CN107832204A - 一种基于mdc的服务器cpu能耗预测方法 - Google Patents

一种基于mdc的服务器cpu能耗预测方法 Download PDF

Info

Publication number
CN107832204A
CN107832204A CN201711224544.6A CN201711224544A CN107832204A CN 107832204 A CN107832204 A CN 107832204A CN 201711224544 A CN201711224544 A CN 201711224544A CN 107832204 A CN107832204 A CN 107832204A
Authority
CN
China
Prior art keywords
prediction
energy consumption
mdc
cpu
calculating
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
Application number
CN201711224544.6A
Other languages
English (en)
Inventor
李俊山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhengzhou Yunhai Information Technology Co Ltd
Original Assignee
Zhengzhou Yunhai Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhengzhou Yunhai Information Technology Co Ltd filed Critical Zhengzhou Yunhai Information Technology Co Ltd
Priority to CN201711224544.6A priority Critical patent/CN107832204A/zh
Publication of CN107832204A publication Critical patent/CN107832204A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3452—Performance evaluation by statistical analysis
    • 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)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于MDC的服务器CPU能耗预测方法，涉及数据中心领域，给出一种CPU空闲率的预测算法，定义预测的时间跨度，根据当前预测结果对算法进行自动调整，定义CPU能耗变化与CPU温升变化的关系，并将预测算法与MDC模块化数据中心动力环境监控***进行联动，使得服务器的能耗监控、预测与动力环境监控***进行有机融合；满足MDC动力环境监控***对于安全等级高的需求，提升动力环境监控***的服务支撑能力；通过能耗预测，提高了数据中心的运营效率，针对CPU能耗及温度的变化提供预警作用，很好地解决了当前只监控不预测的问题，提高了数据中心的运维安全等级。

