CN104423531A - 数据中心能耗调度处理方法及装置 - Google Patents
数据中心能耗调度处理方法及装置 Download PDFInfo
- Publication number
- CN104423531A CN104423531A CN201310399815.7A CN201310399815A CN104423531A CN 104423531 A CN104423531 A CN 104423531A CN 201310399815 A CN201310399815 A CN 201310399815A CN 104423531 A CN104423531 A CN 104423531A
- Authority
- CN
- China
- Prior art keywords
- rack
- data center
- resource utilization
- environment temperature
- load
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3206—Monitoring of events, devices or parameters that trigger a change in power modality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供了一种数据中心能耗调度处理方法及装置,该方法包括:获取数据中心一个或多个机柜的资源利用率和/或环境温度;依据获取的资源利用率和/或环境温度对数据中心能耗进行调度,通过本发明,解决了相关技术中存在对数据中心的能耗减少处理不全面,导致数据中心能耗利用效率不高的问题,进而达到了不仅能够实现负载分配的能耗调度,而且在一定程度上有利地降低了数据中心制冷设备能耗的效果。
Description
技术领域
本发明涉及通信领域,具体而言,涉及一种数据中心能耗调度处理方法及装置。
背景技术
随着企业对云计算所提供的信息处理能力需求的增长,可以想象数据中心将会像发电厂一样成为不可缺少的公共基础设施。这一趋势从各地纷纷立项开始建设的数据中心数量就可以得到验证,同时新建的数据中心规模迅速扩张,计算密度以及能量需求(包括制冷设施与计算设备)也快速增长。从现有的数据中心的运营数据中可以看出,能量供应的开支逐渐成为数据中心运营过程中的主要支出之一,如何减少不必要的能源开销,提高现有设备的能量利用效率,降低整个数据中心的能源开支,进而减少温室气体排放保护环境。
在相关技术中,对数据中心能量使用效率的研究,主要集中在如何通过虚拟化技术来降低计算能耗。基于虚拟机在计算资源的整合以及计算任务的迁移等方面的特性,互联网数据中心(Internet Data Center,简称为IDC)预测近年将会第一次有超过50%的企业应用运行在虚拟机中,同时每年将有超过23%的出厂服务器支持虚拟化技术,即这些出厂的服务器将会预安装虚拟机监视器。可以预见虚拟化技术将会成为未来企业应用的重要基础。对于数据中心节能管理而言,虚拟化技术也是重要的组成部分。
在对数据中心能量使用效率的研究集中在如何通过虚拟化技术来降低计算能耗时,主要依据服务器间的负载均衡,然而影响数据中心的热量分布还涉及多方面因素,在相关技术并不存在对数据中心的热量分布进行统一考虑的技术处理。
因此,在相关技术中存在对数据中心的能耗减少处理不全面,导致数据中心能耗利用效率不高的问题。
发明内容
本发明提供了一种数据中心能耗调度处理方法及装置,以至少解决在相关技术中存在对数据中心的能耗减少处理不全面,导致数据中心能耗利用效率不高的问题。
根据本发明的一个方面,提供了一种数据中心能耗调度处理方法,包括:获取数据中心一个或多个机柜的资源利用率和/或环境温度;依据获取的所述资源利用率和/或环境温度对所述数据中心能耗进行调度。
优选地,依据获取的所述环境温度对所述数据中心能耗进行调度包括:判断在预定的时间段内获取的所述一个或多个机柜中最高的环境温度是否有降低;在判断结果为是的情况下,提高所述数据中心制冷设备的供气温度。
优选地,依据获取的所述资源利用率及所述环境温度对所述数据中心能耗进行调度包括:依据获取的所述资源利用率及所述环境温度确定负载分配机柜;依据确定的所述负载分配机柜对所述数据中心能耗进行调度。
优选地,依据获取的所述资源利用率及所述环境温度确定所述负载分配机柜包括:确定获取的所述一个或多个机柜的资源利用率及所述环境温度为样品值;依据所述样品值,预测在所述一个或多个机柜新增负载后所述一个或多个机柜的资源利用率预测值及环境温度预测值;确定在所述资源利用率预测值不过载的情况下,所述环境温度预测值最小对应的机柜为负载分配机柜。
