CN107967536B - 基于鲁棒优化的绿色数据中心节能任务调度策略 - Google Patents

Abstract

本发明公开了一种基于鲁棒优化的绿色数据中心节能任务调度策略，主要用于解决数据中心高能耗、高电费、高污染的问题。本发明为数据中心部署了太阳能电池板，数据中心可由太阳能和传统电网混合发电。为了解决太阳能发电的随机性、间断性、不稳定性的特点，本发明设计了一个新颖灵活的不确定模型，通过参考分布的引入定义了不确定集来限制太阳能发电量的波动，并考虑了地理分布式计算节点的电价差异性和时变性，设计出合理的任务调度策略，将用户提交到数据中心的请求分配到太阳能产量高和电价低的计算节点和时间段去处理，以求消耗最少的电费，达到节约能源和保护环境的目的。

Description

基于鲁棒优化的绿色数据中心节能任务调度策略

技术领域

本发明属于太阳能技术领域，具体涉及一种基于鲁棒优化的绿色数据中心节能任务调度策略，主要用于解决数据中心高能耗、高电费、高污染的问题。本发明从软件和服务层面考虑，将用户提交到数据中心的请求分配到地理分布式的计算节点进行处理，主要实现包括三部分：一是引入了可再生能源，即通过部署光伏太阳能板，将太阳能发电和传统电网发电结合起来为数据中心供电；二是考虑电价的地区差异性和时变性；三是设计节能的任务调度策略，即在前两部分的基础上，将到达数据中心的用户请求分配到太阳能产量高和电价低的计算节点和时间段去处理，以求消耗最少的电费，达到节约能源和保护环境的目的。

背景技术

近年来，国内大型数据中心的建设呈现快速增长的趋势，金融、通信、石化、电力等大型国企、政府机构纷纷建设自己的数据中心。随着大数据、物联网、云计算及移动互联概念的推出，大批资金投入到商业数据中心的建设中，数据中心对电力供应产生了巨大的影响，已经成为一个高耗能的产业。在北京数据中心比较集中的地区，电力供应都出现饱和的问题，已无法再支撑新的数据中心。目前，某些数据中心移至西北等煤炭基地，利用当地电力供应充足、电价低的优势也不失为一个明智的选择。

然而，仅仅转移数据中心治标不治本，因为数据中心的供电***一般是传统公用电网，传统电网仍然在消耗大量的煤、石油、天然气等化石燃料，巨大的碳排放量给环境带来了严重的污染。据报道，在全球各大网站中，仅数据中心的用电功率就相当于30个核电站的供电功率，而其中约90％的电能被浪费；数据中心效率评估报告显示，300万个数据中心的1200万台计算机服务器为整个美国用户服务，消耗的电能足够供给整个纽约市家庭用户两年的用电量，这相当于34个燃煤发电厂的发电量和带来的环境污染。

未来的数据中心需要重组以接入可再生能源发电设备，例如太阳能电池板、风力涡轮机等，使得数据中心既节能又环保。然而，在使用可再生能源后，尽管环境问题得到了有效的改善，一些问题却随之而来：首先，与传统电网可控稳定的发电机制不同，可再生能源发电具有高度的波动性、不确定性和与天气强烈的相关性，太阳能发电量难以量化；其次，如何在不违背用户服务请求的前提下，在地理分布式的计算节点上恰当调度数据中心的用户请求来最小化数据中心的电费也是个关键问题。

针对太阳能发电不稳定的特性，国内外处理太阳能发电量这一随机变量的方式主要有两大类，一类是随机优化，该方法需要事先获得随机变量的分布函数，然后不断抽样求解，费时费力，适合计算量小和简单的场景，而实际场景中，很难准确获得随机变量的分布函数；另一类是鲁棒优化，该方法最大的优点是不需要随机变量分布函数的信息，而是通过定义一个不确定集，让随机变量在不确定集一个规定的范围内波动，考虑了最坏情况下的最优解，最大程度上贴近了实际场景，具有很大的灵活性和可控性。

