全球耗能数据中心的建设热潮正给电网带来巨大压力，使其更加依赖污染性化石能源。
麻省理工学院新晋终身副教授克里斯蒂娜·德利米特鲁正通过重新思考数据中心内计算机服务器和网络设备的运行方式，来应对这一环境威胁。
她和她的研究团队运用机器学习技术，让大型数据中心变得更高效、更安全、更可靠。他们重新设计过时的云计算系统，开发共享硬件资源的管理方法，并创建精简的服务器架构。
这些进展使数据中心运营商能够从现有硬件中榨取更多计算能力。
“如果数据中心没有充分发挥其能力，那么它们消耗的电力将远超满足日益增长的用户需求所必需的量，”德利米特鲁说。她是电气工程与计算机科学系（EECS）的KDD通信与技术职业发展副教授，也是计算机科学与人工智能实验室（CSAIL）的成员。“这些系统尤其是在软件层面存在大量冗余。如果我们能在不损害性能的前提下消除这些冗余，就不需要建造那么多新的数据中心了。”
她还利用AI帮助程序员发现并修复云端应用程序（如音乐流媒体服务或视频会议系统）中的问题，从而消除影响性能并消耗计算资源的应用程序停机问题。
德利米特鲁利用AI重新设计软件系统，使其更好地匹配现有硬件的能力。“在将AI应用于这些系统时面临的挑战之一是AI的不可解释性，”她说。“我们目前的许多工作都涉及为这些AI工具添加可解释性，以便人们能从系统中获得有用的反馈。”
“通过更有效地管理云端资源，终端用户在其智能手机上运行的应用程序能获得更可预测的性能，”她补充道。
数学启蒙
德利米特鲁在希腊北部广阔平原中的一个中等城镇长大。她对数学和科学的早期兴趣，部分源于她祖国的古老历史——欧几里得和毕达哥拉斯在2000多年前就在这里研究数学问题。
“在希腊，几何学有着悠久的传统，”她说。
她的父母也给了她科学启蒙。母亲是化学工程师，父亲是药剂师，两人都鼓励女儿与生俱来的好奇心。
对数学的早期热爱使德利米特鲁选择在雅典国立技术大学学习计算机工程，尽管她当时对这个领域了解不多。她很快就被专注于工程应用科学的课程所吸引。
在她的毕业论文——所有学生在五年学业的最后一年都要完成的项目中，她研究了当多个应用程序同时运行时计算机中的资源管理问题。
“我当时所面对的许多挑战，如果不是单一系统而是10万个这样的系统，难度会大得多。这个问题激起了我的兴趣，”她说。
为了作为研究者产生更大的影响力，德利米特鲁前往斯坦福大学攻读研究生学位。她开始着手解决云计算系统和大型数据中心中的低效问题，这在当时是一个快速发展的研究领域。
通过这项工作，德利米特鲁和她的研究导师、伦纳德·博萨克和桑迪·K·勒纳工程学教授克里斯托斯·科齐拉基斯意识到，许多大型计算系统的利用率都不足。
“你会以为，鉴于对这些系统的巨大需求，它们应该接近100%的满载运行。但我们发现大多数系统的利用率只有大约15%，”她说。“这不是一种资源高效或可持续的方式来扩展这些系统。”
应用AI技术
为了将利用率推高至接近100%，她开始研究机器学习解决方案，以简化繁琐的计算流程。机器学习可以自动化云端的资源管理操作，找出开发人员可能自己察觉不到的解决方案。
“当时，将机器学习应用于解决大规模系统问题是一种新颖的方法。这有一定风险，因为人们尚未证明这些技术确实有效，”德利米特鲁说。“但经验性方法需要大量专业知识，而系统的规模如此庞大，用户很难进行管理。这就是为什么机器学习往往是最佳解决方案。”
获得博士学位后，德利米特鲁在康奈尔大学担任助理教授期间延续了这一研究方向。
她的团队开发的一款工具Seer，利用深度学习在问题发生之前预测并防止网络应用程序中的故障，从而避免了开发人员手动修复问题时可能出现的大面积性能下降。