优选地,在确定在所述资源利用率预测值不过载的情况下,所述环境温度预测值最小对应的机柜为所述负载分配机柜之后,还包括:统计在新增负载后实际获取的所述一个或多个机柜的资源利用率及环境温度值与所述预测资源利用率及所述环境温度预测值之间的误差;依据所述误差更新所述样品值。
根据本发明的另一方面,提供了一种数据中心能耗调度处理装置,包括:获取模块,用于获取数据中心一个或多个机柜的资源利用率和/或环境温度;调度模块,用于依据获取的所述资源利用率和/或环境温度对所述数据中心能耗进行调度。
优选地,所述调度模块包括:判断单元,用于判断在预定的时间段内获取的所述一个或多个机柜中最高的环境温度是否有降低;提高单元,用于在上述判断单元的判断结果为是的情况下,提高所述数据中心制冷设备的供气温度。
优选地,所述调度模块包括:确定单元,用于依据获取的所述资源利用率及所述环境温度确定负载分配机柜;调度单元,用于依据确定的所述负载分配机柜对所述数据中心能耗进行调度。
优选地,所述确定单元包括:第一确定子单元,用于确定获取的所述一个或多个机柜的资源利用率及所述环境温度为样品值;预测子单元,用于依据所述样品值,预测在所述一个或多个机柜新增负载后所述一个或多个机柜的资源利用率预测值及环境温度预测值;第二确定子单元,用于确定在所述资源利用率预测值不过载的情况下,所述环境温度预测值最小对应的机柜为负载分配机柜。
优选地,所述确定单元还包括:统计子单元,用于统计在新增负载后实际获取的所述一个或多个机柜的资源利用率及环境温度值与所述预测资源利用率及所述环境温度预测值之间的误差;更新子单元,用于依据所述误差更新所述样品值。
通过本发明,采用获取数据中心一个或多个机柜的资源利用率和/或环境温度;依据获取的所述资源利用率和/或环境温度对所述数据中心能耗进行调度,解决了相关技术中存在对数据中心的能耗减少处理不全面,导致数据中心能耗利用效率不高的问题,进而达到了不仅能够实现负载分配的能耗调度,而且在一定程度上有利地降低了数据中心制冷设备能耗的效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的数据中心能耗调度处理方法的流程图;
图2是根据本发明实施例的数据中心能耗调度处理装置的结构框图;
图3是根据本发明实施例的数据中心能耗调度处理装置中调度模块24的优选结构框图一;
图4是根据本发明实施例的数据中心能耗调度处理装置中调度模块24的优选结构框图二;
图5是根据本发明实施例的数据中心能耗调度处理装置中调度模块24中确定单元42的结构框图;
图6是根据本发明实施例的数据中心能耗调度处理装置中调度模块24中确定单元42的优选结构框图;
图7是根据本发明实施例的机架中各机柜的状态示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
在本实施例中提供了一种数据中心能耗调度处理方法,图1是根据本发明实施例的数据中心能耗调度处理方法的流程图,如图1所示,该流程包括如下步骤:
步骤S102,获取数据中心一个或多个机柜的资源利用率和/或环境温度,其中,该环境湿度可以为该一个或多个机柜的入口温度;
步骤S104,依据获取的资源利用率和/或环境温度对数据中心能耗进行调度。
通过上述步骤,通过对数据中心能耗利用不仅考虑服务器间负载均衡因素,而且考虑整个数据中心的环境温度因素,相对于相关技术中仅涉及片面的影响因素,不仅解决了相关技术中存在对数据中心的能耗减少处理不全面,导致数据中心能耗利用效率不高的问题,进而达到了不仅能够实现负载分配的能耗调度,而且在一定程度上有利地降低了数据中心制冷设备能耗的效果。
依据获取的环境温度(以机柜的入口温度为例进行说明)对数据中心能耗进行调度时,判断在预定的时间段内获取的一个或多个机柜中最高的环境温度是否有降低;在判断结果为是的情况下,提高数据中心制冷设备的供气温度,即通过提高制冷设备的供气温度,从而有效降低制冷设备的能耗,在一定程度上降低数据中心的能耗开销。
依据获取的资源利用率及环境温度对数据中心能耗进行调度时,还包括对各个机柜的负载进行分配处理,例如,可以依据获取的资源利用率及环境温度确定负载分配机柜(即新增负载对应的机柜);依据确定的该负载分配机柜对数据中心能耗进行调度,即使得新增的负载分配机柜为分配负载最为合理的一个机柜(即负载最少的一个机柜),不至于将一个新增负载分配到要过载的机柜中,而负载少的机柜又处于资源浪费的状态。
较优地,依据获取的资源利用率及环境温度确定负载分配机柜可以采用以下处理,先确定获取的一个或多个机柜的资源利用率及环境温度为样品值,即记录机柜的当前状态,并将该当前状态作为预测模块进行负载分配的样品;基于该样品值,预测在一个或多个机柜新增负载后一个或多个机柜的资源利用率预测值及环境温度预测值,即预测将新增负载分配到各个机柜上时,对新的热量分布产生的影响,即得到各个机柜可能的新状态;确定在资源利用率预测值不过载的情况下,环境温度预测值最小对应的机柜为负载分配机柜,即选择在新状态下最高入口温度最小对应的那个机柜为最优的负载分配机柜。