本发明的目的和意义在于，利用鲁棒优化的上述优势，将太阳能的引入由理想变为现实，通过对太阳能发电量这一随机变量的处理，化随机为确定，使得数据中心不再单独依赖于传统电网，在此基础上利用节能任务调度策略，将太阳能产量和电价的波动性有机结合在一起，为数据中心的任务处理制定了节能环保的调度方案。与以往的技术相比，本发明最大的优势就是不需要事先假设太阳能产量的具体分布函数，而是以详细又灵活的方式定义了一个限制随机变量波动的不确定集，这个集合包括了随机变量的很多详细信息，然后通过机会约束和鲁棒优化方法转化和解决了最小化电费的问题。通过收集真实数据进行实验，结果证明本发明确实将数据中心的任务负载调度到白天太阳能充足的计算节点和相应的时间段进行处理，与此同时，电价低的计算节点和时间段的任务负载要高于电价高的计算节点和时间段，并且每个规模的数据中心都对应一个最优的负载大小，使得数据中心单位负载的耗电量达到最低，因此，本发明可以切实为构建一个绿色数据中心贡献一些参考建议。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于鲁棒优化的绿色数据中心节能任务调度策略，本发明方案主要包括以下内容：

1)太阳能发电量的获取

未来数据中心的供电方式是传统电网供电与太阳能发电的混合，这就要求电能的供给不小于需求，而电能的供给就是传统电网的供电量加上太阳能的发电量，其中，太阳能的发电量是一个随机变量，对该变量的处理是整个模型中的关键工作。由于太阳能发电的间断性和不稳定性，很难获得其准确的概率分布，但是大量的历史数据又提供了关于太阳能发电量的有效信息，因此，可以构造一个参考分布，利用KL散度来控制真实分布与参考分布之间的差距，由此定义一个不确定集来限制真实分布的波动，通过调节差距的大小动态控制该过程的鲁棒性，然后，电能的供给需求约束被转化为机会约束，通过鲁棒优化、拉格朗日法、KKT条件、牛顿法和二分法获得最坏情况下的太阳能发电量，以保证数据中心在白天可以正常运转。

2)电价的区域差异性和时变性

数据中心中每个计算节点所在地区的电价都是不同的，同一地区每个时间段的电价又是波动的，因此可以充分利用电价的差异性来最小化数据中心的总电费。

3)节能任务调度策略

数据中心中每个计算节点所在地区的太阳能产量获知后，结合该地区的电价设计出一个节能任务调度策略，使得数据中心的负载被分配到太阳能产量高和电价低的计算节点和时间段进行处理。由于考虑的任务是延迟容忍型的，例如***升级、数据备份、视频下载等服务，这些任务可以被多个计算节点在多个时隙进行处理，即分布式计算，同理，一个计算节点也可以处理多个任务，因此，只要总任务量不超过数据中心计算节点的最大计算能力，都可以满足用户的需要，同时也优化了数据中心的能源分配。

技术方案：为实现上述目的，本发明采用的技术方案为：

1、一种基于鲁棒优化的绿色数据中心节能任务调度策略，其特征在于：数据中心由太阳能和传统电网混合发电，通过机会约束规划和鲁棒优化的方法处理随机变量，所述随机变量为太阳能发电量r_jk，将主问题变成不含有随机变量r_jk的线性规划，再进行主问题求解，具体包括以下步骤：

(1)获取太阳能发电量的历史数据；

(2)根据历史数据构造参考分布，参考分布包括但不限于正态分布；

(3)利用KL散度定义不确定集来限制太阳能发电量真实分布的波动；

(4)将电能的供给需求约束转化为机会约束，形成鲁棒优化子问题并求解；

(5)获得最坏情况下的太阳能发电量

化随机变量为确定参数，电能的供给需求约束由c_jk+r_jk≥d_jk化为

其中，c_jk表示计算节点j在第k个时隙从传统电网购买的电量，d_jk表示计算节点j在第k个时隙的能耗，r_jk表示计算节点j所在的地区部署的光伏太阳能板在第k个时隙的发电量；

