Kepler目前提供了两种部署途径，因应裸机环境（Bare Metal）与公有云虚拟环境（VM）中 Kubernetes 集群的能耗数据搜集需求。在裸机环境中，企业可直接通过硬件传感器即时获取系统功率指针；在公有云虚拟机环境中，由于云端供应商未公开硬件传感器的数据，需依训练好的功率模型来推论背后的功率数据，提供给Kepler使用，来推估能耗数据。 （／IBM）

他指出，Kepler目前提供了裸机环境（Bare Metal）与公云的虚拟环境（VM）两种部署途径，根据不同的部署方式，测量的能耗结果的准确度可能会有所差异。

在裸机环境中，由于可以直接存取硬件传感器上的数据，Kepler能够直接获取CPU使用率、内存和GPU操作等系统指针来估算能耗。例如，当一个Process使用了10%的CPU，也就占用了CPU功耗的10%，进而精确测量每个Process、容器或Pod的能耗数据。

相比之下，在公云的虚拟环境上，因为云端供应商未公开硬件传感器的数据，Kepler无法直接测量VM的功耗，只能依赖事先训练的功率预测模型，来推估每个虚拟机的功耗，因此，在公云虚拟环境中的能耗测量准确度不及裸机环境。

在公云环境中，Kepler推估VM的功率需要一个功率模型，这个功率模型必须在模型服务器上完成训练，先用裸机的数据训练出一个功率模型之后，再把整套模型服务器软件装到和Kepler相同的运行环境，来根据该环境提供的信息来推论背后的功率数据，提供给Kepler使用，来推估能耗数据。

Marcelo强调，Kepler项目团队正持续改进Kepler工具，以提升功率模型的准确性。例如针对亚马逊AWS等公云使用的硬件训练专属功率模型。此外，随着新处理器的推出，团队也会陆续增加更多功率模型。

Kepler近期添加VM功耗建模功能，开始支持搜集EC2 Spot实例的能耗数据，也利用开放功耗数据库SPECpower来训练模型，此外，还能结合Kuberentes云原生CI/CD工具Tekton，创建自动化模型训练流程。

但他坦言，目前在公有云虚拟机环境中，使用功率模型进行估算，虽已尽可能接近实际数据，但准确度仍难达到100%。他期盼未来云端供应商能公开每台虚拟机的能耗数据，以便更精确地计算云端应用的能耗数据。

近来，不少云原生永续新项目与Kepler工具结合，逐渐形成生态系，像是Peaks项目可以感知功耗变化并调整工作负载调度，优化Kubernetes资源分配与调度。Clever项目则可利用ML模型预测和调整Pod资源使用进行调度等。

 相关报导