为了提高预测的精确度,在确定在资源利用率预测值不过载的情况下,环境温度预测值最小对应的机柜为负载分配机柜之后,同时也需要收集真实的数据反馈,即获取将新增负载分配到上述最优的负载分配机柜后,实际各个机柜的资源利用率及环境温度,而后,依据实际获取到的数据统计在新增负载后实际获取的一个或多个机柜的资源利用率及环境温度值与预测资源利用率及环境温度预测值之间的误差;再依据误差更新上述用于预测模拟决策的样品值。
在本实施例中还提供了一种数据中心能耗调度处理装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图2是根据本发明实施例的数据中心能耗调度处理装置的结构框图,如图2所示,该装置包括获取模块22和调度模块24,下面对该装置进行说明。
获取模块22,用于获取数据中心一个或多个机柜的资源利用率和/或环境温度;调度模块24,连接至上述获取模块22,用于依据获取的资源利用率和/或环境温度对数据中心能耗进行调度。
图3是根据本发明实施例的数据中心能耗调度处理装置中调度模块24的优选结构框图一,如图3所示,该调度模块24包括判断单元32和提高单元34,下面对该调度模块24进行说明。
判断单元32,用于判断在预定的时间段内获取的一个或多个机柜中最高的环境温度是否有降低;提高单元34,连接至上述判断单元32,用于在上述判断单元32的判断结果为是的情况下,提高数据中心制冷设备的供气温度。
图4是根据本发明实施例的数据中心能耗调度处理装置中调度模块24的优选结构框图二,如图4所示,该调度模块24包括确定单元42和调度单元44,下面对该调度模块24进行说明。
确定单元42,用于依据获取的资源利用率及环境温度确定负载分配机柜;调度单元44,连接至上述确定单元42,用于依据确定的负载分配机柜对数据中心能耗进行调度。
图5是根据本发明实施例的数据中心能耗调度处理装置中调度模块24中确定单元42的结构框图,如图5所示,该确定单元42包括第一确定子单元52、预测子单元54和第二确定子单元56,下面对该确定单元42进行说明。
第一确定子单元52,用于确定获取的一个或多个机柜的资源利用率及环境温度为样品值;预测子单元54,连接至上述第一确定子单元52,用于依据上述样品值,预测在一个或多个机柜新增负载后一个或多个机柜的资源利用率预测值及环境温度预测值;第二确定子单元56,连接至上述预测子单元54,用于确定在资源利用率预测值不过载的情况下,环境温度预测值最小对应的机柜为负载分配机柜。
图6是根据本发明实施例的数据中心能耗调度处理装置中调度模块24中确定单元42的优选结构框图,如图6所示,该确定单元42除包括图5所示的所有模块外,还包括统计子单元62和更新子单元64,下面对该确定单元42进行说明。
统计子单元62,连接至上述第二确定子单元56,用于统计在新增负载后实际获取的一个或多个机柜的资源利用率及环境温度值与预测资源利用率及环境温度预测值之间的误差;更新子单元64,连接至上述统计子单元62,用于依据上述误差更新上述样品值。
基于相关技术中,数据中心机柜的分布是冷、热走廊相间的布局方式,制冷设备提供的冷风从“冷走廊”的地下通过有缝的地板吹上来(一般数据中心的地板与地面之间都会有隔空的一层用于冷空气的流通),从机柜的前罩入口进去,与机柜内的热空气混合后从机柜后方排出,带走相应的热量,因此机柜的后方的走廊就是“热走廊”,这些“热风”大部分都会被制冷设备从顶部吸走,但是也会有少部分飘逸到“冷走廊”,从而影响机柜当中的工作站的入口温度。一般而言,工作站的温度应该小于设备供应商所指定的某个温度,才算是在安全的工作环境,例如,对所用到的小型数据中心而言该温度可以为32摄氏度,不同的工作站设备会有不同的安全工作温度。同时工作站的入口温度也与其当前的工作负荷有关,工作负荷越大其产生的热量也越多,而“冷风”所能带走的热量是一定的;另外工作站制造材质的不同也会有不同的导热属性。
因此,数据中心各个机架以至各个机柜的入口温度都会各不相同,而以往的云计算资源调度管理***仅考虑了各个服务器间的负载均衡问题,或是仅仅从虚拟机整合的角度来减少云数据中心的能耗开销,而忽略了数据中心热量分布的不均衡带来的制冷能耗的浪费。在本实施例中通过对数据中心负载的智能调度,使得数据中心的热量分布达到均衡,从而可以调高制冷设备的供气温度,进而降低制冷能耗的开销。因为目前为了保证数据中心所有设备的安全运行,制冷设备的供气温度都是与当前数据中心最高机柜入口温度相关,因此当数据中心的最高机柜入口温度降低时,就可以适当的提高供气温度,进而降低制冷设备的能耗。
针对相关技术中,数据中心中热量分布不均衡而导致制冷能耗过大的问题,在本实施例中提供了一种基于热量感知的负载调度方法,使得数据中心的热量分布尽可能达到均衡,从而使得制冷设备的供气温度得以适当提高,进而减少制冷能耗的开销。