(6)考虑地理分布式计算节点的电价差异性和时变性；

(7)设计任务调度策略，即将用户提交到数据中心的请求分配到太阳能产量高和电价低的计算节点和时间段去处理，最小化数据中心的总电费，即min

其中，EC表示数据中心的总电费，m表示数据中心所有计算节点的个数，TH表示数据中心的整个调度周期向量，p_jk表示计算节点j在第k个时隙的电价。

本发明中数据中心的计算节点都是地理分布式的，每个地区都分布了一些同构的计算节点，每个地区都部署了自己的太阳能电池板，也接入了当地的公用电网，因此，每个地区的太阳能发电量和电价都具有地区差异性和时变性。由于太阳能发电的不稳定性、间断性和随机性，太阳能发电量是一个随机变量。对数据中心而言，电能的总供给必须大于等于总需求，即c_jk+r_jk≥d_jk，而总供给等于太阳能发电量加上传统电网供电量。因此，本发明通过机会约束规划和鲁棒优化的方法有效处理了这一随机变量，并充分利用电价的地区差异性和时变性，目标就是最小化数据中心的总电费。本发明结合太阳能发电量的特点和电价的波动性，设计出合理的任务调度策略，该节能任务调度策略将任务调度与电能调度联合考虑，在不违背用户需求和服务质量的前提下，将任务分配到太阳能发电量高和电价低的计算节点和时间段去处理。

进一步的，数据中心每个计算节点处理器的能耗计算公式为

其中，d_jk表示计算节点j在第k个时隙的能耗，pc_act表示计算节点处理器的忙碌功率，

表示计算节点j在第k个时隙的忙碌时间，pc_idle表示计算节点处理器的空闲功率，

表示计算节点j在第k个时隙的空闲时间。

进一步的，所述的电能的供给需求约束为：c_jk+r_jk≥d_jk，其中，c_jk表示计算节点j在第k个时隙从传统电网购买的电量，r_jk表示计算节点j所在的地区部署的光伏太阳能板在第k个时隙的发电量。

进一步的，所述任务调度的具体方法为：引入一个任务分配矩阵y_jki，表示任务i被分配到计算节点j后在第k个时隙的处理时间，数据中心每个计算节点处理器的能耗计算公式转化为

其中，

表示计算节点j在第k个时隙的忙碌时间，T为任务集合，Δts表示每个时隙的长度，

表示计算节点j在第k个时隙的空闲时间，pc_act表示计算节点处理器的忙碌功率，pc_idle表示计算节点处理器的空闲功率，整个数据中心的总能耗为：

其中，TH为数据中心的整个调度周期向量。

进一步的，所述主问题为：

c_jk+r_jk≥d_jk, (4)

其中，式(1)表示最小化数据中心的总电费，式(2)表示计算节点在每个时隙的忙碌时间不超过该时隙的长度，任务分配矩阵y_jki表示任务i被分配到计算节点j后在第k个时隙的处理时间，式(3)表示每个任务最终都要被处理，s_jk表示计算节点j在第k个时隙的处理速度，是一个常数，l_i表示任务i的大小，式(4)表示数据中心的电能供给和需求约束，式(5)表示数据中心中计算节点的处理器的能耗计算公式。

进一步的，步骤3)利用KL散度定义不确定集来限制太阳能发电量真实分布的波动的具体方法为：

3.1)KL散度：根据历史数据确定太阳能发电量的一个参考分布，用g(r_jk)表示，太阳能产量的真实分布用f(r_jk)表示，则KL散度定义二者之间的差距：

其中，r_jk表示计算节点j所在的地区部署的光伏太阳能板在第k个时隙的发电量，S表示积分域，真实分布越接近参考分布，则KL散度越小；

3.2)不确定集的定义：通过参考分布和KL散度定义的差距可构造一个不确定集：

U_r(g(r_jk),D_k)＝{f(r_jk)|E_f[lnf(r_jk)-lng(r_jk)]≤D_k}，

其中，D_k表示真实分布和参考分布之间的差距，通过控制D_k的大小控制不确定集的大小和问题的鲁棒性，D_k越大，问题越保守，鲁棒性越强；

进一步的，步骤4)机会约束规划的具体方法为：电能供给需求约束为c_jk+r_jk≥d_jk，其中，太阳能产量r_jk是一个随机变量，为了更好地处理该随机变量，先把该约束转化为机会约束：

