Prof. Dr. Wolfram Schiffmann
Foto: Hardy Welsch
Kontakt
E-Mail: wolfram.schiffmann
Institutionelle Anbindung
Fakultät für Mathematik und Informatik
Lehrgebiet Rechnerarchitektur
Forschungsinteressen
(im Themenbereich des Forschungsschwerpunktes)
Der Energiebedarf moderner Rechenzentren steigt stetig an und hat mit mehr als 1,5 % einen signifikanten Anteil an der insgesamt benötigten elektrischen Energie. Dies verursacht steigende Kosten zum Betrieb der Hardware-Infrastruktur und deren Kühlung. Im Bereich von großen Rechenzentren kann der Energiebedarf durch intelligentes Verteilen von Lasten erreicht werden. Auf diese Weise können Rechenknoten in energieeffizienten Bereichen der Auslastung betrieben werden, um bei gleicher oder nahezu gleicher Leistungsfähigkeit Energie einzusparen. Wechselnde Anforderungen bezüglich der auszuführenden Rechenleistung, z. B. geringe Auslastungen in den Nachtstunden, können genutzt werden, um Rechner in einen Energiesparmodus zu versetzen oder abzuschalten. Letzteres hat den Vorteil, dass viel elektrische Energie eingespart wird. Das Lehrgebiet verfolgt diesen Ansatz in seiner Forschung unter verschiedenen Gesichtspunkten weiter. Da eine gute Prognose des zukünftigen Rechenbedarfs für alle schaltenden Verfahren von großer Bedeutung ist, werden Lastprädiktoren auf Basis künstlicher neuronaler Netze entwickelt.
Ein großer Anteil der Umweltbelastungen heutiger Städte ist auf den Pendelverkehr zurückzuführen. Smart-Mobility-Lösungen können die Verkehrssituation verbessern, indem sie den Verkehr gleichmäßiger entlang verschiedener Routen, Zeiten und Verkehrsmittel verteilen. Diese Idee wird zusammen mit einer interdisziplinären Forschergruppe im Projekt STREAM verfolgt. Ähnlich wie bei den energieeffizienten Rechensystemen kann auch hier eine gute Prognose der zukünftigen Verkehrslage dazu genutzt werden, die Verkehrsströme so zu leiten, dass eine bessere Auslastung des vorhandenen Straßennetzes und somit eine Reduktion der temporären Schadstoffemissionen möglich wird. Durch eine Smartphone-App sollen Endanwender geplante Ziele, Routen und Reisezeitfenster hinterlegen können und geeignete Startzeiten sowie Routen vorgeschlagen bekommen. Zur Erfassung der Verkehrslage sollen sowohl stationäre als auch mobile Sensoren eingesetzt werden, die als Zusatzfunktion in der Smartphone-App integriert werden. Diese Sensordaten dienen als Eingabe in ein künstliches neuronales Netz, das anhand früherer Daten trainiert wird und die zukünftige Verkehrslage vorhersagen kann.
-
(im Themenbereich des Forschungsschwerpunktes)
- Lenhardt, J./Chen, K./Schiffmann, W. (2017): Energy-efficient Web Server Load Balancing, in: IEEE Systems Journal, Vol. 11, No. 2, pp. 878-888.
- Lenhardt, J./Schiffmann, W. (2016): Energy Efficient Processing of Fully Divisible Loads in Heterogeneous Server Farms, Proceedings of Fourth International Symposium on Computing and Networking.
- Lenhardt, J./Schiffmann, W./Jannevers, S. (2016): Prediction of Future Loads Using Neural Networks for Energy Efficient Computing, Proceedings of Fourth International Symposium on Computing and Networking, pp. 579-585.
- Lenhardt, J./Schiffmann, W./Keller, J. (2016): Interplay of Power Management at Core and Server Level, in: International Journal of Computer, Electrical, Automation and Information Engineering, Vol. 10, No. 1, pp. 136-141.
- Lenhardt, J./Schiffmann, W. (2015): Overhead-aware Load Distribution and System Shutdown for Energy-Efficient Computing, in: International Journal of Networking and Computing, Vol. 5, No. 2, pp. 304-328.