该基于热量感知的云数据中心节能方法,包括以下步骤:
步骤S1,数据中心的物理环境监控:比如,热量的分布、制冷设备运行情况。监测数据中心中各个机架入口和机柜中每个工作站的入口温度。若监测数据显示室内温度升高到某一预定警报值,则通过网络自动给相关人员发送提醒和警报信息,让其及时采取措施避免计算设备长时间工作在高温环境下而影响使用年限;且管理者通过制冷设备的运行数据对设备是否正常运行进行快速判断。此外,还将收集到的这些信息进行网络集中存储,并为这些数据提供开放的接口;
步骤S2,数据中心层基于热量感知的负载调度策略:基于神经网络算法的模型,通过对历史数据的学习与建模,找到各个机架总负载与其入口温度的关系,进而通过模型预测新到负载分配到不同机架上的工作站将会带来的热量分布,通过比较各个热量分布结果,选取最优热量分布结果来决定新到负载被分配到哪个机架的工作站;
步骤S3,刀片机柜层基于热量感知的负载调度策略:也是基于神经网络及加强学习算法的模型,通过对历史数据的学习与建模,找到机架中各个机柜负载与其入口温度的关系,进而通过该模型可以预测新到负载分配到机架中不同机柜将会带来的热量分布,通过对各个热量分布结果的比较,选取最优热量分布结果来决定新到负载被分配到哪个机柜的工作站。
步骤S1中为了对数据中心的物理环境进行监控,比如,热量的分布以及制冷设备运行情况等,在每个机架和每一个机柜前都部署了温度传感器,可以感知每个机架和机柜中每个工作站的入口温度;另外在数据中心的制冷设备中也放有传感器来测量空调供应冷气的温度,空调内部的转速以及安全温度的设定等。若室内温度升高到某一预定警报值,可以通过网络自动给相关人员发送提醒和警报信息,让其及时采取措施避免计算设备长时间工作在高温环境下而影响使用年限;制冷设备的运行数据可以让管理者快速的判断该设备是否正常运行。此外,还将收集到的这些信息进行网络集中存储,并为这些数据提供开放的接口。
步骤S2和步骤S3中涉及的基于神经网络算法的模型预测算法可以包括如下步骤:
首先,需要收集一定的样本数据,包括各个机柜每隔一段时间的资源利用率,以及该机柜的入口温度等数据,用<Ui(t),Ti(t)>来表示每个机柜的状态。在基于神经网络预测模型的基础上,可以快速的通过对当前环境的状态-行为进行预测,
(1)
在上式(1)中,可以看到神经网络模型对新到负载分配行为的预测方式,箭头左边是***环境在时间t的状态,Ui(t)表示工作站i在t时刻的资源利用率,Ti(t)表示工作站i在t时刻的入口温度。箭头右边是***在新到负载分配到工作站i后的预测状态,其中Ti(t+1)′是由Ui(t+1)′通过神经网络预测模型计算而来,Ui(t+1)′在t+1时段开始时可以认为等同于Ui(t),在t+1时段的末尾再根据实际观测值进行更新。有了这些预测结果可以方便的找到其中的入口温度最高值,通过比较各种负载分配行为产生的结果找到,这样便可以确定哪一个工作站是最合适的负载接收节点。对于入口温度过高节点的负载迁移行为也可以通过同样的方法找到负载最合适的接收节点。在根据预测结果进行行为决策和执行后,同时也需要收集真实的***反馈,即真实的***环境入口温度最高值,将收集到的值添加到样本空间中,每隔一段时间根据新的样本空间来更新神经网络预测模型,提高预测的精度。
通过上述实施例及优选实施方式,不仅实现了基于机柜资源利用率和入口温度的智能负载分配策略的制定;而且实现了把神经网络模型与闭环控制理论相结合,通过不断更新神经网络预测模型来提高热量分布的预测精度。使得数据中心的热量分布尽可能均衡,进而减少制冷能耗的开销,从而达到节能的目的。
下面结合附图对本发明优选实施方式进行说明。
该基于热量感知的云数据中心节能方法包括以下步骤:
步骤S1,各个机柜的资源利用率和入口温度的监测:通过部署于数据中心的传感器以及运行于各个服务器上的监测模块对各个机柜的资源利用率和入口温度进行实时监测,每隔一段时间,计算并记录一次当前的机柜资源利用率和入口温度值<Ui(t),Ti(t)>,所有这些信息记录完成后,即发送给神经网络预测模块进行负载分配的决策的制定;
步骤S2,热量感知的智能负载分配策略的制定:神经网络预测模块根据各个机柜的当前状态,预测新到的负载分配到各个不同的机柜上后,对新的热量分布产生的影响,即得到各个机柜可能的新的状态<Ui(t+1),Ti(t+1)>,对不同分配选择产生的预测结果进行比较分析,选择最优的负载分配即新状态下的最高入口温度最小的那个选择,图7是根据本发明实施例的机架中各机柜的状态示意图,即在图7中选择的则为机柜3;
步骤S3,负载分配执行及执行后状态监测收集:根据步骤S2的决策结果执行负载的分配,同时监测收集负载分配后的机柜状态信息。根据观测的结果与实际预测结果进行误差统计,最后后续神经网络预测模型更新时的样本数据。