Description

一种基于MDC的服务器CPU能耗预测方法
技术领域
本发明涉及数据中心领域，具体的说是一种基于MDC的服务器CPU能耗预测方法。
背景技术
随着云数据中心规模的不断发展以及人工智能技术的逐渐成熟，对数据中心服务器CPU的能耗预测需求迫在眉睫。可以看出，云数据中心的能耗监控是一个非常实用而且迫切需要的功能。监控能耗数据是基于能耗进行调度的基础。例如，通过能耗监控感知到数据中心中某台服务器当前处于低能耗状态，同时根据能耗预测感知其将保持该低能耗状态，则可依据能耗调度策略，将该服务器上的服务迁移到其他服务器上，并使该服务器处于关闭或休眠状态，即可达到降低能耗的目的。
模块化数据中心(Module Data Center，MDC)是基于云计算的新一代数据中心部署形式，为了应对云计算、虚拟化、集中化、高密化等服务器发展的趋势，其采用模块化设计理念，最大程度的降低基础设施对机房环境的耦合。模块化数据中心MDC集成了供配电、制冷、机柜、气流遏制、综合布线、动力环境监控等子***，提高数据中心的整体运营效率，实现快速部署、弹性扩展和绿色节能。
模块化数据中心MDC的单机构功率密度比较大，有的达到10kw以上，故对服务器CPU的能耗监控及预测也具有十分重要的意义。目前，模块化数据中心MDC在能耗监控方面，以硬件监控为主，只能监控到能耗监控数据，而不具有预测功能。
发明内容
本发明针对目前技术发展的需求和不足之处，提供一种基于MDC的服务器CPU能耗预测方法。
本发明所述一种基于MDC的服务器CPU能耗预测方法，解决上述技术问题采用的技术方案如下：所述基于MDC的服务器CPU能耗预测方法，给出一种CPU空闲率的预测算法，定义预测的时间跨度，根据当前预测结果对算法进行自动调整，定义CPU能耗变化与CPU温升变化的关系，并将预测算法与MDC模块化数据中心动力环境监控***进行联动，使得服务器的能耗监控、预测与动力环境监控***进行有机融合；具体实现过程包括:
步骤一，给出CPU空闲率的预测算法；
步骤二，根据当前预测结果对预测算法进行自动调整；
步骤三，预测算法与MDC模块化数据中心的动力环境监控***进行联动。
进一步，所述步骤一，给出CPU空闲率的预测算法：
采用加权移动平均法和指数平滑法，得到两个一段时间CPU空闲率的预测值，然后对这两个预测值进行拟合，输入需要进行预测的时间跨度，则输出能耗预测值。
进一步，所述步骤二，根据当前预测结果对预测算法进行自动调整，具体实现流程包括：
步骤1，形成历史监控记录序列集合；
步骤2，确定历史监控记录序列的样本集合；
步骤3，计算监控记录的权值；
步骤4，计算加权移动平均法的预测结果；
步骤5，计算指数平滑法的预测值；
步骤6，计算加权移动平均法预测价格的偏离度；
步骤7，计算指数平滑法预测结果的偏离度；
步骤8，计算加权移动平均法的增益量，计算最终预测值。
进一步，所述步骤1，读取时间跨度为2Tpred的最近历史监控记录，组成历史记录序列集合A＝(v0,v1,v2,…,v2Tpred-1)；
所述步骤2，以当前时间点为基准起始点，在集合A中选取模长不小于Tpred且方差最小的历史记录序列，组成历史监控记录序列的样本集合
进一步，所述步骤3，确定样本集合H后，根据如下公式，计算每一个监控记录的权值wi
进一步，所述步骤4，计算得到每一个监控记录的权值后，利用如下公式计算加权平均值
加权平均值作为预测结果，则加权移动平均法的预测结果为：
进一步，所述步骤5，计算指数平滑法的预测值其中，表示指数平滑法已完成的最新预测值，计算公式如下：
进一步，所述步骤6，计算加权移动平均法预测结果的偏离度其中是上一期的预测结果，是历史记录序列中最新的记录。
进一步，所述步骤7，计算指数平滑法预测结果的偏离度其中是上一期的预测结果，是历史记录序列中最新的记录。
进一步，所述步骤8，
若则根据如下公式计算加权移动平均法增益量取则计算最终预测值
若根据如下公式计算移动加权平均法增益量取则计算最终预测值
本发明所述一种基于MDC的服务器CPU能耗预测方法，与现有技术相比具有的有益效果是：本发明提出一种CPU空闲率的预测算法，并与MDC模块化数据中心动力环境监控***进行联动，满足MDC动力环境监控***对于安全等级高的需求，提升动力环境监控***的服务支撑能力；通过能耗预测，提高了数据中心的运营效率，针对CPU能耗及温度的变化提供预警作用，很好地解决了当前只监控不预测的问题，提高了数据中心的运维安全等级。
具体实施方式
为使本发明的技术方案、解决的技术问题和技术效果更加清楚明白，以下结合具体实施例，对本发明的技术方案进行清查、完整的描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下获得的所有实施例,都在本发明的保护范围之内。
