CN109800066B - 一种数据中心节能调度方法及*** - Google Patents
一种数据中心节能调度方法及*** Download PDFInfo
- Publication number
- CN109800066B CN109800066B CN201811524080.5A CN201811524080A CN109800066B CN 109800066 B CN109800066 B CN 109800066B CN 201811524080 A CN201811524080 A CN 201811524080A CN 109800066 B CN109800066 B CN 109800066B
- Authority
- CN
- China
- Prior art keywords
- data center
- server
- scheduled
- power consumption
- servers
- 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.)
- Active
Links
Images
Classifications
-
- 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
- Air Conditioning Control Device (AREA)
Abstract
本发明提供一种数据中心节能调度方法及***,通过获取当前数据中心内所有服务器的资源利用率、任务队列中待调度任务的资源需求以及当前外部环境参数,利用预设的预测模型来预测所述待调度任务在任意一台服务器上部署后数据中心总功耗以及机房空调设置参数;依据预测结果确定符合预设条件的数据中心节能调度方案,并且按照该方案对数据中心总能耗进行调度。本发明通过机器学习的方法联合调度服务器***与机房空调***的能耗,解决了相关技术中存在针对单一层面优化、采用不准确能耗模型、基于CFD仿真调度而导致的节能效率低的问题,达到了跨层统一优化数据中心总能耗的效果。
Description
技术领域
本发明涉及数据中心领域,具体说是一种实现数据中心跨层统一能耗优化的数据中心节能调度方法和***。
背景技术
随着云计算技术的迅猛发展,作为云计算的物理平台,全球范围内的数据中心也得到了前所未有的发展。而迅速增长的数据中心数目也给运营商带来了巨大的能耗开销。例如,2014年美国的数据中心电能消耗总量已经占据了全美全年总耗电量的1.8%,且该数值还在逐年保持增长。为了降低数据中心电能的消耗,学术界和工业界提出了一系列节能方案。由于服务器***与机房空调***总共占据数据中心约80%以上的电能消耗,因此,大部分研究都是针对这两个***进行的。然而,针对服务器***的节能目标与针对空调***的节能目标之间存在权衡关系。例如,针对服务器***的节能方案会聚合IT负载到少数服务器上,以尽可能关闭更多的服务器达到节能目的。然而,由于空调***的风扇转速与能耗的超线性函数关系,针对空调***的节能方案会尽可能在所有服务器间均摊IT负载。因此,单方面节省任何一个***的能耗并不能达到节省数据中心总体能耗的目的。
目前,针对数据中心服务器与空调***跨层统一的节能方案大体分为三类。第一类是假设两种***均与IT负载之间存在具体的数学函数关系,在此假设基础上设计调度算法进行总体节能优化设计。然而,由于影响数据中心能耗的各种参数之间存在复杂的交互和反馈环路,用传统工程公式的方法对数据中心能耗建模是非常不准确的,因此该类方案在实际中效果不佳。第二类是在服务器上设置温度传感器,依据传感器发送回来的温度数据对冷却***参数进行设置,该类方法不能预测数据中心总体能耗,难以指导节能调度算法优化。最后一类是基于数值分析模型的方法模拟出数据中心的热力分布图,该类方法计算开销过大,且并不能够精确反应数据中心散热的复杂性,因此,无法实现通过对IT负载进行实时调度以及***参数设置达到最小化数据中心总能耗的目的。
发明内容
本发明提供了一种数据中心节能调度方法及***,通过机器学习的方法联合调度服务器***与机房空调***的能耗,解决了相关技术中存在针对单一层面优化、采用不准确能耗模型、基于CFD仿真调度而导致的节能效率低的问题。
根据本发明的一个方面,提供了一种数据中心节能调度方法,该数据中心包括含有至少一台服务器的服务器***、机房空调***、任务队列和外部环境参数监视***,该方法包括以下步骤:
获取数据中心内所有服务器的当前资源利用率、任务队列中待调度任务的资源需求以及当前外部环境参数;
依据获取的所有服务器的当前资源利用率和当前外部环境参数,通过预设的一由神经网络基于机器学习方法生成的预测模型来预测结果,该预测结果包括待调度任务在任意一台服务器上部署后对应的数据中心总功耗和对应的机房空调设置参数,该数据中心总功耗包括服务器***总功耗和机房空调***总功耗;