max(P(r_jk≤d_jk-c_jk))≤ε即

其中，ε是一个错误容忍度因子，代表该约束的保守度，ε越大，保守度越高，鲁棒性越强。

进一步的，步骤4)鲁棒优化的具体方法为：通过引入一个辅助函数

所述机会约束

中不等式的左边转化为一个鲁棒优化模型，该模型也是主问题的子问题：

s.t.E_f[ln f(r_jk)-ln g(r_jk)]≤D_k

E_f[1]＝1，

f(r_jk)∈U_r(g(r_jk),D_k)，

通过拉格朗日法、KKT条件、牛顿法求出该模型的最优解，再通过二分法求得满足步骤3.3)中不等式的解，得到最坏情况下的太阳能发电量即

随机变量r_jk变成了确定变量

所述的电能的供给需求约束由c_jk+r_jk≥d_jk转化为

进一步的，求解

的算法流程设计如下：

a)输入参考分布g(r_jk)、差距D_k、搜索半径ρ、错误容忍度ε；

b)定义初始搜索区间[0，ρ]；

c)用牛顿法求解子问题的最优解

直到搜索区间不大于ε；

d)用二分法求解

则

即为最坏情况下的太阳能发电量，是一个确定值，输出

进一步的，将主问题变成不含有随机变量r_jk的线性规划，使用现成的线性规划工具快速求解。

有益效果：本发明提供的基于鲁棒优化的绿色数据中心节能任务调度策略，与现有技术相比，具有以下优势：

本发明利用鲁棒优化的方法对太阳能产量进行处理，然后利用电价差异性对数据中心的任务调度进行了合理的设计，保证了太阳能和计算节点的利用率，有效降低了电费，减少了碳排放量，达到了节能减排的目的。具体如下：

(1)数据中心既可由可再生能源(太阳能)发电，又可直接由传统电网供电；本发明为了缓解数据中心带给传统电网的压力，减轻环境污染，考虑使用清洁可再生的可再生能源对数据中心进行部分供电。

(2)数据中心的计算节点是地理分布式的，每个地区都部署了各自的光伏太阳能板，也接入到当地的公用电网中；

(3)充分考虑了电价的地区差异性和时变性；

(4)巧妙处理了太阳能发电量的随机性；

(5)设计了合理的节能任务调度策略，将任务调度与电能调度联合考虑。

附图说明

图1数据中心***架构图；

图2求解子问题的算法图；

图3求解主问题的流程图；

图4太阳能发电量参考分布的参数设置和相应最坏情况下的真实分布结果图；

图5实验参数设置图；

图6本发明提出的任务调度策略和一种随机任务调度方式的结果对比图；

图7太阳能发电量和电价的波动性对能耗的影响；

图8任务数量对电费的影响。

具体实施方式

本发明公开了一种基于鲁棒优化的绿色数据中心节能任务调度策略，主要用于解决数据中心高能耗、高电费、高污染的问题。本发明为数据中心部署了太阳能电池板，数据中心可由太阳能和传统电网混合发电。为了解决太阳能发电的随机性、间断性、不稳定性的特点，本发明设计了一个新颖灵活的不确定模型，通过参考分布的引入定义了不确定集来限制太阳能发电量的波动，并考虑了地理分布式计算节点的电价差异性和时变性，设计出合理的任务调度策略，将用户提交到数据中心的请求分配到太阳能产量高和电价低的计算节点和时间段去处理，以求消耗最少的电费，达到节约能源和保护环境的目的。

下面结合附图和实施例对本发明作更进一步的说明。

实施例

如附图1所示，数据中心由调度器、地理分布式计算节点、混合供电***组成，数据中心可以由太阳能电池板发电也可以由传统电网进行供电。当用户的请求到达调度器后，调度器根据每个计算节点上的太阳能产量、电价和每个时隙的剩余计算能力，智能地分配任务到最合适的计算节点进行处理，以达到最小化数据中心总电费的目标。

1、数据中心能耗模型

步骤1.1能耗表达式：数据中心每个计算节点处理器的能耗计算公式为

其中，d_jk表示计算节点j在第k个时隙的能耗，pc_act表示计算节点处理器的忙碌功率，

表示计算节点j在第k个时隙的忙碌时间，pc_idle表示计算节点处理器的空闲功率，

表示计算节点j在第k个时隙的空闲时间；

步骤1.2电能的供给需求约束：数据中心可由太阳能发电也可由传统电网供电，必须保证电能的供给不小于需求，即c_jk+r_jk≥d_jk，其中，c_jk表示计算节点j在第k个时隙从传统电网购买的电量，r_jk表示计算节点j所在的地区部署的光伏太阳能板在第k个时隙的发电量。