物理服务器的功耗可以较为准确的表示为物理服务器CPU利用率的线性关系，一个处于空闲状态的物理服务器的功耗大约是其在完全利用状态下的功耗的70％。
物理服务器的功耗与CPU空闲率的函数关系如下：
P(uidle)＝0.7*Pmax+(1-0.7)*Pmax*(1-uidle)
因此，利用上述公式，可以把对CPU能耗的预测转化为对CPU空闲率的预测。
实施例1:
本实施例提出一种基于MDC的服务器CPU能耗预测方法，实现过程包括如下步骤:
步骤一，给出CPU空闲率的预测算法；
步骤二，根据当前预测结果对预测算法进行自动调整；
步骤三，预测算法与MDC模块化数据中心的动力环境监控***进行联动，满足动力环境监控***对于安全等级高的需求，提升MDC的动力环境监控***的服务支撑能力。
本实施例基于MDC的服务器CPU能耗预测方法，给出一种CPU空闲率的预测算法，定义预测的时间跨度，根据当前预测结果对算法进行自动调整，定义CPU能耗变化与CPU温升变化的关系，并将预测算法与MDC模块化数据中心动力环境监控***进行联动，使得服务器的能耗监控、预测与动力环境监控***进行有机融合，构建一个高效、稳定、可靠的MDC动力环境监控***的全局监控管理方法。
实施例2：
本实施例提出的一种基于MDC的服务器CPU能耗预测方法，在实施例1基于MDC的服务器CPU能耗预测方法的基础上，增加了步骤1的一种详细技术方案，采用两类趋势分析算法—加权移动平均法和加权指数平滑法—相互配合，提高预测算法的自我修正能力，进而更好的进行CPU能耗预测工作。
对于CPU空闲率的预测可以只考虑其长期趋势，由于现有的长期趋势预测算法对于变化趋势的处理都比较单一，造成预测算法不能够很好的吻合实际情形，自我修正能力很差。
本实施例步骤一，给出CPU空闲率的预测算法，具体内容包括：
采用加权移动平均法和指数平滑法，得到两个一段时间CPU空闲率的预测值和然后对这两个预测值进行拟合，输入需要进行预测的时间跨度Tpred，输出能耗预测值能够提升自我修正能力，继而更好地进行预测工作。
实施例3：
本实施例提出的一种基于MDC的服务器CPU能耗预测方法，在实施例2基于MDC的服务器CPU能耗预测方法的基础上，增加了步骤二的一种具体的技术方案，有助于提高MDC模块化数据中心的运维安全等级，针对PCU能耗及温度的变化提供预警作用。
所述步骤二，根据当前预测结果对预测算法进行自动调整，具体实现流程如下：
步骤1，形成历史监控记录序列集合；
具体的，读取时间跨度为2Tpred的最近历史监控记录，组成历史记录序列集合A＝(v0,v1,v2,…,v2Tpred-1)；
步骤2，确定历史监控记录序列的样本集合；
具体的，以当前时间点为基准起始点，在集合A中选取模长不小于Tpred且方差最小的历史记录序列，组成集合
Tpred<n≤2Tpred，其中，表示选取的历史记录序列中最早的记录，表示历史记录序列中最新的记录，集合H模长为n；
步骤3，计算监控记录的权值；
具体的，确定样本集合H后，根据如下公式，计算每一个监控记录的权值wi
步骤4，计算加权移动平均法的预测结果；
具体的，计算得到每一个监控记录的权值后，利用如下公式计算加权平均值
在加权移动平均法中，加权平均值作为预测结果，则加权移动平均法的预测结果为：
步骤5，计算指数平滑法的预测值；
具体的，计算指数平滑法的预测值其中，表示指数平滑法已完成的最新预测值，计算公式如下：
步骤6，计算加权移动平均法预测价格的偏离度；
具体的，计算加权移动平均法预测结果的偏离度其中是上一期的预测结果，是历史记录序列中最新的记录；
步骤7，计算指数平滑法预测结果的偏离度；
具体的，计算指数平滑法预测结果的偏离度其中是上一期的预测结果，是历史记录序列中最新的记录；
步骤8，计算加权移动平均法的增益量，计算最终预测值；
具体的，若则根据如下公式计算加权移动平均法增益量取则计算最终预测值
若根据如下公式计算移动加权平均法增益量取则计算最终预测值
模块化数据中心MDC的服务器CPU能耗预测，由CPU的温度变化速率来体现，CPU能耗越大CPU的温度越高，而MDC动力环境监控***监控到的内部环境温度的变化比CPU的温度变化慢很多，因此不能起到提前预警的作用。针对模块化数据中心MDC所存在的上述问题，本实施例基于MDC的服务器CPU能耗预测方法，能够同时监控CPU温度的变化以及变化速率，为极端场景提供预警服务。
以上应用具体个例对本发明的原理及实施方式进行了详细阐述，这些实施例只是用于帮助理解本发明的核心技术内容，并不用于限制本发明的保护范围，本发明的技术方案不限制于上述具体实施方式内。基于本发明的上述具体实施例，本技术领域的技术人员在不脱离本发明原理的前提下，对本发明所作出的任何改进和修饰，皆应落入本发明的专利保护范围。