依据上述预测结果,确定符合预设条件的数据中心节能调度方案,即遍历所有能够容纳待调度任务的服务器,选出部署待调度任务后符合预设条件的服务器,并标记为待调度服务器,依据预测模型来预测将待调度任务部署在待调度服务器后对应的数据中心总功耗和对应的机房空调设置参数;
按照上述节能调度方案对数据中心总能耗进行调度。
可选地,预测模型是以数据中心内所有服务器的资源利用率和对应外部环境参数的历史或实验数据作为神经网络的输入,以满足服务器冷却需求的一组机房空调设置参数和数据中心总功耗的历史或实验数据作为输出,借助于神经网络的非线性处理能力训练得到。其中,采用所有服务器的资源利用率而非所有服务器的总资源利用率作为输入的原因,是服务器与机房空调***的相对地理位置分布将很大程度上影响数据中心总能耗。
可选地,预设条件包括:使得数据中心总功耗最小。
可选地,对数据中心总能耗进行调度包括:将待调度任务部署到待调度服务器上,调整服务器的工作状态以实现对服务器***的功耗调度,调整机房空调设置参数以实现对机房空调***的功耗调度。
可选地,对机房空调***的功耗调度还包括:检测当前空调设置是否达到服务器冷却需求,若未达到,微调空调参数至达到服务器冷却需求。
根据本发明的另一个方面,提供了一种数据中心节能调度***,该数据中心包括含有至少一台服务器的服务器***、机房空调***、任务队列和外部环境参数监视***,该***包括:
获取装置,包括服务器资源利用率获取装置、待调度任务资源需求获取装置、外部环境参数获取装置、机房空调***参数获取装置以及数据中心总功耗获取装置,分别负责获取数据中心内所有服务器的资源利用率、任务队列中待调度任务的资源需求、外部环境参数、机房空调设置参数以及数据中心总功耗;
预测装置,负责通过上述获取装置获取的数据,按照机器学习的方法训练神经网络,生成预测模型,用以输出待调度任务在任意一台服务器上部署后对应的数据中心总功耗和对应的机房空调设置参数;
节能调度方案生成装置,负责依据上述预测装置生成的预测模型以及上述获取装置获取的服务器的当前资源利用率、任务队列中待调度任务的资源需求以及外部环境参数生成符合预设条件的数据中心节能调度方案;
设置装置,负责将上述节能调度方案生成装置生成的节能调度方案部署到数据中心。
可选地,数据中心总功耗获取装置包括服务器功耗获取装置和机房空调***功耗获取装置,分别负责获取服务器***总功耗和空调机房***总功耗。
可选地,预测装置包括一训练装置,其负责以数据中心内所有服务器的资源利用率和对应外部环境参数的历史或实验数据作为神经网络的输入,以对应的机房空调设置参数和数据中心总功耗的历史或实验数据作为输出,借助于神经网络的非线性处理能力训练得到预测模型。
可选地,节能调度方案生成装置包括:
服务器确定装置,负责遍历所有能够容纳待调度任务的服务器,选出部署待调度任务后符合预设条件的服务器,并标记为待调度服务器;
空调确定装置,负责依据预测模型来预测将待调度任务部署在待调度服务器后对应的数据中心总功耗以及对应的机房空调设置参数。
可选地,符合预设条件包括:使得数据中心总功耗最小。
可选地,设置装置包括:
待调度任务部署装置,负责将待调度任务部署到待调度服务器上;
服务器工作状态设置装置,负责调整服务器的工作状态以实现对服务器***的功耗调度;
机房空调***参数设置装置,负责调整机房空调设置参数以实现对机房空调***的功耗调度。
可选地,机房空调***参数设置装置还包括:
检测装置,负责检测当前空调设置是否达到服务器冷却需求;
微调装置,若检测装置检测结果为未达标,微调装置负责微调空调参数至达到服务器冷却需求。
通过本发明,采用获取当前数据中心内所有服务器的资源利用率、任务队列中待调度任务的资源需求以及当前外部环境参数;依据获取的服务器资源利用率和当前环境参数,按照预设的基于机器学习方法生成的预测模型,预测待调度任务在任意一台服务器上部署后对应的数据中心总功耗以及机房空调设置参数;依据预测结果确定符合预设条件的数据中心节能调度方案,并且按照该方案对数据中心总能耗进行调度,解决了相关技术中存在针对单一层面优化、采用不准确能耗模型、基于CFD仿真调度而导致的节能效率低的问题,达到了跨层统一优化数据中心总能耗的效果。
附图说明
图1是根据本发明实施例的数据中心节能调度方法的流程图;
图2是根据本发明实施例的数据中心节能调度***的结构框图;
图3是根据本发明实施例的数据中心节能调度***获取装置201的结构框图;
图4是根据本发明实施例的数据中心节能调度***预测装置202的优选结构框架图;
图5是根据本发明实施例的数据中心节能调度***节能调度方案生成装置203的优选结构框架图;