随着对云计算的深入研究，德利米特鲁注意到云应用程序正在发生变化。开发人员现在将应用程序拆分成更小的部分，分散到多个服务器上，以提高部署速度。
“但服务器并不是为这种新型应用程序设计方式而构建的。所以，我重新思考了之前的一些工作，为这类新型应用程序构建机器学习系统，”她说。
为应对这些新挑战，她发现自己越来越多地与拥有不同软硬件专业知识的教员合作。这些合作开辟了令人兴奋的新研究领域。
几年后，她决定加入麻省理工学院，因为这里有机会与硬件和软件工程领域顶尖的研究人员合作。她于2022年成为EECS的助理教授。
创新思路
在麻省理工学院，德利米特鲁也很享受教学工作。她最喜欢教授的课程之一是6.191（计算结构），这是一门每学期约有350名学生选修的热门本科课程。
尽管在这个不断发展的领域保持课程内容的新鲜感颇具挑战，但她始终致力于激发学生的创造力。
“我希望学生们学会如何自主思考和学习。这其中一部分涉及摆脱公式化的作业，让课程更加开放。我更愿意给学生们一些能让他们更深入思考的东西，”她说。
在实验室里，创新思维帮助德利米特鲁和她的团队发现了其他人可能忽视的云计算问题解决方案。
例如，她将之前关于云应用程序调试问题的研究扩展，不仅涵盖代码中的错误，还包括可能使用户数据易受黑客攻击的安全问题。
她还利用AI重新设计软件系统，使其更好地匹配现有硬件的能力。
“在将AI应用于这些系统时面临的挑战之一是AI的不可解释性，”她说。“我们目前的许多工作都涉及为这些AI工具添加可解释性，以便人们能从系统中获得有用的反馈。”
这不仅有助于开发人员确保AI给出正确答案，也为未来如何更好地设计系统提供了洞见。
她发现，研究这些大型云计算系统正变得越来越具有挑战性，因为运营数据中心的科技公司使用的是专有硬件，与早期云计算时代的通用设备不同，其软件系统也无法被学术团队访问。在实验室中有效的解决方案在现实世界中可能并不适用。
为此，德利米特鲁和她的团队创建了专有系统和应用程序的克隆版本。他们开发的一款名为Ditto的工具，能够模仿应用程序的结构和性能特征，从而支持广泛的研究工作。
她预计，随着机器学习模型变得更加先进，她的工作将继续发生变化，为提升应用程序性能和硬件效率开辟新的可能性。
“但你仍然必须谨慎使用AI。尽管它能极大地加速应用程序开发，但我们仍需要对其进行审核，并特别注意这些模型的应用方式，以免丧失从AI给出的解决方案中获取洞见的能力，”她说。
工作之外，德利米特鲁喜欢与丈夫和一岁的女儿共度时光。
尽管如今没有太多时间从事业余爱好，她仍喜欢园艺，为女儿搭建电动玩具火车轨道，弹奏古典钢琴，并绘制自然风景画。她在康奈尔大学时对绘画产生了兴趣，常常描绘校园附近众多的瀑布景色。
无论是在花园里劳作还是作画，德利米特鲁都表示，在户外度过的时光让她从工作的技术性中得到放松，同时也提醒着她，自己的研究在可持续发展方面所发挥的重要作用。
Q&A
Q1：数据中心为什么会对环境造成威胁？
A：全球耗能数据中心的建设热潮正给电网带来巨大压力，使其更加依赖污染性化石能源，这是当前数据中心面临的主要环境挑战。
Q2：机器学习如何帮助提升数据中心效率？
A：机器学习可以自动化云端的资源管理操作，识别开发人员可能忽视的解决方案，从而提高硬件利用率，减少不必要的新建数据中心需求。研究发现许多大型计算系统的利用率仅约15%，远低于理想水平。
Q3：德利米特鲁团队开发了哪些具体工具？
A：她的团队开发了Seer工具，利用深度学习在问题发生前预测并防止网络应用程序故障；还开发了Ditto工具，用于模仿专有应用程序的结构和性能特征，以便开展相关研究。
