Universität Stuttgart erprobt Databox-Anbindung an den NADIKI Registrar im Labor

Universität Stuttgart erprobt Databox-Anbindung an den NADIKI Registrar im Labor

Das IER und IAAS der Universität Stuttgart haben eine Databox entwickelt, die Energie- und Umweltmetriken aus der Rechenzentrums-Infrastruktur sammelt und an den NADIKI Registrar überträgt. Der erste Funktionstest im Labormaßstab verlief erfolgreich.

Das Institut für Energiewirtschaft und Rationelle Energieanwendung (IER) und das Institut für Architektur von Anwendungssystemen (IAAS) der Universität Stuttgart haben gemeinsam eine Databox entwickelt und im IER-Serverraum installiert. Die Databox sammelt Metriken aus der physischen Infrastruktur — Stromverbrauch, Temperatur und Luftfeuchtigkeit — und überträgt sie an den NADIKI Registrar. Der erste Funktionstest im Labormaßstab verlief erfolgreich.

Die Databox löst ein zentrales Problem der Observer-Architektur: Wie gelangen Messdaten aus bestehender Rechenzentrums-Infrastruktur in ein standardisiertes Format für den Registrar? Robin Pesl und Dinesh Vemula vom IAAS konzipierten und bauten die Databox-Architektur. Das IER stellte das Labor mit Lenovo-Edge-Servern und vollständiger Infrastruktur (Kühlung, USV) als Testumgebung bereit.

Databox-Installation im Server-Rack des IER-LaborsTestumgebung im Labor des IER an der Universität Stuttgart
Zur Forschung
NADIKI - Nachhaltigkeitsindikatoren für KI

Within the NADIKI Project, we are brining the Environmental Impact Indicators from the Life Cycle Assessment Methodology into Kubernetes. This enables Workloads, such as AI Training Workflows & Inference, to determine their operational impact and allow granular reporting. Using this data, we evaluate if an environmental product declaration for an AI model is possible.

Zur Forschung
NADIKI - Nachhaltigkeitsindikatoren für KI

Within the NADIKI Project, we are brining the Environmental Impact Indicators from the Life Cycle Assessment Methodology into Kubernetes. This enables Workloads, such as AI Training Workflows & Inference, to determine their operational impact and allow granular reporting. Using this data, we evaluate if an environmental product declaration for an AI model is possible.