NADIKI stellt erstmals reale Rechenzentrumsdaten für die Forschung bereit

NADIKI stellt erstmals reale Rechenzentrumsdaten für die Forschung bereit

Das NADIKI Projekt macht erstmals reale, pseudonymisierte Messdaten aus Produktivrechenzentren für die Forschung zugänglich — über ein JupyterLab mit Zugang zu Infrastruktureigenschaften, Stromverbrauch, Auslastung und Kühlung.

Das NADIKI Projekt stellt zum ersten Mal reale Messdaten aus Produktivsystemen für die Forschung bereit. Über eine JupyterLab-Umgebung erhalten Forschende Zugang zu den Eigenschaften der verfügbaren Systeme — Rechenzentrumsdaten wie PUE, Fläche, USVs und Dieselgeneratoren sowie IT-Systemdaten zu CPUs, GPUs, Speicher und RAM — und deren Metriken zu Stromverbrauch, Auslastung, Kühlung, Netzwerkverkehr sowie Schreib- und Lesevorgängen.

„Schon mit dem Open Data Hub haben wir das Ziel verfolgt, endlich gute, normalisierte Daten aus Rechenzentren und von IT-Systemen für die Forschung bereitzustellen. Nun ist es uns im NADIKI Projekt gelungen." — Max Schulze

Die Daten sind pseudonymisiert, um die Geheimhaltung der Betreiber zu schützen. X-Ion, Universität Paderborn und KoloDC unterstützen das Vorhaben als erste Rechenzentren, die ihre Daten für die Forschung verfügbar machen. Für die Umwandlung der Messdaten in Umweltwirkungsindikatoren nutzen wir die Schnittstellen von Boavizta und Electricity Maps.

Forschende können Zugang zum Forschungssystem über das Antragsformular anfragen.

DAZUgehörige publikationen

Keine

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.