Energieverbrauch von Microservices: Drei Messwerkzeuge im Vergleich

Im Zuge der Digitalisierung wächst der Energieverbrauch und damit der ökologische Fußabdruck von Software stetig. Das gilt insbesondere für die in Clouds laufenden Microservices. Mit geeigneten Werkzeugen kann dieser Fußabdruck gemessen werden. Im Folgenden werden die Messtools, LiMo, das Green Metrics Tool und Kepler, vorgestellt und ihre Einsatzmöglichkeiten erläutert.

Der Anteil der IT an den globalen Emissionen liegt geschätzt zwischen 2 und 4 Prozent¹ und damit auf einem ähnlichen Niveau wie das Flugwesen, das gemeinhin als großer Erzeuger von Emissionen gilt. In der IT entstehen Emissionen durch die Herstellung der benötigten Hardware sowie über den Nutzungszeitraum der Hardware. Trotz stetiger Verbesserungen wird der Großteil der weltweit in der IT verbrauchten Energie aktuell noch immer aus fossilen Energieträgern gedeckt. Daher korrelieren hier Emissionen und Energieverbrauch, und eine Reduzierung des Energieverbrauchs führt zu niedrigeren Emissionen.

Um die Wirksamkeit von Maßnahmen zur Reduzierung des Energieverbrauchs von Software zu überprüfen, ist es notwendig, verlässliche Messwerkzeuge an der Hand zu haben, die im besten Fall auch noch angenehm zu bedienen sind. Erst durch die Messung und den Vergleich verschiedener Referenzimplementierungen der gleichen funktionalen Logik sind wir in der Lage, wissenschaftlich fundierte Empfehlungen zur Reduktion von Software verursachten Emissionen zu geben.

Energieverbrauch von Microservices messen

Die exakte Messung des Energieverbrauchs einer einzelnen Anwendung ist in der Praxis kaum umsetzbar, insbesondere nicht in einem mehrfach virtualisierten Set-up wie bei typischen Cloud-Umgebungen. Stattdessen kommen Vereinfachungen, Annäherungen und Modelle zum Einsatz. Für praktisch relevante Ansätze müssen dabei mindestens die drei folgenden Anforderungen erfüllt sein:

• Messbarkeit beschreibt die Auswahl und Messung solcher Kenngrößen, die einerseits während der Laufzeit eines Microservice leicht zu bestimmen sind und andererseits in Beziehung zum Energieverbrauch stehen. Üblicherweise sind dies die Anteile des Microservice an der Auslastung von CPU und Hauptspeicher, da beide Werte häufig den größten Anteil am Energieverbrauch einer Anwendung tragen. Dazu kommt gelegentlich die Menge an über das Netzwerk übertragener Daten, wobei hier die Berechnung des Energieverbrauchs deutlich schwieriger fällt.
• Vergleichbarkeit beschreibt, wie man stabile Messungen erzielt. Typisch dafür sind mehrfache Wiederholungen der Messungen mit Berechnung von Mittelwerten, um zufällige Schwankungen und Beeinflussungen durch andere Prozesse auf einem Computer auszugleichen. Ein anderer Ansatz sind längere Messungen, um unerwünschte Effekte auf die Messergebnisse zu verringern.
• Reproduzierbarkeit beschreibt, dass eine Messung wiederholbar und damit nachprüfbar ist. Die Messung sollte auf gleicher oder ähnlicher Hardware zu vergleichbaren Ergebnissen kommen. Sie stellt außerdem sicher, dass es möglich ist, den Effekt von Änderungen in Implementierungen zu erkennen oder Trends aufzudecken.

Auch wenn der Energieverbrauch von Microservices nur indirekt und potenziell annähernd bestimmt werden kann, erlauben diese drei Anforderungen Vergleiche zwischen unterschiedlichen Varianten eines Microservice. Mit LiMo, dem Green Metrics Tool und Kepler stehen drei Messwerkzeuge zur Verfügung, die diese Anforderungen erfüllen. Alle drei verfolgen leicht unterschiedliche Ansätze mit ihren eigenen Stärken und Schwächen.

Messen mit einem linearen Modell – LiMo

GreenFrame ist ein Open-Source-Messwerkzeug zur Bestimmung des Energieverbrauchs von Webseiten. Es bietet allerdings auch die Möglichkeit, den Energieverbrauch von containerisierten Anwendungen, wie zum Beispiel Microservices, zu messen. Das Kernmodell von GreenFrame haben wir zu einer Konsolenapplikation namens LiMo, als Abkürzung für „Lineares Modell“, kondensiert. Die Motivation für die Namenswahl liefert das Vorgehen von GreenFrame, das CPU- und Speicherverbrauch der Container misst und beide Zahlen mit konstanten, empirischen Werten normalisiert und zu einem Energieverbrauch aggregiert. Dieser Wert gibt den Verbrauch für ein exemplarisches System wieder und kann nicht als absolute Kenngröße genutzt werden. Für Gegenüberstellungen ist der Wert allerdings sehr wohl hilfreich.