步骤S4,调整制冷设备的供气温度:根据状态监测收集的结果判断制冷设备是否可以适当调整其供气温度,如果监测结果显示最高入口温度有所降低,则可以适当提高制冷设备的供气温度,这样就可以减少制冷设备的能耗开销,达到节省整个数据中心能耗的目的。
其中,步骤S1中的机柜资源利用率主要可以是通过CPU资源的使用情况来表示;
步骤S2中的神经网络预测模型主要是可以通过对收集的样本空间进行分析建模,找到的各个机柜资源利用率与机柜入口温度之间的关系,即<U1(t),U2(t),U3(t)……,Ui(t),……>与<T1(t),T2(t),T3(t)……,Ti(t),……>之间的映射关系,进而步骤S2中的选择过程如下:
①首先将新到负载进行量化,如需要多少CPU资源等。这个过程需要对各种不同类型的负载进行资源需求统计。
②预测该负载分配到各个不同的机柜i,<U1(t),U2(t),U3(t)…Ui(t)+△u,…>所对应的可能的热量分布<T1(t+1),T2(t+1),T3(t+1),…,Ti(t+1),…>,并找到最大的入口温度MaxTi(t+1)。
③根据分配到不同的机柜i所找到的最大入口温度{MaxTi(t+1)},进而找到其中最小值Min{MaxTi(t+1)},最小值所对应的i即为最终将会选择的机柜。
步骤S3中所用的是在线加强学习技术,通过不断的学习改进模型的精度。
步骤S4中的调节控制制冷设备的供气温度的措施主要与设备供应商提供的接口相关,这个控制过程是可以通过软件控制完成的。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种数据中心能耗调度处理方法,其特征在于,包括:
获取数据中心一个或多个机柜的资源利用率和/或环境温度;
依据获取的所述资源利用率和/或环境温度对所述数据中心能耗进行调度。
2.根据权利要求1所述的方法,其特征在于,依据获取的所述环境温度对所述数据中心能耗进行调度包括:
判断在预定的时间段内获取的所述一个或多个机柜中最高的环境温度是否有降低;
在判断结果为是的情况下,提高所述数据中心制冷设备的供气温度。
3.根据权利要求1所述的方法,其特征在于,依据获取的所述资源利用率及所述环境温度对所述数据中心能耗进行调度包括:
依据获取的所述资源利用率及所述环境温度确定负载分配机柜;
依据确定的所述负载分配机柜对所述数据中心能耗进行调度。
4.根据权利要求1所述的方法,其特征在于,依据获取的所述资源利用率及所述环境温度确定所述负载分配机柜包括:
确定获取的所述一个或多个机柜的资源利用率及所述环境温度为样品值;
依据所述样品值,预测在所述一个或多个机柜新增负载后所述一个或多个机柜的资源利用率预测值及环境温度预测值;
确定在所述资源利用率预测值不过载的情况下,所述环境温度预测值最小对应的机柜为负载分配机柜。
5.根据权利要求4所述的方法,其特征在于,在确定在所述资源利用率预测值不过载的情况下,所述环境温度预测值最小对应的机柜为所述负载分配机柜之后,还包括:
统计在新增负载后实际获取的所述一个或多个机柜的资源利用率及环境温度值与所述预测资源利用率及所述环境温度预测值之间的误差;
依据所述误差更新所述样品值。
6.一种数据中心能耗调度处理装置,其特征在于,包括:
获取模块,用于获取数据中心一个或多个机柜的资源利用率和/或环境温度;
调度模块,用于依据获取的所述资源利用率和/或环境温度对所述数据中心能耗进行调度。
7.根据权利要求6所述的装置,其特征在于,所述调度模块包括:
判断单元,用于判断在预定的时间段内获取的所述一个或多个机柜中最高的环境温度是否有降低;
提高单元,用于在上述判断单元的判断结果为是的情况下,提高所述数据中心制冷设备的供气温度。
8.根据权利要求6所述的装置,其特征在于,所述调度模块包括:
确定单元,用于依据获取的所述资源利用率及所述环境温度确定负载分配机柜;
调度单元,用于依据确定的所述负载分配机柜对所述数据中心能耗进行调度。
9.根据权利要求6所述的装置,其特征在于,所述确定单元包括:
第一确定子单元,用于确定获取的所述一个或多个机柜的资源利用率及所述环境温度为样品值;
预测子单元,用于依据所述样品值,预测在所述一个或多个机柜新增负载后所述一个或多个机柜的资源利用率预测值及环境温度预测值;
第二确定子单元,用于确定在所述资源利用率预测值不过载的情况下,所述环境温度预测值最小对应的机柜为负载分配机柜。
10.根据权利要求9所述的装置,其特征在于,所述确定单元还包括:
统计子单元,用于统计在新增负载后实际获取的所述一个或多个机柜的资源利用率及环境温度值与所述预测资源利用率及所述环境温度预测值之间的误差;