Claims (10)

1.一种基于MDC的服务器CPU能耗预测方法，其特征在于，给出一种CPU空闲率的预测算法，定义预测的时间跨度，根据当前预测结果对算法进行自动调整，定义CPU能耗变化与CPU温升变化的关系，并将预测算法与MDC模块化数据中心动力环境监控***进行联动，使得服务器的能耗监控、预测与动力环境监控***进行有机融合；具体实现过程包括:
步骤一，给出CPU空闲率的预测算法；
步骤二，根据当前预测结果对预测算法进行自动调整；
步骤三，预测算法与MDC模块化数据中心的动力环境监控***进行联动。
2.根据权利要求1所述一种基于MDC的服务器CPU能耗预测方法，其特征在于，所述步骤一，给出CPU空闲率的预测算法：
采用加权移动平均法和指数平滑法，得到两个一段时间CPU空闲率的预测值，然后对这两个预测值进行拟合，输入需要进行预测的时间跨度，则输出能耗预测值。
3.根据权利要求2述一种基于MDC的服务器CPU能耗预测方法，其特征在于，所述步骤二，根据当前预测结果对预测算法进行自动调整，具体实现流程包括：
步骤1，形成历史监控记录序列集合；
步骤2，确定历史监控记录序列的样本集合；
步骤3，计算监控记录的权值；
步骤4，计算加权移动平均法的预测结果；
步骤5，计算指数平滑法的预测值；
步骤6，计算加权移动平均法预测价格的偏离度；
步骤7，计算指数平滑法预测结果的偏离度；
步骤8，计算加权移动平均法的增益量，计算最终预测值。
4.根据权利要求3所述一种基于MDC的服务器CPU能耗预测方法，其特征在于，所述步骤1，读取时间跨度为的最近历史监控记录，组成历史记录序列集合A＝(v0,v1,v2,…,v2Tpred-1)；
所述步骤2，以当前时间点为基准起始点，在集合A中选取模长不小于Tpred且方差最小的历史记录序列，组成历史监控记录序列的样本集合
<mrow> <mi>H</mi> <mo>=</mo> <mrow> <mo>(</mo> <msubsup> <mi>v</mi> <mrow> <mi>i</mi> <mi>d</mi> <mi>l</mi> <mi>e</mi> </mrow> <mn>0</mn> </msubsup> <mo>,</mo> <msubsup> <mi>v</mi> <mrow> <mi>i</mi> <mi>d</mi> <mi>l</mi> <mi>e</mi> </mrow> <mn>1</mn> </msubsup> <mo>,</mo> <mn>...</mn> <mo>,</mo> <msubsup> <mi>v</mi> <mrow> <mi>i</mi> <mi>d</mi> <mi>l</mi> <mi>e</mi> </mrow> <mrow> <mi>n</mi> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>)</mo> </mrow> <mo>,</mo> <msub> <mi>T</mi> <mrow> <mi>p</mi> <mi>r</mi> <mi>e</mi> <mi>d</mi> </mrow> </msub> <mo>&lt;</mo> <mi>n</mi> <mo>&amp;le;</mo> <mn>2</mn> <msub> <mi>T</mi> <mrow> <mi>p</mi> <mi>r</mi> <mi>e</mi> <mi>d</mi> </mrow> </msub> <mo>.</mo> </mrow>
5.根据权利要求4所述一种基于MDC的服务器CPU能耗预测方法，其特征在于，所述步骤3，确定样本集合H后，根据如下公式，计算每一个监控记录的权值wi
6.根据权利要求4所述一种基于MDC的服务器CPU能耗预测方法，其特征在于，所述步骤4，计算得到每一个监控记录的权值后，利用如下公式计算加权平均值
加权平均值作为预测结果，则加权移动平均法的预测结果为：
7.根据权利要求6所述一种基于MDC的服务器CPU能耗预测方法，其特征在于，所述步骤5，计算指数平滑法的预测值其中，表示指数平滑法已完成的最新预测值，计算公式如下：
8.根据权利要求7所述一种基于MDC的服务器CPU能耗预测方法，其特征在于，所述步骤6，计算加权移动平均法预测结果的偏离度其中是上一期的预测结果，是历史记录序列中最新的记录。
9.根据权利要求8所述一种基于MDC的服务器CPU能耗预测方法，其特征在于，所述步骤7，计算指数平滑法预测结果的偏离度其中是上一期的预测结果，是历史记录序列中最新的记录。
10.根据权利要求9所述一种基于MDC的服务器CPU能耗预测方法，其特征在于，所述步骤8，
若则根据如下公式计算加权移动平均法增益量取则计算最终预测值
若根据如下公式计算移动加权平均法增益量取b＝(I则计算最终预测值
CN201711224544.6A 2017-11-29 2017-11-29 一种基于mdc的服务器cpu能耗预测方法 Pending CN107832204A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711224544.6A CN107832204A (zh) 2017-11-29 2017-11-29 一种基于mdc的服务器cpu能耗预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711224544.6A CN107832204A (zh) 2017-11-29 2017-11-29 一种基于mdc的服务器cpu能耗预测方法

Publications (1)

Publication Number Publication Date
CN107832204A true CN107832204A (zh) 2018-03-23