2、任务调度模型

本发明结合太阳能发电量的特点和电价的波动性，设计出合理的任务调度策略，在不违背用户需求和服务质量的前提下，将任务分配到太阳能发电量高和电价低的计算节点和时间段去处理。为了将用户提交到数据中心的请求分配到地理分布式的计算节点进行处理，需要对任务进行合理的调度，由此引入一个任务分配矩阵y_jki，表示任务i被分配到计算节点j后在第k个时隙的处理时间，故上述能耗表达式可以转化为

其中，

表示计算节点j在第k个时隙的忙碌时间，T为任务集合，Δts表示每个时隙的长度，

表示计算节点j在第k个时隙的空闲时间，整个数据中心的总能耗为

其中，TH为数据中心的整个调度周期向量。

3、主问题形成

为了构建一个绿色的数据中心，必须减少供电***对传统电网的依赖，尽量多的使用太阳能发电，目标就是在不超过每个计算节点负载和满足用户需求的情况下，最小化数据中心的总电费，即

c_jk+r_jk≥d_jk, (4)

其中，(1)为数据中心的总电费，也是本发明要优化的目标函数，p_jk表示计算节点j在第k个时隙的电价，(2)表示计算节点在每个时隙的忙碌时间不超过该时隙的长度，(3)表示每个任务最终都要被处理，s_jk表示计算节点j在第k个时隙的处理速度，是一个常数，(4)为数据中心的电能供给和需求约束，(5)为数据中心中计算节点的处理器的能耗计算公式，至此，主问题便形成了。

4、子问题之随机变量的处理

太阳能的发电量是一个与时间、天气、温度有密切关联的随机变量，具有不稳定、间断性特点，处理起来没那么容易。本发明通过KL散度定义了一个不确定集来来限制这一随机变量的波动范围，具体说明如下步骤：

步骤4.1KL散度：根据历史数据可以确定太阳能发电量的一个参考分布，例如正态分布(实际上，无论参考分布是什么都不会影响实验结果)，用g(r_jk)表示，而太阳能产量的真实分布用f(r_jk)表示，则KL散度定义了二者之间的差距：

其中，S表示积分域，真实分布越接近参考分布，则KL散度越小；

步骤4.2不确定集的定义：通过参考分布和KL散度定义的差距可构造一个不确定集：

U_r(g(r_jk),D_k)＝{f(r_jk)|E_f[lnf(r_jk)-lng(r_jk)]≤D_k}，

其中，D_k表示真实分布和参考分布之间的差距，通过控制D_k的大小便可以控制不确定集的大小和问题的鲁棒性，D_k越大，问题越保守，鲁棒性越强；

步骤4.3机会约束转化：步骤1.2提到的电能供给需求约束为c_jk+r_jk≥d_jk，其中，代表太阳能产量的r_jk是一个随机变量，本发明将该约束转化为机会约束：

