The second section of the thesis: Mathematical models of energy consumption of servers and cooling systems in relation to the load profile are investigated. The choice of an algorithm for dynamic consolidation of virtual machines with proactive load forecasting is justified. In the third section of the thesis: A Python software module for load forecasting and automatic VM management is developed. A procedure for adaptive server shutdown is proposed. The section ‘Life safety, basics of occupational safety’ highlights the features of safe work with data centres as well as safety requirements for computer systems. Research object: energy consumption of data centres in smart urban infrastructure. Research subject: strategies for optimising data centre energy consumption management using load forecasting and dynamic virtual machine placement | uk_UA |
| dc.description.tableofcontents | ВСТУП 9 РОЗДІЛ 1. АНАЛІЗ ПРЕДМЕТНОЇ ОБЛАСТІ ЕНЕРГОСПОЖИВАННЯ ЦОД 12 1.1 Енергоспоживання ЦОД у глобальному та міському контексті 12 1.2 Стратегії підвищення енергоефективності ЦОД 15 1.3 Міжнародні стандарти енергоефективності ЦОД 21 1.4 Вітчизняний досвід та нормативні аспекти 25 1.5 Висновок до першого розділу 28 РОЗДІЛ 2. ПРОЕКТНА ЧАСТИНА. ТЕОРЕТИЧНЕ МОДЕЛЮВАННЯ Й ОПТИМАЛЬНІ СТРАТЕГІЇ 30 2.1 Моделювання енергоспоживання та теплових процесів у ЦОД 30 2.2 Оптимізація розподілу навантаження та керування ресурсами 34 2.3 Алгоритми динамічного керування живленням та консолідації ВМ 39 2.4 Інтеграція ЦОД у розумні енергомережі 44 2.5 Висновок до другого розділу 46 РОЗДІЛ 3. ПРАКТИЧНА ЧАСТИНА. РЕАЛІЗАЦІЯ ЗАДАЧІ ОПТИМІЗАЦІЇ 48 3.1 Опис дата-центру та постановка задачі оптимізації 48 3.2 Прогнозування навантаження із застосуванням ML-моделей 51 3.3 Динамічне розміщення ВМ: стратегія та алгоритм 53 3.4 Фрагмент реалізації алгоритму мовою Python 57 3.5 Результати впровадження 59 3.6 Висновки до третього розділу 61 РОЗДІЛ 4. БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ОХОРОНИ ПРАЦІ 62 4.1 Питання щодо безпеки життєдіяльності 62 4.2 Питання з основ охорони праці 67 4.3 Висновок до четвертого розділу 71 ВИСНОВКИ 73 ПЕРЕЛІК ДЖЕРЕЛ 78 ДОДАТКИ | uk_UA |
| dc.format.extent | 84 | - |
| dc.language.iso | uk | uk_UA |
| dc.publisher | ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна | uk_UA |
| dc.subject | 122 | uk_UA |
| dc.subject | динамічна консолідація | uk_UA |
| dc.subject | енергоефективність | uk_UA |
| dc.subject | машинне навчання | uk_UA |
| dc.subject | прогнозування навантаження | uk_UA |
| dc.subject | розумне місто | uk_UA |
| dc.subject | центр обробки даних | uk_UA |
| dc.subject | smart city | uk_UA |
| dc.subject | data centre | uk_UA |
| dc.subject | dynamic consolidation | uk_UA |
| dc.subject | energy efficiency | uk_UA |
| dc.subject | load forecasting | uk_UA |
| dc.subject | machine learning | uk_UA |
| dc.subject | pue | uk_UA |
| dc.title | Аналіз та дослідження оптимальних стратегій управління енергією ЦОД у розумному місті | uk_UA |
| dc.title.alternative | Analysis and Research of Optimal Energy Management Strategies in Data Centers in a Smart City | uk_UA |
| dc.type | Bachelor Thesis | uk_UA |
| dc.rights.holder | © Сивопляс Василь Юрійович, 2025 | uk_UA |
| dc.coverage.placename | Тернопіль | uk_UA |
| dc.subject.udc | 004.67:620.91:711.432 | uk_UA |
| dc.relation.references | 1. Rossi, M., & Brunelli, D. (2015). Forecasting data centers power consumption with the Holt-Winters method. 2015 IEEE Workshop on Environmental, Energy, and Structural Monitoring Systems (EESMS), 210–214. DOI: 10.1109/EESMS.2015.7175924. | uk_UA |