Family

ID=61646651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711224544.6A Pending CN107832204A (zh) 2017-11-29 2017-11-29 一种基于mdc的服务器cpu能耗预测方法

Country Status (1)

Country Link
CN (1) CN107832204A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112019581A (zh) * 2019-05-30 2020-12-01 华为技术有限公司 一种调度任务处理实体的方法及装置
CN113934615A (zh) * 2021-12-15 2022-01-14 山东中创软件商用中间件股份有限公司 一种数据监控方法、装置及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103401699A (zh) * 2013-07-18 2013-11-20 深圳先进技术研究院 一种云数据中心安全监控预警***及方法
CN103853918A (zh) * 2014-02-21 2014-06-11 南京邮电大学 一种基于空闲时间预测的云计算服务器调度方法
KR20150049499A (ko) * 2013-10-30 2015-05-08 국민대학교산학협력단 소프트웨어의 자원 사용패턴을 이용한 에너지 절감장치 및 그 방법
CN107239849A (zh) * 2017-04-17 2017-10-10 西安电子科技大学 一种基于改进的指数平滑灰色模型电力负荷预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103401699A (zh) * 2013-07-18 2013-11-20 深圳先进技术研究院 一种云数据中心安全监控预警***及方法
KR20150049499A (ko) * 2013-10-30 2015-05-08 국민대학교산학협력단 소프트웨어의 자원 사용패턴을 이용한 에너지 절감장치 및 그 방법
CN103853918A (zh) * 2014-02-21 2014-06-11 南京邮电大学 一种基于空闲时间预测的云计算服务器调度方法
CN107239849A (zh) * 2017-04-17 2017-10-10 西安电子科技大学 一种基于改进的指数平滑灰色模型电力负荷预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曲红梅 等: ""组合模型对恶性肿瘤死亡率拟合度评价及预测方法的研究"", 《中华流行病学杂志》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112019581A (zh) * 2019-05-30 2020-12-01 华为技术有限公司 一种调度任务处理实体的方法及装置
CN112019581B (zh) * 2019-05-30 2022-02-25 华为技术有限公司 一种调度任务处理实体的方法及装置
CN113934615A (zh) * 2021-12-15 2022-01-14 山东中创软件商用中间件股份有限公司 一种数据监控方法、装置及设备

Similar Documents

Publication Publication Date Title
WO2018137402A1 (zh) 基于滚动灰色预测模型的云数据中心节能调度实现方法
CN109028446A (zh) 一种基于设备全工况性能模型的制冷机房控制方法
CN107036238B (zh) 动态预测外气与负载智慧节能控制方法
WO2014084941A1 (en) Analytics for optimizing usage of cooling subsystems
WO2019169706A1 (zh) 需量预测方法、需量控制方法及***
CN113326585B (zh) 燃气锅炉的能效异常预警方法、装置和计算机设备
CN114221353B (zh) 电网调控方法、装置、设备、存储介质和计算机程序产品
CN103423189A (zh) 一种服务器风扇功耗测量方法
CN115309603A (zh) 一种数据中心能耗预测优化方法、***、介质及计算设备
CN111191851A (zh) 一种基于知识图谱的数据中心能效优化方法
CN107832204A (zh) 一种基于mdc的服务器cpu能耗预测方法
CN117869256B (zh) 空压机冷却水泵流量调节方法、装置、***、设备及介质
JP2014180134A (ja) 電力管理システム、電力管理方法
CN117650628B (zh) 一种基于自适应预调节场景的能效管理***
Wang et al. Cloud workload analytics for real-time prediction of user request patterns
CN104680010B (zh) 一种汽轮机组稳态运行数据筛选方法
US10599204B1 (en) Performance efficiency monitoring system
CN117273284A (zh) 一种面向企业用电平衡的异常数据监测***
Kumar et al. Power usage efficiency (PUE) optimization with counterpointing machine learning techniques for data center temperatures
CN115437876A (zh) 一种数据中心的管理方法、装置、电子设备和存储介质
Xue et al. A novel method of minimizing power consumption for existing chiller plant
CN106094523B (zh) 基于效率和均流指标面积和最大的并联供电***优化方法
Pittino et al. A scalable framework for online power modelling of high-performance computing nodes in production
CN114109320A (zh) 基于边缘计算的油井控制***及方法
Shen et al. Workload migration across distributed data centers under electrical load shedding

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180323

RJ01 Rejection of invention patent application after publication