Als Konsolenapplikation sind LiMo bzw. GreenFrame dafür ausgelegt, lokal auf dem Entwickler-Notebook ausgeführt zu werden, für kontinuierliche Messungen könnte man sie aber auch in eine CI-Pipeline integrieren. Die zu messende Anwendung wird dann typischerweise lokal als Container in Docker (oder gemeinsam mit eventuell benötigten Backend-Services in Docker-Compose) ausgeführt und von einem ebenfalls lokal betriebenen Lastgenerator unter Last gesetzt. Parallel läuft LiMo und misst den Energieverbrauch.

Hardwarenahes Messen – Green Metrics Tool

Das Green Metrics Tool ist ein Open-Source-Messwerkzeug zur Erfassung des Energieverbrauchs containerisierter Anwendungen. Es benutzt eine detaillierte Ausführungssteuerung, bei der neben Lastzeiten auch Ruhezeiten berücksichtigt werden. Dabei werden Kenngrößen aus vielen verschiedenen Sensoren, je nach Laufzeitumgebung, gemessen. Für virtualisierte Umgebungen steht unter anderem ein Sensor zur Verfügung, der mithilfe eines Machine-Learning-Modells den Energieverbrauch des Prozessors anhand der CPU-Auslastung sowie konfigurierbarer Hardware-Metadaten abschätzt. Dadurch ergibt sich eine vergleichsweise hardwarenahe Bestimmung des Energieverbrauchs auch für durch Container virtualisierte Anwendungen. Die während der Messung über die Sensoren erhaltenen Werte werden in einer Datenbank gespeichert. Eine Benutzeroberfläche ermöglicht die Visualisierung sowie den Vergleich verschiedener Messungen.

Wir haben das Green Metrics Tool in einer Public-Cloud-Umgebung eingesetzt (vgl. Abbildung 2). Hierbei lief nur der Microservice zusammen mit dem Green Metrics Tool in einer Instanz. Alle anderen Komponenten liefen auf separaten Instanzen, um die Messung nicht zu beeinflussen.

Messen im Kubernetes-Cluster – Kepler

Kepler ist ein Open-Source-Messwerkzeug zur Protokollierung des Energieverbrauchs von Nodes und Pods in einem Kubernetes-Cluster. Während der Laufzeit von Microservices sammelt es kontinuierlich Verbrauchsdaten von verschiedenen Sensoren, insbesondere von Performance-Sensoren im Linux-Kernel. Aus diesen Daten aggregiert Kepler Übersichten, wobei ein lineares Modell ähnlich dem in LiMo zum Einsatz kommt. Optional kann ein Machine-Learning-Modell aktiviert werden, was wir allerdings bisher nicht getestet haben.

Wie beim Green Metrics Tool haben wir Kepler in einer Public-Cloud-Umgebung eingesetzt (vgl. Abbildung 3). Genau wie bei den anderen Set-ups lief der Microservice ohne Replikation in einer Instanz. Sowohl Backend als auch Kepler liefen ebenso im Cluster, während wir die Lasttests von einem Entwickler-Notebook ausgeführt haben.

Vergleich der Messwerkzeuge

Die betrachteten Messwerkzeuge unterscheiden sich in ihren Ansätzen. LiMo und das Green Metrics Tool sind vorrangig für Benchmarks gedacht, während Kepler kontinuierliche Messungen, selbst in produktiven Umgebungen, erlaubt, woraus man Trends ablesen kann. Dass diese verschiedenen Messansätze durchaus zu unterschiedlichen Ergebnissen führen können, zeigen wir in einem folgenden Artikel.

Unserer Erfahrung nach lassen sich alle drei Werkzeuge leicht aufsetzen, wobei LiMo aufgrund seiner Einfachheit einen Vorteil aufweist. Im Betrieb wirkt Kepler unausgereift, wir konnten häufig Aussetzer und Fehler beobachten. LiMo und das Green Metrics Tool sind dagegen robust. Kepler und das Green Metrics Tool bieten mit einer großen Zahl an unterstützten Sensoren sowie der Aufzeichnung der Messergebnisse und grafischen Übersichten einen deutlichen Mehrwert gegenüber LiMo in Bezug auf Benutzerfreundlichkeit.

Wir halten LiMo für ein gutes Werkzeug für initiale, einfache Messungen und Vergleiche. Das Green Metrics Tool wirkt insgesamt vertrauenswürdiger und erlaubt zudem Analysen vom Zusammenspiel mehrerer Microservices. Von Kepler raten wir gegenwärtig eher ab aufgrund der regelmäßig auftretenden Probleme.

¹ C. Freitag et al., The real climate and transformative impact of ICT: A critique of estimates, trends, and regulations, Cell Press, 2021

Autoren: Andreas Weber , Sascha Böhme und Florian W.