| dc.relation.references | 2. Calheiros, R. N., Masoumi, E., Ranjan, R., & Buyya, R. (2015). Workload Prediction Using ARIMA Model and Its Impact on Cloud Applications’ QoS. IEEE Transactions on Cloud Computing, 3(4), 449–458. DOI: 10.1109/TCC.2015.2459724. | uk_UA |
| dc.relation.references | 3. Shoukourian, H., & Kranzlmüller, D. (2020). Forecasting power-efficiency related key performance indicators for modern data centers using LSTMs. Future Generation Computer Systems, 112, 362–382. DOI: 10.1016/j.future.2020.05.016. | uk_UA |
| dc.relation.references | 4. Mughees, M., Li, Y., Chen, Y., & Li, Y. R. (2025). Short-Term Load Forecasting for AI-Data Center. arXiv preprint arXiv:2503.07756. | uk_UA |
| dc.relation.references | 5. Waheed, W., Xu, Q., Aurangzeb, M., Iqbal, S., Dar, S. H., & Elbarbary, Z. M. S. (2024). Empowering data-driven load forecasting by leveraging long short-term memory recurrent neural networks. Heliyon, 10(24), e40934. DOI: 10.1016/j.heliyon.2024.e40934. | uk_UA |
| dc.relation.references | 6. Dogani, J., Khunjush, F., & Seydali, M. (2023). Host load prediction in cloud computing with discrete wavelet transformation and bidirectional GRU network. Computer Communications, 198, 157–174. DOI: 10.1016/j.comcom.2022.11.023. | uk_UA |
| dc.relation.references | 7. Barroso, L. A., & Hölzle, U. (2007). The case for energy-proportional computing. Computer, 40(12), 33–37. DOI: 10.1109/MC.2007.443. | uk_UA |
| dc.relation.references | 8. Fan, X., Weber, W.-D., & Barroso, L. A. (2007). Power provisioning for a warehouse-sized computer. Proceedings of the 34th Annual International Symposium on Computer Architecture (ISCA’07), 13–23. DOI: 10.1145/1250662.1250665. | uk_UA |
| dc.relation.references | 9. Chase, J. S., Anderson, D. C., Thakar, P. N., Vahdat, A. M., & Doyle, R. P. (2001). Managing energy and server resources in hosting centers. Proceedings of the 18th ACM Symposium on Operating Systems Principles (SOSP’01), 103–116. DOI: 10.1145/502034.502045. | uk_UA |
| dc.relation.references | 10. Srikantaiah, S., Kansal, A., & Zhao, F. (2008). Energy aware consolidation for cloud computing. Proceedings of the 2008 Conference on Power Aware Computing and Systems (HotPower’08), 1–5. | uk_UA |
| dc.relation.references | 11. 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. | uk_UA |
| dc.relation.references | 12. Beloglazov, A., & Buyya, R. (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. | uk_UA |
| dc.relation.references | 13. Dashti, S. E., & Rahmani, A. M. (2016). Dynamic VMs placement for energy efficiency by PSO in cloud computing. Journal of Experimental & Theoretical Artificial Intelligence, 28(1-2), 97–112. DOI: 10.1080/0952813X.2015.1020519. | uk_UA |
| dc.relation.references | 14. Muteeh, A., Sardaraz, M., & Tahir, M. (2021). MrLBA: Multi-resource load balancing algorithm for cloud computing using ant colony optimization. Cluster Computing, 24(4), 3135–3145. DOI: 10.1007/s10586-021-03322-3. | uk_UA |
| dc.relation.references | 15. Alourani, A., Khalid, A., Tahir, M., & Sardaraz, M. (2024). Energy efficient virtual machines placement in cloud datacenters using genetic algorithm and adaptive thresholds. PLoS ONE, 19(1), e0296399. DOI: 10.1371/journal.pone.0296399. | uk_UA |
| dc.relation.references | 16. Wang, S., Chen, S., & Shi, Y. (2024). Utilization-prediction-aware energy optimization approach for heterogeneous GPU clusters. The Journal of Supercomputing, 80(10), 9554–9578. DOI: 10.1007/s11227-023-04922-0. | uk_UA |