图6是根据本发明实施例的数据中心节能调度***设置装置204的优选结构框架图。
具体实施方式
为对本发明的技术方案进一步理解,下文将参考附图并结合实施例来详细说明。
在本实施例中提供了一种数据中心节能调度方法,数据中心至少包括一台或若干台服务器、机房空调***、任务队列和外部环境参数监视***,图1是根据本发明实施例的数据中心节能调度方法的流程图,该流程包括如下步骤:
步骤101,获取当前数据中心内所有服务器的资源利用率、任务队列中待调度任务的资源需求以及当前外部环境参数。如本领域的技术人员所知的,资源主要指CPU,也可以包含内存、网络带宽、硬盘、IO。由于外部环境的压力和温度对数据中心空调***的能耗影响较大,因此,外部环境参数主要包含压力和温度;
步骤102,依据获取的服务器资源利用率和当前环境参数,按照预设的预测模型,预测待调度任务在任意一台服务器上部署后对应的数据中心总功耗以及对应的机房空调设置参数,其中,预测模型是基于机器学习方法生成;
步骤103,依据上述预测结果,确定符合预设条件的数据中心节能调度方案,并且按照上述节能方案对数据中心总能耗进行调度。
通过上述步骤,通过联合调度服务器***与机房空调***的能耗,解决了相关技术中仅仅针对数据中心单一层面的能耗进行优化而导致的数据中心整体节能效率低下问题,此外,采用基于机器学习的方法,解决了相关技术中基于不准确的能耗模型进行任务调度导致的节能策略无效和基于CFD仿真的任务调度策略由于计算开销过大无法满足数据中心实时调度需求的问题,进一步提高了数据中心能耗节省的效果。
预设的预测模型可以采用以下方法生成:以一定的时间间隔获取数据中心内所有服务器的资源利用率和对应外部环境参数的历史或实验数据作为神经网络的输入,以满足服务器冷却需求的一组机房空调设置参数和数据中心总功耗的历史或实验数据作为输出训练得到。神经网络具有强大的非线性处理能力,非常适合处理数据中心内复杂的非线性关系,此外,使用神经网络训练出来的模型进行预测时需要花费的时间短,适合于数据中心的实时在线调度。如本领域的技术人员所知的,机房空调参数主要包含温度和风速(风速决定送出的风量)。数据中心内空调参数的设置需要满足服务器制冷的条件,例如,美国采暖、制冷和空调工程师学会(ASHRAE)于2008年制定服务器进气的条件为18-27℃。因此,在保持服务器资源利用率和外部环境参数不变的情况下,遍历空调设置参数可得到一系列符合服务器制冷条件的空调参数设置,选出其中对应数据中心总功耗最小的一组空调设置参数即可作为神经网络的输出。
针对服务器***的节能目标与针对空调***的节能目标之间存在权衡关系。例如,针对服务器***的节能方案会聚合IT负载到少数服务器上,以尽可能关闭更多的服务器达到节能目的。然而,由于空调***的风扇转速与能耗的超线性函数关系,针对空调***的节能方案会尽可能在所有服务器间均摊IT负载。因此,单方面节省任何一个***的能耗并不能达到节省数据中心总体能耗的目的。为了从整体上节省数据中心的能耗,的数据中心总功耗包括服务器***总功耗以及机房空调***总功耗两个部分。
确定符合预设条件的数据中心节能调度方案可以采用以下处理,首先遍历所有能够容纳待调度任务的服务器,选出部署任务后符合预设条件的服务器,并标记为待调度服务器。服务器能够容纳待调度任务的条件是该服务器剩余的资源不小于待调度任务的资源需求量。假设有N台服务器,计算将待调度任务部署在服务器i(1<=i<=N)后该服务器的资源利用率情况,并与其他所有服务器的资源利用率和当前外部环境参数一起输入到预设的预测模型中,记录(也可以保存)模型的输出,选出N个输出中符合预设条件的服务器,标记为I;然后,依据预设的预测模型预测将该任务部署在待调度服务器后对应的数据中心总功耗以及对应的机房空调设置参数,如果上述确定待调度服务器的过程中已经保存了将任务部署在服务器I上对应的输出,那么可以直接调取记录得到对应的数据中心总功耗以及对应的机房空调设置参数。
符合预设条件包括:使得数据中心总功耗最小。
按照上述节能方案对数据中心总能耗进行调度包括三个方面:将任务部署到上述确定的待调度服务器上;由于数据中心内的任务随时间动态达到和离开,在部署新任务的时候可能会出现部分服务器利用率降低甚至部分服务器因为处理完其承载的所有任务而处于空闲状态的现象,此时,空闲状态的服务器将浪费大量能耗,因此,需要调整服务器本身的工作状态以实现对服务器***的功耗调度,比如,将处于空闲的服务器切换到低功耗的休眠模式(甚至关闭),降低利用率低的服务器的工作电压和频率;调整机房空调***参数设置组以实现对机房空调***的功耗调度。由于服务器负载水平和工作状态的变化,需要对应地调整空调机房***以适应新的服务器制冷需求,这是因为,如果服务器***冷量需求减少,空调***需要相应减少供冷量以减少数据中心能耗,而如果服务器***冷量需求增大,空调***需要相应增加供冷量以满足服务器制冷需求。