max(P(r_jk≤d_jk-c_jk))≤ε即

其中，ε是一个错误容忍度因子，代表该约束的保守度，ε越大，保守度越高，鲁棒性越强；

步骤4.4鲁棒优化模型的建立和求解：通过引入一个辅助函数

上述约束中不等式的左边可以转化为一个鲁棒优化模型，该模型也是步骤3中原问题的子问题：

s.t.E_f[ln f(r_jk)-ln g(r_jk)]≤D_k，

E_f[1]＝1，

f(r_jk)∈U_r(g(r_jk),D_k)，

通过拉格朗日法、KKT条件、牛顿法可以求出该模型的最优解，再通过二分法便可求得满足步骤4.3中不等式的解，算法流程设计如下：

e)输入参考分布g(r_jk)、差距D_k、搜索半径ρ、错误容忍度ε；

f)定义初始搜索区间[0，ρ]；

g)用牛顿法求解子问题的最优解

直到搜索区间不大于ε；

h)用二分法求解

则

即为最坏情况下的太阳能发电量，是一个确定值，输出

具体的算法步骤和细节见附图2。至此，作为步骤3中问题的子问题，该算法求出了最坏情况下的太阳能产量，把随机变量变成了确定变量，步骤3中的不等式约束(4)化为

5、主问题求解

处理好太阳能发电量这一随机变量后，步骤3中的主问题变成了不含有随机变量的线性规划，可以很方便的求解，整体求解流程见附图3。

6.一种实施方案实例

(1)根据2017年8月份布鲁塞尔地区太阳能发电量的历史数据，得到太阳能发电量参考分布的均值和方差，通过步骤4之子问题的处理，可得到太阳能真实分布的一组数值，相应参数设置和结果见附图4。

(2)其他实验参数设置见附图5。

(3)将本发明提出的任务调度策略和一种随机任务调度方式进行对比，结果见附图6，其中，第一行的图6(A)中的(a)、(b)、(c)三个图为本发明提出的任务调度策略的结果图，可以看出每个计算节点基本都在太阳能发电量高的时间段处理用户请求，当太阳能发电量不足或夜间的时候才会从传统电网买电，因此极大减少了电费，第二行的图6(B)中的(a)、(b)、(c)三个图为一种随机任务调度方式的结果图，该方法没有将任务的调度与太阳能发电量结合起来，没有做到减能减排。

(4)分析太阳能发电量和电价的波动性对任务调度的影响，见附图7(a)、(b)，可以看出，一般情况下，当太阳能产量高时，能耗高，当电价低时，能耗高，由此可大大减少电费。

(5)分析任务数量对电费的影响，见附图8，可以看出，当任务数量由100增加到600时，电费保持不变，这是因为此时使用的是太阳能发电，而当任务数量超过600时，电费开始增加，这是因为随着任务数量的增多，太阳能发电量不足以处理，必须从传统电网买电来处理这些用户请求。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于鲁棒优化的绿色数据中心节能任务调度策略，其特征在于：该数据***由数据中心和混合供电***组成，其中，数据中心由调度器、地理分布式计算节点组成，通过由太阳能和传统电网形成的混合供电***混合发电；该数据***的供电的调度策略优化方法为：通过机会约束规划和鲁棒优化的方法处理随机变量，所述随机变量为太阳能发电量r_jk，将主问题变成不含有随机变量r_jk的线性规划，再进行主问题求解，具体包括以下步骤：

(1)获取太阳能发电量的历史数据；

(2)根据历史数据构造参考分布，参考分布包括但不限于正态分布；

(3)利用KL散度定义不确定集来限制太阳能发电量真实分布的波动；

(4)将电能的供给需求约束转化为机会约束，形成鲁棒优化子问题并求解；

(5)获得最坏情况下的太阳能发电量

化随机变量为确定参数，电能的供给需求约束由c_jk+r_jk≥d_jk化为

其中，c_jk表示计算节点j在第k个时隙从传统电网购买的电量，d_jk表示计算节点j在第k个时隙的能耗，r_jk表示计算节点j所在的地区部署的光伏太阳能板在第k个时隙的发电量；

(6)考虑地理分布式计算节点的电价差异性和时变性；

(7)设计任务调度策略，即将用户提交到数据中心的请求分配到太阳能产量高和电价低的计算节点和时间段去处理，最小化数据中心的总电费，即

其中，EC表示数据中心的总电费，m表示数据中心所有计算节点的个数，TH表示数据中心的整个调度周期向量，p_jk表示计算节点j在第k个时隙的电价；

所述主问题为：

c_jk+r_jk≥d_jk, (4)

其中，式(1)表示最小化数据中心的总电费，式(2)表示计算节点在每个时隙的忙碌时间不超过该时隙的长度，任务分配矩阵y_jki表示任务i被分配到计算节点j后在第k个时隙的处理时间，Δts表示每个时隙的长度；式(3)表示每个任务最终都要被处理，s_jk表示计算节点j在第k个时隙的处理速度，是一个常数，l_i表示任务i的大小，式(4)表示数据中心的电能供给和需求约束，式(5)表示数据中心计算节点的处理器的能耗计算公式，pc_act表示计算节点处理器的忙碌功率，pc_idle表示计算节点处理器的空闲功率。