更新子单元,用于依据所述误差更新所述样品值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310399815.7A CN104423531A (zh) | 2013-09-05 | 2013-09-05 | 数据中心能耗调度处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310399815.7A CN104423531A (zh) | 2013-09-05 | 2013-09-05 | 数据中心能耗调度处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104423531A true CN104423531A (zh) | 2015-03-18 |
Family
ID=52972823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310399815.7A Pending CN104423531A (zh) | 2013-09-05 | 2013-09-05 | 数据中心能耗调度处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104423531A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096874A (zh) * | 2016-08-18 | 2016-11-09 | 中国联合网络通信集团有限公司 | 数据中心的能效管理方法、装置和*** |
WO2016197849A1 (zh) * | 2015-06-09 | 2016-12-15 | 邻元科技(北京)有限公司 | 控制方法、冷机***、冷机控制器、冷却塔***、冷却塔控制器、水泵***和水泵控制器 |
WO2018023496A1 (zh) * | 2016-08-03 | 2018-02-08 | 深圳中兴力维技术有限公司 | 设备上架管理方法及装置 |
CN108139942A (zh) * | 2015-09-30 | 2018-06-08 | 华为技术有限公司 | 数据中心端到端功率效率建模的方法 |
CN109189190A (zh) * | 2018-10-16 | 2019-01-11 | 西安交通大学 | 一种基于温度预测的数据中心热量管理方法 |
CN109375994A (zh) * | 2018-09-10 | 2019-02-22 | 西安交通大学 | 基于rbf神经网络的数据中心任务温度预测及调度方法 |
CN109800066A (zh) * | 2018-12-13 | 2019-05-24 | 中国科学院信息工程研究所 | 一种数据中心节能调度方法及*** |
CN109890176A (zh) * | 2019-03-01 | 2019-06-14 | 北京慧辰资道资讯股份有限公司 | 一种基于人工智能优化机房能耗效率的方法及装置 |
CN110188932A (zh) * | 2019-05-20 | 2019-08-30 | 国核电力规划设计研究院有限公司 | 基于评价优化的数据中心能耗预测方法 |
CN111258398A (zh) * | 2020-01-10 | 2020-06-09 | 安擎(天津)计算机有限公司 | Ai服务器风扇速度调节方法、***、终端设备及存储介质 |
CN111506423A (zh) * | 2020-04-09 | 2020-08-07 | 网易(杭州)网络有限公司 | 一种资源的调度方法、装置、电子设备及存储介质 |
CN112667403A (zh) * | 2020-12-31 | 2021-04-16 | 北京百度网讯科技有限公司 | 一种服务器的调度方法、装置及电子设备 |
CN114828579A (zh) * | 2022-05-07 | 2022-07-29 | 福建万芯科技有限公司 | 集装箱数据中心的节能控制方法及相关设备 |
CN117395942A (zh) * | 2023-09-18 | 2024-01-12 | 广东云下汇金科技有限公司 | 一种基于智算中心的冷量自动调度*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110077795A1 (en) * | 2009-02-13 | 2011-03-31 | American Power Conversion Corporation | Data center control |
CN102620378A (zh) * | 2011-01-27 | 2012-08-01 | 国际商业机器公司 | 数据中心节能控制方法和*** |
CN102855157A (zh) * | 2012-07-19 | 2013-01-02 | 浪潮电子信息产业股份有限公司 | 一种综合性调度服务器负载的方法 |