由于预测模型预测的机房空调***参数设置存在一定的可能性不能满足当前服务器的制冷需求,因此,在调整机房空调***参数设置组后还需要检测当前空调参数组设置是否达到了服务器冷却需求,如本领域内技术人员所知的,可以通过检测机柜顶上入口温度是否符合规定(例如,处于18-27℃之间)来判断是否达标;若未达到,可通过微调空调参数至达到服务器冷却需求,例如,如果温度高于27℃,说明此时空调供冷量不足,可逐步提高空调温度和风速直到达标;如果温度低于18℃,说明此时空调供冷量过多,可逐步降低空调温度和风速直到达标。
在本实施例中提供了一种数据中心节能调度***,该***用于实现上述实施例,因此,已经进行过的说明在此将不再赘述。如下所有的装置均可由硬件或者软件或者硬件和软件的结合实现。图2是根据本发明实施例的数据中心节能调度***的结构框图,如图2所示,该***包括获取装置201、预测装置202、节能调度方案生成装置203以及设置装置204,其中:
获取装置201,负责获取数据中心内所有服务器的资源利用率、任务队列中待调度任务的资源需求、外部环境参数、机房空调参数以及数据中心总功耗,图3是获取装置201的结构框图,如图3所示,获取装置201包括服务器资源利用率获取装置205、机房空调***参数获取装置206、待调度任务资源需求获取装置207、外部环境参数获取装置208、数据中心总功耗获取装置209;
预测装置202,负责由获取装置获取的数据中心内所有服务器的资源利用率、任务队列中待调度任务的资源需求、外部环境参数、机房空调参数设置以及数据中心总功耗,按照机器学习的方法生成能够由数据中心内所有服务器的资源利用率、任务队列中待调度任务的资源需求以及外部环境参数预测对应的机房空调参数、数据中心总功耗的预测模型;
节能调度方案生成装置203,负责依据预测装置生成的预测模型以及获取装置获取的当前服务器的资源利用率、任务队列中待调度任务的资源需求以及外部环境参数生成符合预设条件的数据中心节能调度方案;
设置装置204,负责将节能调度方案生成装置生成的数据中心节能调度方案部署到数据中心。
优选地,数据中心总功耗获取装置209包括服务器***功耗获取装置和机房空调***功耗获取装置。
图4是根据本发明实施例数据中心节能调度***中预测装置202的优选结构框架图,如图4所示,预测装置202可通过内置的训练装置210生成预测模型,训练装置210负责以数据中心内所有服务器的资源利用率和对应外部环境参数的历史或实验数据作为神经网络的输入,以对应的机房空调设置参数和数据中心总功耗的历史或实验数据作为输出,借助于神经网络强大的非线性处理能力训练得到预测模型。如本领域内技术人员所知的,神经网络可以由软件实现。
图5是根据本发明实施例数据中心节能调度***中节能调度方案生成装置203的优选结构框架图,如图5所示,该装置203包括服务器确定装置211和空调确定装置212,分别说明如下:
服务器确定装置211,负责遍历所有能够容纳待调度任务的服务器,选出部署任务后符合预设条件的服务器,并标记为待调度服务器;
空调确定装置212,负责依据预设的预测模型预测将该任务部署在待调度服务器后对应的数据中心总功耗以及对应的机房空调设置参数。
图6是根据本发明实施例数据中心节能调度***中设置装置204的优选结构框架图,如图6所示,该装置204包括待调度任务部署装置213、服务器工作状态设置装置214以及机房空调***参数设置装置215,分别说明如下:
待调度任务部署装置213,负责将任务部署到待调度服务器上;
服务器工作状态设置装置214,负责调整服务器的工作状态以实现对服务器***的功耗调度;
机房空调***参数设置装置215,负责调整机房空调***参数设置组以实现对机房空调***的功耗调度。
优选地,机房空调***参数设置装置215还包括:
检测装置,负责检测当前空调设置是否达到服务器冷却需求;
微调装置,若检测装置检测结果为未达标,微调装置负责微调空调参数至达到服务器冷却需求。
近年来,数据中心不断朝着标准化、大规模的方向发展。很多大型云计算数据中心内整齐排列大量标准化的机柜,机柜内是若干标准化的服务器。基于相关技术,目前数据中心的机柜普遍采用冷、热通道间隔的方式排列,即冷气从两排机柜间地板上的小孔内往上吹,被机柜吸入用于机柜内服务器制冷,热气从机柜后方排出,被制冷设备从机房顶部吸走。服务器在不能超过制造商指定的温度才能安全工作,因此,机房空调的参数设置必须要能够保证所有服务器温度不能高于其安全范围。由于气流、负载分布、环境等因素的影响,数据中心内不同服务器入口冷气的温度存在较大差异,导致数据中心大量能耗被浪费。影响数据中心能耗的因素很多且关系复杂难以用数值关系准确刻画,而云计算数据中心的规模通常都很大导致一些节能方案因为计算开销过大而无法满足实时调度要求,这些因素都阻碍了数据中心节能效果的提升。