| dc.relation.references | 17. The Green Grid. (2007). The Green Grid Data Center Power Efficiency Metrics: PUE and DCiE (White Paper #6). The Green Grid Association. | uk_UA |
| dc.relation.references | 19. International Energy Agency. (2023). Data Centres and Data Transmission Networks. Retrieved from https://www.iea.org/reports/data-centres-and-data-transmission-networks. | uk_UA |
| dc.relation.references | 18. National Renewable Energy Laboratory. (2025, April 10). High-Performance Computing Data Center Power Usage Effectiveness. Retrieved from https://www.nrel.gov/computational-science/measuring-efficiency-pue.html. | uk_UA |
| dc.relation.references | 20. Masanet, E. R., Shehabi, A., Lei, N., Smith, S., & Koomey, J. (2020). Recalibrating global data center energy-use estimates. Science, 367(6481), 984–986. DOI: 10.1126/science.aba3758. | uk_UA |
| dc.relation.references | 21. Mondal, S., Faruk, F. B., Rajbongshi, D., Efaz, M. M. K., & Islam, M. M. (2023). GEECO: Green data centers for energy optimization and carbon footprint reduction. Sustainability, 15(21), 15249. DOI: 10.3390/su152115249. | uk_UA |
| dc.relation.references | 22. Orgerie, A.-C., Assunção, M. D., & Lefèvre, L. (2014). A survey on techniques for improving the energy efficiency of large-scale distributed systems. ACM Computing Surveys, 46(4), 47. DOI: 10.1145/2532637. | uk_UA |
| dc.relation.references | 23. Magotra, B., Malhotra, D., & Dogra, A. K. (2023). Adaptive computational solutions to energy efficiency in cloud computing environment using VM consolidation. Archives of Computational Methods in Engineering, 30(3), 1789–1818. DOI: 10.1007/s11831-022-09852-2. | uk_UA |
| dc.relation.references | 24. World Economic Forum. (2023, July 13). Six ways data centres can cut their emissions: A case study. Retrieved from https://www.weforum.org. | uk_UA |
| dc.relation.references | 25. Radi, M., Alwan, A. A., & Gulzar, Y. (2023). Genetic-based virtual machines consolidation strategy with efficient energy consumption in cloud environment. IEEE Access, 11, 48022–48032. DOI: 10.1109/ACCESS.2023.3294167. | uk_UA |
| dc.relation.references | 26. Manikandan, S., Elakiya, E., Rajheshwari, K. C., & Sivakumar, K. (2024). Efficient energy consumption in hybrid cloud environment using adaptive backtracking virtual machine consolidation. Scientific Reports, 14(1), 22869. DOI: 10.1038/s41598-024-72459-z. | uk_UA |
| dc.relation.references | 27. Ye, Z., Gao, W., Hu, Q., Sun, P., Wang, X., Luo, Y., Zhang, T., & Wen, Y. (2024). Deep learning workload scheduling in GPU datacenters: A survey. ACM Computing Surveys, 56(6), Article 119. DOI: 10.1145/3591640. | uk_UA |
| dc.relation.references | 28. Madhusudhan, H. S., Satish Kumar, T., Gupta, P., & McArdle, G. (2023). A Harris Hawk Optimisation system for energy and resource efficient virtual machine placement in cloud data centers. PLoS ONE, 18(8), e0289156. DOI: 10.1371/journal.pone.0289156. | uk_UA |
| dc.relation.references | 29. Kusic, D., Kephart, J. O., Hanson, J. E., Kandasamy, N., & Jiang, G. (2009). Power and performance management of virtualized computing environments via lookahead control. Cluster Computing, 12(1), 1–15. DOI: 10.1007/s10586-008-0070-y. | uk_UA |
| dc.relation.references | 30. Buyya, R., Beloglazov, A., & Abawajy, J. (2010). Energy-Efficient management of data center resources for cloud computing: A vision, architectural elements, and open challenges. 2010 International Conference on Parallel and Distributed Processing Techniques and Applications (PDPTA’10), 6–17. | uk_UA |
