បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហានៃការប្រើប្រាស់ថាមពលខ្ពស់នៅក្នុងមជ្ឈមណ្ឌលទិន្នន័យ (Data Centers) ដោយស្វែងរកការធ្វើឱ្យប្រសើរឡើងនូវប្រសិទ្ធភាពថាមពលនៃប្រព័ន្ធព័ត៌មានវិទ្យា (IT systems) និងប្រព័ន្ធបញ្ចុះកម្ដៅ (Cooling systems) ដោយសហការគ្នា។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកនិពន្ធស្នើឡើងនូវក្របខ័ណ្ឌរៀនបែបពង្រឹងស៊ីជម្រៅដែលមានភ្នាក់ងារច្រើន (Multi-Agent DRL) ដែលមានឈ្មោះថា MAD3C សម្រាប់ការធ្វើឱ្យប្រសើរឡើងរួមគ្នានូវការសន្សំសំចៃថាមពល។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| MAD3C (Proposed) ការកែលម្អថាមពលដោយសហការគ្នាផ្អែកលើ MAD3C (វិធីសាស្ត្រស្នើឡើង) |
មានសមត្ថភាពសហការគ្នារវាងប្រព័ន្ធ IT និងប្រព័ន្ធបញ្ចុះកម្ដៅបានយ៉ាងល្អ ជួយសន្សំសំចៃថាមពលខ្ពស់បំផុត និងប្រើប្រាស់ធនធានម៉ាស៊ីនមេ (CPU/RAM) បានយ៉ាងមានប្រសិទ្ធភាព។ | ទាមទារពេលវេលាហ្វឹកហាត់ម៉ូដែលយូរនៅដំណាក់កាលដំបូង និងត្រូវការចំណាយធនធានកុំព្យូទ័រខ្ពស់សម្រាប់ការគណនាក្នុងការស្វែងរកចំណុចប្រសើរឥតខ្ចោះ។ | កាត់បន្ថយការប្រើប្រាស់ថាមពលសរុបបាន ១៦,៤២% ធៀបនឹងស្ថានភាពដើម និងសន្សំថាមពលបាន ៤២,៨២% ធៀបនឹង DeepEE ។ |
| DeepEE វិធីសាស្ត្ររួមបញ្ចូលគ្នាដោយប្រើ DRL (DeepEE) |
ប្រើប្រាស់ការរៀនបែបពង្រឹងស៊ីជម្រៅ (DRL) ក្នុងការស្វែងរកជម្រើសសន្សំថាមពលបានល្អជាងវិធីសាស្ត្រធម្មតា (Random)។ | ខ្វះការសហការគ្នាពិតប្រាកដ (គិតគូរពីប្រព័ន្ធបញ្ចុះកម្ដៅមុន ទើបគិតពីការបែងចែកការងារ) ដែលបណ្តាលឱ្យមានបញ្ហាប្រើប្រាស់ធនធានម៉ាស៊ីនលើសកម្រិត (Overloading) ជាញឹកញាប់។ | ប្រើប្រាស់ថាមពលច្រើនជាង MAD3C ដល់ទៅ ៤២,៨២% និងមានអត្រាផ្ទុកការងារលើសកម្រិតខ្ពស់ជាង។ |
| PowerTrade វិធីសាស្ត្រចាត់ចែងផ្អែកលើកម្តៅ និងថាមពល (PowerTrade) |
កាត់បន្ថយការប្រមូលផ្តុំកម្តៅ (Hot spots) ដោយបែងចែកការងារទៅទីតាំងដែលត្រជាក់ជាងដោយស្វ័យប្រវត្តិ។ | ការកំណត់ច្បាប់បែងចែក (Heuristic) មានកម្រិត និងមិនអាចរៀនបន្សាំទៅនឹងបម្រែបម្រួលបរិស្ថាននៃទិន្នន័យជាក់ស្តែងបានល្អដូច DRL ឡើយ។ | ប្រើប្រាស់ថាមពលច្រើនជាង MAD3C ចំនួន ១៨,៩៥% ។ |
| RR (Round Robin) វិធីសាស្ត្របែងចែកតាមលំដាប់ (Round Robin) |