CN103092316A (zh) * | 2013-01-22 | 2013-05-08 | 浪潮电子信息产业股份有限公司 | 一种基于数据挖掘的服务器功耗管理*** |
CN203010859U (zh) * | 2013-01-15 | 2013-06-19 | 中国工商银行股份有限公司 | 一种计算机机房制冷空调*** |
-
2013
- 2013-09-05 CN CN201310399815.7A patent/CN104423531A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110077795A1 (en) * | 2009-02-13 | 2011-03-31 | American Power Conversion Corporation | Data center control |
CN102620378A (zh) * | 2011-01-27 | 2012-08-01 | 国际商业机器公司 | 数据中心节能控制方法和*** |
CN102855157A (zh) * | 2012-07-19 | 2013-01-02 | 浪潮电子信息产业股份有限公司 | 一种综合性调度服务器负载的方法 |
CN203010859U (zh) * | 2013-01-15 | 2013-06-19 | 中国工商银行股份有限公司 | 一种计算机机房制冷空调*** |
CN103092316A (zh) * | 2013-01-22 | 2013-05-08 | 浪潮电子信息产业股份有限公司 | 一种基于数据挖掘的服务器功耗管理*** |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016197849A1 (zh) * | 2015-06-09 | 2016-12-15 | 邻元科技(北京)有限公司 | 控制方法、冷机***、冷机控制器、冷却塔***、冷却塔控制器、水泵***和水泵控制器 |
CN108139942A (zh) * | 2015-09-30 | 2018-06-08 | 华为技术有限公司 | 数据中心端到端功率效率建模的方法 |
WO2018023496A1 (zh) * | 2016-08-03 | 2018-02-08 | 深圳中兴力维技术有限公司 | 设备上架管理方法及装置 |
CN106096874A (zh) * | 2016-08-18 | 2016-11-09 | 中国联合网络通信集团有限公司 | 数据中心的能效管理方法、装置和*** |
CN109375994A (zh) * | 2018-09-10 | 2019-02-22 | 西安交通大学 | 基于rbf神经网络的数据中心任务温度预测及调度方法 |
CN109189190B (zh) * | 2018-10-16 | 2020-07-14 | 西安交通大学 | 一种基于温度预测的数据中心热量管理方法 |
CN109189190A (zh) * | 2018-10-16 | 2019-01-11 | 西安交通大学 | 一种基于温度预测的数据中心热量管理方法 |
CN109800066A (zh) * | 2018-12-13 | 2019-05-24 | 中国科学院信息工程研究所 | 一种数据中心节能调度方法及*** |
CN109890176A (zh) * | 2019-03-01 | 2019-06-14 | 北京慧辰资道资讯股份有限公司 | 一种基于人工智能优化机房能耗效率的方法及装置 |
CN110188932A (zh) * | 2019-05-20 | 2019-08-30 | 国核电力规划设计研究院有限公司 | 基于评价优化的数据中心能耗预测方法 |
CN111258398A (zh) * | 2020-01-10 | 2020-06-09 | 安擎(天津)计算机有限公司 | Ai服务器风扇速度调节方法、***、终端设备及存储介质 |
CN111506423A (zh) * | 2020-04-09 | 2020-08-07 | 网易(杭州)网络有限公司 | 一种资源的调度方法、装置、电子设备及存储介质 |
CN111506423B (zh) * | 2020-04-09 | 2023-06-30 | 网易(杭州)网络有限公司 | 一种资源的调度方法、装置、电子设备及存储介质 |
CN112667403A (zh) * | 2020-12-31 | 2021-04-16 | 北京百度网讯科技有限公司 | 一种服务器的调度方法、装置及电子设备 |
CN114828579A (zh) * | 2022-05-07 | 2022-07-29 | 福建万芯科技有限公司 | 集装箱数据中心的节能控制方法及相关设备 |