2.根据权利要求1所述的基于鲁棒优化的绿色数据中心节能任务调度策略，其特征在于：数据中心中每个计算节点处理器的能耗计算公式为

其中，d_jk表示计算节点j在第k个时隙的能耗，pc_act表示计算节点处理器的忙碌功率，

表示计算节点j在第k个时隙的忙碌时间，pc_idle表示计算节点处理器的空闲功率，

表示计算节点j在第k个时隙的空闲时间。

3.根据权利要求1或2所述的基于鲁棒优化的绿色数据中心节能任务调度策略，其特征在于：根据所述任务调度策略进行任务调度的具体方法为：引入一个任务分配矩阵y_jki，表示任务i被分配到计算节点j后在第k个时隙的处理时间，数据中心每个计算节点处理器的能耗计算公式转化为

其中，

表示计算节点j在第k个时隙的忙碌时间，T为任务集合，Δts表示每个时隙的长度，

表示计算节点j在第k个时隙的空闲时间，pc_act表示计算节点处理器的忙碌功率，pc_idle表示计算节点处理器的空闲功率，整个数据中心的总能耗为：

其中，TH为数据中心的整个调度周期向量。

4.根据权利要求1所述的基于鲁棒优化的绿色数据中心节能任务调度策略，其特征在于：步骤3)利用KL散度定义不确定集来限制太阳能发电量真实分布的波动的具体方法为：

3.1)KL散度：根据历史数据确定太阳能发电量的一个参考分布，用g(r_jk)表示，太阳能产量的真实分布用f(r_jk)表示，则KL散度定义二者之间的差距：

其中，r_jk表示计算节点j所在的地区部署的光伏太阳能板在第k个时隙的发电量，S表示积分域，真实分布越接近参考分布，则KL散度越小；

3.2)不确定集的定义：通过参考分布和KL散度定义的差距可构造一个不确定集：

U_r(g(r_jk),D_k)＝{f(r_jk)|E_f[lnf(r_jk)-lng(r_jk)]≤D_k}，

其中，D_k表示真实分布和参考分布之间的差距，通过控制D_k的大小控制不确定集的大小和问题的鲁棒性，D_k越大，问题越保守，鲁棒性越强。

5.根据权利要求1所述的基于鲁棒优化的绿色数据中心节能任务调度策略，其特征在于：步骤4)机会约束规划的具体方法为：电能供给需求约束为c_jk+r_jk≥d_jk，其中，太阳能发电量r_jk是一个随机变量，为了更好地处理该随机变量，先把该约束转化为机会约束：

max(P(r_jk≤d_jk-c_jk))≤ε即

其中，ε是一个错误容忍度因子，代表该约束的保守度，ε越大，保守度越高，鲁棒性越强。

6.根据权利要求5所述的基于鲁棒优化的绿色数据中心节能任务调度策略，其特征在于：步骤4)鲁棒优化的具体方法为：通过引入一个辅助函数

所述机会约束

中不等式的左边转化为一个鲁棒优化模型，该模型也是主问题的子问题：

s.t.E_f[ln f(r_jk)-ln g(r_jk)]≤D_k，

E_f[1]＝1，

f(r_jk)∈U_r(g(r_jk),D_k)，

通过拉格朗日法、KKT条件、牛顿法求出该模型的最优解，再通过二分法求得满足所述机会约束不等式的解，得到最坏情况下的太阳能发电量即

随机变量r_jk变成了确定变量

所述的电能的供给需求约束由c_jk+r_jk≥d_jk转化为

7.根据权利要求6所述的基于鲁棒优化的绿色数据中心节能任务调度策略，其特征在于：求解

的算法流程设计如下：

e)输入参考分布g(r_jk)、差距D_k、搜索半径ρ、错误容忍度ε；

f)定义初始搜索区间[0，ρ]；

g)用牛顿法求解子问题的最优解

直到搜索区间不大于ε；

h)用二分法求解

则

即为最坏情况下的太阳能发电量，是一个确定值，输出

8.根据权利要求1所述的基于鲁棒优化的绿色数据中心节能任务调度策略，其特征在于：将主问题变成不含有随机变量r_jk的线性规划，使用现成的线性规划工具快速求解。

Images