ងាយស្រួលក្នុងការអនុវត្ត ចែកចាយការងារបានស្មើៗគ្នា និងមិនមានបញ្ហាផ្ទុកការងារលើសកម្រិតធ្ងន់ធ្ងរ។ | មិនបានគិតគូរពីប្រសិទ្ធភាពថាមពលទាល់តែសោះ ដោយម៉ាស៊ីនមេភាគច្រើនត្រូវបើកដំណើរការទោះបីជាមិនមានបន្ទុកការងារក៏ដោយ។ | ស៊ីថាមពលច្រើនបំផុត (ប្រហាក់ប្រហែលនឹងការបែងចែកចៃដន្យ Random) និងមិនមានប្រសិទ្ធភាពក្នុងការកាត់បន្ថយការចំណាយ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រនេះទាមទារធនធានផ្នែករឹង (Hardware) ដែលមានកម្លាំងខ្លាំងសម្រាប់ការក្លែងធ្វើ និងទិន្នន័យជាក់ស្តែងច្រើនពីមជ្ឈមណ្ឌលទិន្នន័យសម្រាប់ការហ្វឹកហាត់ម៉ូដែល DRL ។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យប្រវត្តិការងារពី Google cluster-usage traces និងប្រើប្រាស់ការក្លែងធ្វើ (Simulation) ដោយផ្អែកលើម៉ូដែលកម្តៅ CRAC ជាជាងការសាកល្បងក្នុងបរិស្ថានរូបវន្តពិតប្រាកដ។ នេះជារឿងដែលត្រូវប្រុងប្រយ័ត្នសម្រាប់កម្ពុជា ដោយសារមជ្ឈមណ្ឌលទិន្នន័យក្នុងស្រុកមានហេដ្ឋារចនាសម្ព័ន្ធ ប្រព័ន្ធត្រជាក់ និងសីតុណ្ហភាពខាងក្រៅខុសពីស្តង់ដាររបស់ Google ដែលទាមទារការកែតម្រូវម៉ូដែលបន្ថែម។
បច្ចេកវិទ្យានេះមានសក្តានុពលខ្ពស់ និងឆ្លើយតបយ៉ាងល្អទៅនឹងបញ្ហាប្រឈមនៃថ្លៃអគ្គិសនី និងអាកាសធាតុក្តៅនៅក្នុងប្រទេសកម្ពុជា។
សរុបមក ការអនុវត្ត DRL សម្រាប់ការចាត់ចែងមជ្ឈមណ្ឌលទិន្នន័យ នឹងក្លាយជាដំណោះស្រាយដ៏វៃឆ្លាតមួយជួយជំរុញឧស្សាហកម្មឌីជីថលកម្ពុជាឲ្យមានប្រសិទ្ធភាពចំណាយ និងកាត់បន្ថយផលប៉ះពាល់បរិស្ថាន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Deep Reinforcement Learning (DRL) | ជាសាខាមួយនៃបញ្ញាសិប្បនិម្មិត (AI) ដែលបង្រៀនកុំព្យូទ័រឱ្យចេះធ្វើសេចក្តីសម្រេចចិត្ត តាមរយៈការសាកល្បងខុសត្រូវដោយខ្លួនឯង រួចយកពិន្ទុ (រង្វាន់ ឬ ការផាកពិន័យ) ពីបរិស្ថានជុំវិញ ដើម្បីកែលម្អសកម្មភាពរបស់ខ្លួនឱ្យកាន់តែល្អឥតខ្ចោះនៅពេលក្រោយ។ | ដូចជាការបង្ហាត់សត្វកូនឆ្កែឱ្យចេះចាប់បាល់ ដោយផ្តល់ចំណីពេលវាធ្វើត្រូវ និងស្តីបន្ទោសតិចៗពេលវាធ្វើខុស រហូតដល់វាចេះចាប់បាល់បានយ៉ាងស្ទាត់ជំនាញ។ |
| Multi-Agent System | ជាប្រព័ន្ធដែលផ្សំឡើងពីកម្មវិធីឆ្លាតវៃ (ភ្នាក់ងារ AI) ចាប់ពីពីរឡើងទៅ ដែលធ្វើការរួមគ្នា ឬប្រកួតប្រជែងគ្នាក្នុងបរិស្ថានតែមួយ។ ក្នុងឯកសារនេះ គឺភ្នាក់ងារបែងចែកការងារសេវើ និងភ្នាក់ងារបញ្ជាម៉ាស៊ីនត្រជាក់ ដែលត្រូវសហការគ្នាដើម្បីសន្សំសំចៃភ្លើងសរុប។ | ដូចជាក្រុមកីឡាករបាល់ទាត់ ដែលម្នាក់ៗមានតួនាទីផ្សេងៗគ្នានៅលើទីលាន ប៉ុន្តែត្រូវសហការគ្នាយ៉ាងស្អិតរមួតដើម្បីយកឈ្នះការប្រកួតតែមួយ។ |