针对上述问题,在本实施例中提供了一种基于能耗感知的负载调度方法,该方法可以负载的分布尽可能符合数据中心的节能目标,从而减少数据中心总体能耗。该方法包括以下步骤:
步骤301,由数据中心监控平台获取当前数据中心内所有服务器的资源利用率、待调度任务资源需求及当前外部环境参数;
步骤302,依据获取的服务器资源利用率和当前环境参数,按照预设的机柜预测模型,预测待调度任务在任意一个机柜内部署后对应的数据中心总功耗以及对应的机房空调设置参数,其中,预测模型是基于机器学习方法生成,选出部署后对应数据中心总功耗最小的机柜作为待调度机柜;
步骤303,获取待调度机柜内所有的服务器资源利用率,按照预设的服务器预测模型,预测待调度任务在任何一个服务器内部署后对应的机柜的总功耗,其中,预测模型是基于机器学习方法生成,选出部署后对应机柜总功耗最小的服务器作为待调度服务器;
步骤304,将待调度任务部署到待调度服务器中。
上述步骤302和步骤303中的预测模型均由机器学习方法生成,由于神经网络对复杂关系具有强大的处理能力,非常适合与数据中心的节能问题,因此可以采用神经网络来进行模型训练。如本领域内技术人员所知的,神经网络分为三个部分:输入层、隐藏层和输出层,可以采用软件实现。步骤302中基于神经网络的机柜预测模型可以由下列方法生成:获取数据中心内所有机柜的资源利用率以及外部环境参数(主要是温度和压力)的历史或者实验数据作为神经网络的输入,获取对应的数据中心总功耗以及满足服务器冷却需求的机房空调设置参数的历史或者实验数据作为神经网络的输出进行训练,上述数据可以设置一定的采样时间进行采集。步骤302中基于神经网络的服务器预测模型可以由下面的方式生成:以一定的采样时间间隔,获取给定机柜内所有服务器的资源利用率的历史或者实验数据作为神经网络的输入,获取对应的机柜功耗的历史或者实验数据作为神经网络输出进行训练。上述功耗数据均可以通过功率计进行实际测量或者使用仿真软件进行收集。
在机房内所有机柜均一同质的情况下,步骤303训练的模型可以适用于所有机柜,因此,与用神经网络构建由负载部署直接预测数据中心总功耗的方法相比可以节省大量的训练工作量。显然,上述实施例也适用于机房内机柜不均一同质的场景。通过上述实施例可以实现基于能耗的负载调度,而且,上述方法可以解决已有节能技术中存在的能耗刻画不准确导致的数据中心总体节能效率不高问题,此外,通过步骤302和步骤303的解耦合,神经网络输入输出参数得到大幅缩减,由输入数据通过训练好的神经网络计算输出的时间也大幅降低,可以用于实现实时节能负载调度。
以上实施例仅用以说明本发明的技术方案而非对其进行限制,本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明的精神和范围,本发明的保护范围应以权利要求书为准。
Claims (10)
1.一种数据中心节能调度方法,该数据中心包括含有至少一台服务器的服务器***、机房空调***、任务队列和外部环境参数监视***,其特征在于,该方法包括以下步骤:
获取数据中心内所有服务器的当前资源利用率、任务队列中待调度任务的资源需求以及当前外部环境参数;
依据获取的所有服务器的当前资源利用率和任务队列中待调度任务的资源需求,计算将待调度任务部署在某台服务器后该服务器的资源利用率情况,并与其他所有服务器的资源利用率和当前外部环境参数,通过预设的一由神经网络基于机器学习方法生成的预测模型来预测结果,该预测结果包括待调度任务在任意一台服务器上部署后对应的数据中心总功耗和对应的机房空调设置参数,该数据中心总功耗包括服务器***总功耗和机房空调***总功耗;
依据上述预测结果,遍历所有能够容纳待调度任务的服务器,选出部署待调度任务后符合预设条件的服务器,并标记为待调度服务器,依据预测模型来预测将待调度任务部署在待调度服务器后对应的数据中心总功耗和对应的机房空调设置参数,确定符合预设条件的数据中心节能调度方案;
按照上述节能调度方案对数据中心总能耗进行调度。
2.如权利要求1所述的方法,其特征在于,预测模型是以数据中心内所有服务器的资源利用率和对应外部环境参数的历史或实验数据作为神经网络的输入,以满足服务器冷却需求的一组机房空调设置参数和数据中心总功耗的历史或实验数据作为输出,借助于神经网络的非线性处理能力训练得到。
3.如权利要求1所述的方法,其特征在于,预设条件包括使得数据中心总功耗最小。
4.如权利要求1所述的方法,其特征在于,对数据中心总能耗进行调度包括:将待调度任务部署到待调度服务器上,调整服务器的工作状态以实现对服务器***的功耗调度,调整机房空调设置参数以实现对机房空调***的功耗调度;
对机房空调***的功耗调度还包括:检测当前空调设置是否达到服务器冷却需求,若未达到,微调空调参数至达到服务器冷却需求。