| dc.relation.references | 31. Raghavendra, R., Ranganathan, P., Talwar, V., Wang, Z., & Zhu, X. (2008). No “Power” struggles: Coordinated multi-level power management for the data center. Proceedings of the 13th International Conference on Architectural Support for Programming Languages and Operating Systems (ASPLOS’08), 48–59. DOI: 10.1145/1346281.1346289. | uk_UA |
| dc.relation.references | 32. Wood, T., Shenoy, P., Venkataramani, A., & Yousif, M. (2009). Sandpiper: Black-box and gray-box resource management for virtualized cloud hosting. Computer Networks, 53(17), 2923–2938. DOI: 10.1016/j.comnet.2009.07.004. | uk_UA |
| dc.relation.references | 33. Berl, A., Gelenbe, E., Di Girolamo, M., Giuliani, G., De Meer, H., Dang, M. Q., & Pentikousis, K. (2010). Energy-efficient cloud computing. The Computer Journal, 53(7), 1045–1051. DOI: 10.1093/comjnl/bxp080. | uk_UA |
| dc.relation.references | 34. Gmach, D., Rolia, J., Cherkasova, L., & Kemper, A. (2007). Workload analysis and demand prediction of enterprise data center applications. 2007 IEEE International Symposium on Workload Characterization (IISWC), 171–180. DOI: 10.1109/IISWC.2007.4362193. | uk_UA |
| dc.relation.references | 35. Shehabi, A., Smith, S. J., Masanet, E., & Koomey, J. (2016). United States Data Center Energy Usage Report. Lawrence Berkeley National Laboratory (LBNL-1005775). Available: https://eta.lbl.gov/publications/united-states-data-center-energy. | uk_UA |
| dc.relation.references | 36. Gao, Y., Song, W., Li, X., Hsu, C.-H., & Yang, S. (2018). Dynamic virtual machine placement for cloud data center optimization using minimum-cost maximum-flow algorithm. IEEE Systems Journal, 12(1), 168–177. DOI: 10.1109/JSYST.2016.2570200. | uk_UA |
| dc.relation.references | 37. Li, X., Qiu, M., Ming, Z., Quan, G., Qin, X., & Yang, L. T. (2011). Adaptive energy-efficient scheduling for real-time tasks on DVS-enabled heterogeneous clusters. Proceedings of the 2011 IEEE International Parallel & Distributed Processing Symposium (IPDPS), 1–10. DOI: 10.1109/IPDPS.2011.75. | uk_UA |
| dc.relation.references | 38. Pelley, S., Meisner, D., Wenisch, T. F., & Vengroff, J. (2009). Understanding and abstracting total data center power. Workshop on Energy-Efficient Design (WEED’09), 10. | uk_UA |
| dc.relation.references | 39. Moocheet, N., Jaumard, B., Thibault, P., & Eleftheriadis, L. (2024). Minimum-energy virtual machine placement using embedded sensors and machine learning. Future Generation Computer Systems, 161, 85–94. DOI: 10.1016/j.future.2023.10.020. | uk_UA |
| dc.relation.references | 40. Bharathi, P. D., Prakash, P., & Kiran, M. V. K. (2023). Hybrid approach for virtual machine allocation in cloud computing. Sustainable Computing: Informatics and Systems, 41, 100922. DOI: 10.1016/j.suscom.2023.100922. | uk_UA |
| dc.relation.references | 41. Kumar, P., & Singh, L. (2020). A review on energy and carbon footprint reduction in cloud data centers. Renewable and Sustainable Energy Reviews, 122, 109755. DOI: 10.1016/j.rser.2020.109755. | uk_UA |
| dc.relation.references | 42. Ashraf, A., & Gani, A. (2019). Smart power management of data centers using self-adaptive reinforcement learning. IEEE Access, 7, 120051–120066. DOI: 10.1109/ACCESS.2019.2937221. | uk_UA |
| dc.relation.references | 43. Kliazovich, D., Bouvry, P., & Khan, S. U. (2010). GreenCloud: a packet-level simulator of energy-aware cloud computing data centers. 2010 IEEE Global Telecommunications Conference (GLOBECOM), 1–5. DOI: 10.1109/GLOCOM.2010.5683561. | uk_UA |
| dc.relation.references | 44. Evans, R., & Gao, J. (2016). DeepMind AI reduces energy used for cooling Google data centers by 40%. Google Official Blog, 20 July 2016. | uk_UA |