| Actor-Critic (AC) | ជារចនាសម្ព័ន្ធនៃ AI ដែលមានផ្នែកពីរសំខាន់៖ "អ្នកធ្វើសកម្មភាព" (Actor) ដែលជាអ្នកសម្រេចចិត្តថានឹងត្រូវធ្វើអ្វីបន្ត និង "អ្នកវាយតម្លៃ" (Critic) ដែលជាអ្នកវិនិច្ឆ័យថាតើសកម្មភាពនោះល្អ ឬអាក្រក់ប៉ុណ្ណា ដើម្បីប្រាប់ត្រលប់ទៅ Actor ឱ្យកែតម្រូវសកម្មភាពបន្ទាប់របស់ខ្លួន។ | ដូចជាសិស្សកំពុងរៀនគូរគំនូរ (Actor) និងគ្រូដែលឈរមើលពីក្រោយហើយចាំប្រាប់ចំណុចខ្វះខាត (Critic) ដើម្បីឱ្យសិស្សគូរគំនូរបន្ទាប់បានកាន់តែស្អាត។ |
| Computer Room Air Conditioner (CRAC) | ជាប្រព័ន្ធម៉ាស៊ីនបញ្ចុះកម្ដៅខ្នាតធំដែលរចនាឡើងពិសេសសម្រាប់ប្រើក្នុងមជ្ឈមណ្ឌលទិន្នន័យ (Data Centers) ដើម្បីគ្រប់គ្រងសីតុណ្ហភាព លំហូរខ្យល់ និងសំណើម ក្នុងគោលបំណងការពារកុំឱ្យម៉ាស៊ីនមេ (Servers) ឡើងកម្ដៅខ្លាំងរហូតដល់គាំង ឬខូចខាត។ | ដូចជាទូទឹកកកដ៏ធំមួយដែលផ្លុំខ្យល់ត្រជាក់ពីក្រោមបាតកម្រាល ចូលទៅបញ្ចុះកម្ដៅឱ្យម៉ាស៊ីនកុំព្យូទ័ររាប់ពាន់គ្រឿងកុំឱ្យឆេះពេលកំពុងធ្វើការខ្លាំង។ |
| Power Usage Effectiveness (PUE) | ជារង្វាស់ស្តង់ដារដែលគេប្រើដើម្បីវាស់ពីប្រសិទ្ធភាពនៃការប្រើប្រាស់ថាមពលរបស់មជ្ឈមណ្ឌលទិន្នន័យ ដែលគណនាដោយយកថាមពលសរុប (រួមទាំងម៉ាស៊ីនត្រជាក់ ភ្លើងបំភ្លឺ) ចែកនឹងថាមពលដែលប្រើដោយកុំព្យូទ័រផ្ទាល់។ បើ PUE កាន់តែខិតជិតលេខ ១ មានន័យថាចំណាយភ្លើងកាត់តែមានប្រសិទ្ធភាព។ | ដូចជាការគិតលុយចំណាយលើមុខជំនួញ ដោយវាយតម្លៃថា តើប្រាក់ប៉ុន្មានភាគរយត្រូវបានចាយលើគោលដៅពិតប្រាកដ និងប៉ុន្មានភាគរយត្រូវបានខាតបង់លើការចំណាយបន្ទាប់បន្សំ។ |
| Quality of Service (QoS) | ជាកម្រិតស្តង់ដារនៃការផ្តល់សេវាកម្មកុំព្យូទ័រទៅដល់អ្នកប្រើប្រាស់ ដោយផ្តោតលើល្បឿននៃការដំណើរការទិន្នន័យ ការកាត់បន្ថយពេលវេលារង់ចាំ (Waiting time) និងការធានាមិនឱ្យប្រព័ន្ធគាំង ឬរអាក់រអួលដោយសារខ្វះធនធាន។ | ដូចជាការទៅញ៉ាំអាហារនៅភោជនីយដ្ឋាន បើម្ហូបចេញមកលឿន ឆ្ងាញ់ និងគ្មានការរអ៊ូរទាំពីភ្ញៀវ នោះគេហៅថាហាងនោះមានសេវាកម្មល្អឥតខ្ចោះ។ |
| Adaptive Score (AS) | ជាប្រព័ន្ធដាក់ពិន្ទុដែលក្រុមអ្នកស្រាវជ្រាវបង្កើតឡើង ដើម្បីវាស់ស្ទង់ថាតើម៉ាស៊ីនមេមួយមានទំហំធនធាន (CPU/RAM) ស័ក្តិសមប៉ុណ្ណាទៅនឹងទំហំការងារដែលវាត្រូវធ្វើ ដើម្បីផ្តល់ជាតម្រុយ (Human knowledge) ដល់ AI ឱ្យបែងចែកធនធានបានត្រឹមត្រូវ និងមិនខ្ជះខ្ជាយ។ | ដូចជាការវាស់ទំហំស្បែកជើងឱ្យត្រូវនឹងជើងអ្នកពាក់ បើស្បែកជើងធំពេកក៏ពិបាកដើរ បើតូចពេកក៏ពាក់មិនចូល គឺត្រូវជ្រើសរើសស្បែកជើងណាដែលល្មមជើងមែនទែនទើបល្អ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