5.一种数据中心节能调度***,该数据中心包括含有至少一台服务器的服务器***、机房空调***、任务队列和外部环境参数监视***,其特征在于,该***包括:
获取装置,包括服务器资源利用率获取装置、待调度任务资源需求获取装置、外部环境参数获取装置、机房空调***参数获取装置以及数据中心总功耗获取装置,分别负责获取数据中心内所有服务器的资源利用率、任务队列中待调度任务的资源需求、外部环境参数、机房空调设置参数以及数据中心总功耗;
预测装置,负责通过上述获取装置获取的数据,按照机器学习的方法训练神经网络,生成预测模型,用以输出待调度任务在任意一台服务器上部署后对应的数据中心总功耗和对应的机房空调设置参数;
节能调度方案生成装置,负责依据上述获取装置获取的服务器的当前资源利用率和任务队列中待调度任务的资源需求,计算将待调度任务部署在某台服务器后该服务器的资源利用率情况,并与其他所有服务器的资源利用率和上述获取装置获取的当前外部环境参数一同输入到上述预测装置生成的预测模型中,生成符合预设条件的数据中心节能调度方案;
设置装置,负责将上述节能调度方案生成装置生成的节能调度方案部署到数据中心。
6.如权利要求5所述的***,其特征在于,数据中心总功耗获取装置包括服务器功耗获取装置和机房空调***功耗获取装置,分别负责获取服务器***总功耗和空调机房***总功耗。
7.如权利要求5所述的***,其特征在于,预测装置包括一训练装置,其负责以数据中心内所有服务器的资源利用率和对应外部环境参数的历史或实验数据作为神经网络的输入,以对应的机房空调设置参数和数据中心总功耗的历史或实验数据作为输出,借助于神经网络的非线性处理能力训练得到预测模型。
8.如权利要求5所述的***,其特征在于,节能调度方案生成装置包括:
服务器确定装置,负责遍历所有能够容纳待调度任务的服务器,选出部署待调度任务后符合预设条件的服务器,并标记为待调度服务器;
空调确定装置,负责依据预测模型来预测将该待调度任务部署在待调度服务器后对应的数据中心总功耗和对应的机房空调设置参数。
9.如权利要求5所述的***,其特征在于,设置装置包括:
待调度任务部署装置,负责将待调度任务部署到待调度服务器上;
服务器工作状态设置装置,负责调整服务器的工作状态以实现对服务器***的功耗调度;
机房空调***参数设置装置,负责调整机房空调设置参数以实现对机房空调***的功耗调度。
10.如权利要求5所述的***,其特征在于,机房空调***参数设置装置还包括:
检测装置,负责检测当前空调设置是否达到服务器冷却需求;
微调装置,若检测装置检测结果为未达标,微调装置负责微调空调参数至达到服务器冷却需求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811524080.5A CN109800066B (zh) | 2018-12-13 | 2018-12-13 | 一种数据中心节能调度方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811524080.5A CN109800066B (zh) | 2018-12-13 | 2018-12-13 | 一种数据中心节能调度方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109800066A CN109800066A (zh) | 2019-05-24 |
CN109800066B true CN109800066B (zh) | 2020-11-03 |
Family
ID=66556684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811524080.5A Active CN109800066B (zh) | 2018-12-13 | 2018-12-13 | 一种数据中心节能调度方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109800066B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110376896A (zh) * | 2019-07-30 | 2019-10-25 | 浙江大学 | 一种基于深度学习和模糊控制的单热源空调优化制冷方法 |
CN113826078B (zh) * | 2019-09-11 | 2023-01-10 | 阿里云计算有限公司 | 资源调度与信息预测方法、设备、***及存储介质 |
CN110781125A (zh) * | 2019-09-12 | 2020-02-11 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 整机柜超融合服务器的管理方法及*** |