| dc.relation.references | 45. Uptime Institute. (2022). Global Data Center Survey 2022: Executive Summary. Uptime Institute Journal. | uk_UA |
| dc.relation.references | 46. Stanko, A., Palka, O., Matiichuk, L., Martsenko, N., & Matsiuk, O. (2021, September). Smart City: A Review of Model Architecture and Technology. In 2021 IEEE 16th International Conference on Computer Sciences and Information Technologies (CSIT) (Vol. 2, pp. 273–277). IEEE. | uk_UA |
| dc.relation.references | 47. Duda, O., Mykytyshyn, A., Mytnyk, M., & Stanko, A. Information technology sets formation and" TNTU Smart Campus" services network support. Proceedings of the 3rd International Workshop on ITTAP 2023,Ternopil, Ukraine, Opole, Poland, November 22–24, 2023. | uk_UA |
| dc.relation.references | 48. Никитюк, В. В., Тененський, М. В., & Орловська, А. В. (2023). Аналіз використання EDA для вирішення проблем сучасних застоснків та систем. ⅩⅠ конф. „Інформаційні моделі, системи та технології “, 89-90. | uk_UA |
| dc.relation.references | 49. Гузеляк, О., Шевчук, Ю., Береженко, Б. М., & Боднарчук, І. О. (2022). Програмна архітектура в розподілених командах гнучких проєктів. Матеріали Ⅹ науково-технічної конференції „Інформаційні моделі, системи та технології “ТНТУ імені Івана Пулюя, 110-112. | uk_UA |
| dc.relation.references | 50. Готович, В. А., & Ралік, І. Р. (2022). Програмне забезпечення на основі клієнт-серверної архітектури для обліку реалізації товарів в торгівлі. Матеріали ⅩⅠ Міжнародної науково-практичної конференції молодих учених та студентів „Актуальні задачі сучасних технологій “, 126-126. | uk_UA |
| dc.relation.references | 51. Бідюк, О., & Марценко, С. (2025). Методи та засоби інформаційної безпеки іт інфраструктур. Herald of khmelnytskyi national university. Technical sciences, 347(1), 47-58. | uk_UA |
| dc.relation.references | 52. Волович, В., Береженко, Б. М., & Боднарчук, І. О. (2022). Задача проєктування програмної архітектури в процесах забезпечення якості. Матеріали Ⅹ науково-технічної конференції „Інформаційні моделі, системи та технології “ТНТУ імені Івана Пулюя, 104-106. | uk_UA |
| dc.relation.references | 53. Семенюк, В. О., & Литвиненко, Я. В. (2023). Огляд методів захисту текстової інформації. Матеріали ⅩⅠ науково-технічної конференції „Інформаційні моделі, системи та технології “, 112-112. | uk_UA |
| dc.relation.references | 54. Козак, С., Микитишин, А., & Станько, А. (2025). Оптимізація зберігання та обробки даних для iot-систем екологічного моніторингу. Measuring and computing devices in technological processes, (1), 323-330. | uk_UA |
| dc.relation.references | 55. Sverstiuk, A., Matiichuk, L., Polyvana, U., Stanko, A., & Nykytyuk, V. (2024). Analytical analysis of approaches to assessing the quality of life in smart cities. | uk_UA |
| dc.relation.references | 56. Безпека в надзвичайних ситуаціях. Методичний посібник для здобувачів освітнього ступеня «магістр» всіх спеціальностей денної та заочної (дистанційної) форм навчання / укл.: Стручок В. С. Тернопіль: ФОП Паляниця В. А., 2022. 156 с. | uk_UA |
| dc.contributor.affiliation | ТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Україна | uk_UA |
| dc.coverage.country | UA | uk_UA |
| Aparece nas Coleccións | 122 — Компʼютерні науки (бакалаври) | |
Arquivos neste item
| Arquivo | Descrición | Tamaño | Formato | |
|---|---|---|---|---|
| 2025_KRB_SN-43_Syvoplias_VY.pdf | Дипломна робота | 2,2 MB | Adobe PDF | Ver/abrir |
Todos os documentos en Dspace estan protexidos por copyright, con todos os dereitos reservados
Ferramentas administrativas