CN117395942A (zh) * | 2023-09-18 | 2024-01-12 | 广东云下汇金科技有限公司 | 一种基于智算中心的冷量自动调度*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104423531A (zh) | 数据中心能耗调度处理方法及装置 | |
CN109800066B (zh) | 一种数据中心节能调度方法及*** | |
US20190008072A1 (en) | Methods and systems for managing facility power and cooling | |
WO2021104096A1 (zh) | 容器云环境下的任务调度方法、装置、服务器及存储装置 | |
CA2982375C (en) | Predictive building control system and method for optimizing energy use and thermal comfort for a building or network of buildings | |
EP1877950B1 (en) | Methods and systems for managing facility power and cooling | |
US8131515B2 (en) | Data center synthesis | |
US8639482B2 (en) | Methods and systems for managing facility power and cooling | |
US7881910B2 (en) | Methods and systems for managing facility power and cooling | |
CN109375994B (zh) | 基于rbf神经网络的数据中心任务温度预测及调度方法 | |
Wang et al. | Stochastic optimization for energy management in power systems with multiple microgrids | |
KR101762061B1 (ko) | 클라우드 기반 에너지 사용량 예측 시스템 및 방법 | |
CN111722540A (zh) | 一种能源互联网数字孪生仿真***及方法 | |
CN102016754A (zh) | 基于环境条件的适宜性来最佳分配计算机服务器负载的方法 | |
CN110245771B (zh) | 需量预测方法、需量控制方法及*** | |
CN113348330B (zh) | 空调***的管理方法、控制方法及存储介质、控制平台 | |
KR101727434B1 (ko) | 랜덤 포레스트 모델을 이용한 냉동기의 성능 판단 방법 | |
US20210149353A1 (en) | Building control system with automatic control problem formulation using building information model | |
CN110175778A (zh) | 机组能效规划*** | |
US20130275097A1 (en) | Air flow estimation | |
US20140303795A1 (en) | System for distributing electrical energy over a cluster of electrical devices, method for distributing electrical energy over a cluster of electrical devices of such a system and controller for use in such a system | |
Vorozhtsov et al. | Resource control system stability of mobile data centers | |
CN113225994B (zh) | 一种面向数据中心的智能空调控制方法 | |
KR102600657B1 (ko) | 디지털 트윈 모델 기반 공장 에너지 관리 시스템의 제어 방법, 장치 및 시스템 | |
CN112821456B (zh) | 基于迁移学习的分布式源-储-荷匹配方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150318 |
|
RJ01 | Rejection of invention patent application after publication |