CN111174375B (zh) * | 2019-12-11 | 2021-02-02 | 西安交通大学 | 面向数据中心能耗最小化的作业调度和机房空调调控方法 |
CN112070353B (zh) * | 2020-08-04 | 2023-09-29 | 中国科学院信息工程研究所 | 一种精确检测数据中心能效的方法及*** |
CN112308734B (zh) * | 2020-10-27 | 2024-01-05 | 中国科学院信息工程研究所 | It设备非it能耗的计量、费用分摊方法及电子装置 |
CN112612305B (zh) * | 2020-12-04 | 2022-04-08 | 格力电器(武汉)有限公司 | 温度的调整方法、装置、设备、存储介质和空调*** |
CN112888268B (zh) * | 2021-02-04 | 2022-08-09 | 中国工商银行股份有限公司 | 数据中心机房节能控制方法、装置、设备及存储介质 |
US11442516B1 (en) * | 2021-03-18 | 2022-09-13 | Baidu Usa Llc | Data center control hierarchy for neural networks integration |
CN115129141A (zh) * | 2021-03-25 | 2022-09-30 | 华为技术有限公司 | 一种应用于机房的节能方法、装置及*** |
CN113515150B (zh) * | 2021-04-12 | 2022-05-03 | 天津大学 | 一种实现数据中心即时消纳光伏发电的变温控制方法 |
CN113835460B (zh) * | 2021-11-23 | 2022-05-03 | 中铁建设集团有限公司 | 一种基于流体力学模拟数字孪生的数据机房智能环境控制*** |
CN114063545B (zh) * | 2022-01-14 | 2022-06-07 | 宁波亮控信息科技有限公司 | 融合边缘计算的数据中心能耗管控***、方法及控制器 |
CN114595851B (zh) * | 2022-02-20 | 2022-09-30 | 特斯联科技集团有限公司 | 利用神经网络的空调机房消耗功率分析装置 |
CN115907138B (zh) * | 2022-11-18 | 2023-06-30 | 安华数据(东莞)有限公司 | 一种用于对数据中心的pue值进行预测的方法、***及介质 |
CN116193819B (zh) * | 2023-01-19 | 2024-02-02 | 中国长江三峡集团有限公司 | 一种数据中心机房节能控制方法、***、装置及电子设备 |
CN116527416B (zh) * | 2023-07-03 | 2023-09-01 | 深圳市立湾科技有限公司 | 一种应用于数据中心的智能化ai节能控制***及方法 |
CN117421131B (zh) * | 2023-12-18 | 2024-03-26 | 武汉泽塔云科技股份有限公司 | 一种监控服务器功耗负载的智能调度方法及*** |
CN117472167B (zh) * | 2023-12-28 | 2024-03-22 | 苏州元脑智能科技有限公司 | 服务器能耗的调节方法、装置、计算机设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8457938B2 (en) * | 2007-12-05 | 2013-06-04 | International Business Machines Corporation | Apparatus and method for simulating one or more operational characteristics of an electronics rack |
CN102620378B (zh) * | 2011-01-27 | 2014-01-15 | 国际商业机器公司 | 数据中心节能控制方法和*** |
CN102445980A (zh) * | 2011-09-19 | 2012-05-09 | 浪潮电子信息产业股份有限公司 | 一种基于bp神经网络的节能控制*** |
CN104423531A (zh) * | 2013-09-05 | 2015-03-18 | 中兴通讯股份有限公司 | 数据中心能耗调度处理方法及装置 |
CN104317654A (zh) * | 2014-10-09 | 2015-01-28 | 南京大学镇江高新技术研究院 | 基于动态温度预测模型的数据中心任务调度方法 |
-
2018
- 2018-12-13 CN CN201811524080.5A patent/CN109800066B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109800066A (zh) | 2019-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800066B (zh) | 一种数据中心节能调度方法及*** | |
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 | |
Fang et al. | Thermal-aware energy management of an HPC data center via two-time-scale control | |
Tang et al. | Sensor-based fast thermal evaluation model for energy efficient high-performance datacenters | |
CN104698843B (zh) | 一种基于模型预测控制的数据中心节能控制方法 | |
US8155793B2 (en) | System and method for controlling air conditioning facilities, and system and method for power management of computer room | |
CN111174375B (zh) | 面向数据中心能耗最小化的作业调度和机房空调调控方法 | |
Fang et al. | QoS-driven power management of data centers via model predictive control | |
CN107036238B (zh) | 动态预测外气与负载智慧节能控制方法 | |
CN107143981B (zh) | 一种中央空调节能控制***和方法 | |
US11906180B1 (en) | Data center management systems and methods for compute density efficiency measurements | |
CN104049716A (zh) | 一种结合温度感知的计算机节能方法及*** | |
CN114063545B (zh) | 融合边缘计算的数据中心能耗管控***、方法及控制器 | |
CN112070353A (zh) | 一种精确检测数据中心能效的方法及*** | |
CN114901057B (zh) | 一种数据中心机房内部多点能耗检测与动态调节*** | |
CN113225994B (zh) | 一种面向数据中心的智能空调控制方法 | |
Conficoni et al. | Hpc cooling: A flexible modeling tool for effective design and management | |
CN111083201B (zh) | 一种工业物联网中数据驱动制造服务的节能资源分配方法 | |
CN111935952A (zh) | 大型机房能耗调控方法及装置 | |
Fang et al. | Using model predictive control in data centers for dynamic server provisioning | |
WO2020176080A1 (en) | Data center management systems and methods for compute density efficiency measurements | |
EP2575003B1 (en) | Method for determining assignment of loads of data center and information processing system | |
Kang et al. | A two-segment LSTM based data center temperature prediction model | |
Bortot et al. | Data centers are a software development challenge | |
Song et al. | Thermal-aware load balancing in a server rack |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |