CN111083201B - 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 - Google Patents

Abstract

一种工业物联网中针对数据驱动制造服务的节能资源分配方法，属于工业物联网优化技术。本发明为了实现对分配后的任进行实时监控调整，降低***资源消耗，确保由云制造服务提供商交付SLA的同时降低主机能耗和冷却成本。检测CPU利用率；确定待迁移出服务，SU‑hosts上的所有D2M服务以及从SO‑hosts中选择的D2M服务；搜索合适的主机为确定移出的D2M服务分配资源，利用能源和热感知资源分配方案找到适合D2M服务迁移的主机，进行服务迁移以减少能源消耗。本发明考虑了资源分配的节能消耗，并对任务分配后进行实时监控调整，降低了***资源消耗，确保由云制造服务提供商交付SLA的同时降低主机能耗和冷却成本。

Description

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

技术领域

本发明涉及一种数据驱动制造服务的节能资源分配方法，属于工业物联网优化技术。

背景技术

工业4.0是指为了给专注于制造和供应链管理的工业创建生态***，而进行制造业数字化的这一过程。工业物联网(IIoT)包括智能传感器，摄像头***，智能仪表，工业机器人和执行器，以在具有云功能的IIoT环境中利用智能机和进行实时分析的能力。根据有关报告，IIoT市场增长的预测预计将从2018年的640亿美元增长到2023年的914.0亿美元，复合年增长率为7.39％。在数据驱动制造(D2M)服务中，IIoT设备在可持续和绿色实践，供应链可追溯性，质量控制以及整体供应链效率方面具有巨大潜力。因此，为了提供高效准确的D2M服务，大量数据从这些IIoT设备中生成，并在支持云的IIoT数据中心被用来分析。

支持云的IIoT环境为制造业提供MaaS，即制造业即服务，通过最小化运营和管理成本使工业界受益。MaaS包括不同类型的D2M服务(例如供应链管理和优化，预测性维护/分析以及资产跟踪和优化)，需要大量的计算，网络和存储资源才能交付给最终服务用户。因此，支持云的IIoT环境需要大量能源，并且随着D2M服务需求的快速增长而增加。目前，支持云的IIoT数据中心遇到能耗高，温度高和服务水平协议(SLA)违规的问题，这些问题都是研究界巨大的挑战。例如，在美国，支持云的IIoT数据中心消耗的能源总量约为2％ (700亿千瓦时)。如果采取必要的措施，到2030年，可以将支持云的IIoT数据中心的能耗从8000TWh降至1200TWh。因此，提高可支持云的IIoT数据中心的能源效率对于可持续且具成本效益的可支持云的IIoT环境至关重要。支持云的IIoT环境的能耗与服务器 (主机)的能耗以及主机的散热成本或温度成正比。

文献号为CN109491790A的现有技术提供了一种基于容器的工业物联网边缘计算资源分配方法及***，该方法如下：根据感知层采集的数据类型，将任务划分为n种类型，通过历史数据统计，得到任务之间先后到达边缘服务器集群上的概率关系；根据***状态空间和决策空间，对实时任务分配计算资源，进行序列决策；根据基于强化学习的资源分配算法，***根据当前的状态，从低、中、高三种资源分配策略中选择最合理的策略给当前任务分配资源；构建任务调度处理模型，创建容器，再把数据调度到容器上进行处理分析，任务完成之后再删除容器，完成分配。该现有技术在资源有限的情况下，对不同类型的数据计算资源分配，创建容器进行处理分析，提高资源使用效率和任务处理的总速率。该现有技术没考虑资源分配的节能消耗，任务分配后没有进行实时监控调整，导致***资源消耗的增加。

发明内容

本发明为了实现对分配后的任进行实时监控调整，降低***资源消耗，确保由云制造服务提供商交付SLA的同时降低主机能耗和冷却成本，进而提供了一种工业物联网中针对数据驱动制造服务的节能资源分配方法。

本发明为解决上述技术问题采用的技术方案为：

一种工业物联网中针对数据驱动制造服务的节能资源分配方法，所述方法的过程为：

步骤一、检测CPU利用率：检测启用云的IIoT数据中心中主机CPU利用率，然后进行利用率分类，根据主机CPU利用率设定三个阈值T_lower，T_middle，T_upper对主机进行分类，按阈值由低至高依次分成四类，SU-hosts,SA-hosts,NL-hosts,和SO-hosts；

步骤二、确定待迁移出服务，SU-hosts上的所有D2M服务以及从SO-hosts(S0主机)中选择的D2M服务(D2M服务是指数据驱动制造服务)；

步骤三、搜索合适的主机为步骤二中确定移出的D2M服务分配资源，利用能源和热感知资源分配(ETV)方案找到适合D2M服务迁移的主机，进行服务迁移以减少能源消耗。

进一步地，步骤一中三个阈值T_lower，T_middle，T_upper的确定过程为：

三个阈值的确定是通过最小中位数平方回归模型选取的，具体的是利用公式(9)～(11) 确定的：

T_upper＝(1-c×LMS) (11)

式中的LMS表示最小中值的平方；c表示是安全系数，取值为0.5。

进一步地，基于上述三个阈值进行利用率分类描述如下：

1)、获取当前i^th主机的CPU利用率的预测值

把主机分类到对其对应的所属组；

2)、如果

的预测值，则将该主机识别为SO-hosts组中成员，归入该组的主机必须将一些D2M服务迁移到SA-hosts，

组，以减少SLA违规；

3)、在NL-hosts，

组中的主机，其所有的D2M服务均保持不变；

4)、如果

则将主机识别为中的一员，归入该组的主机必须将其所有D2M服务迁移到SA-hosts中。

进一步地，步骤二的具体实现过程为：

对支持云的IIoT环境下的能源消耗问题进行建模，定义一组n个D2M服务S需要放置在m个主机上H并且G代表网关设备，S＝s₁，s₂，....，s_n，H＝h₁，h₂，....，h_m；支持云的IIoT环境的能耗包括计算能耗和冷却能耗，观察到的时间分为l个时隙，q＝1，2，....， l，每个时隙持续时间为κ；

对于将D2M服务分配给支持云的IIoT数据中心的分配用能源能耗模型和制冷能耗模型来描述；

能源消耗模型为：

其中：

代表每个主机消耗基础功率，P^host表示主机消耗的总功耗，

和

分别是主机和网关在一段时间内的最大功耗；δ_j保持二进制值0,1；如果第j个D2M服务从主机获取资源，则δj的值为“1”，否则为“0”；CPU(s_j)表示第j个D2M服务所需的CPU总数；P^host式表示主机的利用率，是由与D2M服务相关联的每个D2M服务请求的CPU核心总数与主机的CPU核心总数之比得出的；

C是最初承载网络的容量，C_max是最大网络容量；

代表网关消耗基础功率，P^gate表示网关消耗的总功耗；

在观察时间内，支持云的IIoT环境的总体计算功耗以矩阵P表示，

q＝1，2，...， l；i＝1，2，...，m决定了矩阵P中的元素；

综上，支持云的IIoT环境的计算能耗模型定义如下：

制冷能耗模型为：

在支持云的IIoT数据中心中，计算机机房空调CRAC消耗的能耗称为制冷能耗，取决于主机产生的热量和CRAC的效率；HR矩阵d描述了每对主机之间的关系，其条目d_i,k表示从第i^th个主机生成到第k^th个主机的再循环率；所有主机的热量贡献均影响第i^th个主机在观察到的时隙q中的入口温度，其公式如下：

表示入口温度,

表示提供的温度,

所有入口的温度

其中T^up是警告温度，警告温度的标称值为70℃,通过等式(4)设置从CRAC提供的冷空气温度,如下式：

使用CoP模型：

CoP(T^supply)＝0.0068(T^supply)²+0.0008T^supply+0.458来描述制冷能耗模型:

综合式(3)和式(6)所述模型，得出总消耗模型：

利用(5)式，可进一步优化(7)，得到最终的优化目标：

搜索最佳主机以获取资源分配：根据获取主机列表和服务在每个调度间隔都要从SO-hosts或SU-hosts中选择最合适的主机，每个主机的成本是通过使用公式(8)计算的，每次迭代中都会压缩主机代价，从而实现D2M资源分配优化。

进一步地，步骤三的具体实现过程为：

利用ETV资源分配方案平衡计算和冷却***之间的权衡，D2M服务资源分配直接取决于主机的当前温度，当为D2M服务选择主机进行资源分配时，该主机的当前温度是支持云的 IIoT数据中心中主机中最低温度，基于能源和热能的成本构建，根据主机列表、D2M服务、 T_lower、T_middle，使用公式(8)来制作可行的主机列表，对该主机列表搜索空间进行排序，找出最佳可行主机列表。

本发明具有以下有益技术效果：本发明提供如何在确保由云制造服务提供商交付SLA 的同时降低主机能耗和冷却成本的方案。可以看到，提高启用云的IIoT数据中心中主机资源利用率的水平可以最大程度地减少启用云的IIoT环境的总能耗。但是，单纯地提高主机利用率会影响云制造服务提供商交付的主机和SLA的温度。因此，应根据当前资源需求从服务超载主机(SO主机)或服务欠载主机(SU主机)中选择D2M服务进行重新分配，以减少SLA违规。通过将空闲主机切换到节能模式以减少能耗，减少活动主机的数量。当D2M 服务工作负载需求增加时，可以重新激活主机。本发明使用以下三个主要任务来执行节能资源分配：(1)检测CPU利用率；(2)从SO主机中选择D2M服务；(3)搜索合适的主机为D2M服务分配资源。本发明考虑了资源分配的节能消耗，并对任务分配后进行实时监控调整，降低了***资源消耗，确保由云制造服务提供商交付SLA的同时降低主机能耗和冷却成本。

附图说明

图1为本发明方法的能耗模拟结果图，图2将KLA-MR、KMI-MP、RANDOM和PABFD与ETV的SLA违反性百分比进行比较的结果图，图3为ETV方案与KMI-MR、KMI-MP、RANDOM和 PABFD方法相比的结果图，图5为ETV方案与KMI-MR、KMI-MP、RANDOM和PABFD的主机温度的仿真结果图，图6为ETV方案与KMI-MR、KMI-MP、RANDOM和PABFD的主机关闭数量的仿真结果图。

图1中的横坐标表示cpu利用率，纵坐标表示主机数量；

图2中的横坐标表示不同算法，纵坐标表示能量消耗；

图3中的横坐标表示不同算法，纵坐标表示SLA指标违反率；

图4中的横坐标表示不同算法，纵坐标表示ME2指标的具体数值；

ETV方案与KMI-MR、KMI-MP、RANDOM和PABFD的含义分别为本实验方案，KMI-MR基准实验方案，KMI-MP基准实验方案，RANDOM基准实验方案，PABFD基准实验方案。

具体实施方式

附合附图1至5，对本发明所述的一种工业物联网中针对数据驱动制造服务的节能资源分配方法进行如下阐述：

1***建模与问题公式化描述，为了更好的说明问题，对支持云的IIoT环境下的能源消耗问题进行了模型研究和公式化工作。下面进行形式化说明：

一组n个D2M服务S＝(s₁，s₂，....，s_n)需要放置在m个主机上H＝(h₁，h₂，....， h_m)并且G代表网关设备。支持云的IIoT环境的能耗包括计算能耗和冷却能耗。观察到的时间分为l(q＝1，2，....，l)个时隙，每个时隙持续时间为κ。对于将D2M服务分配给支持云的IIoT数据中心的分配算法，我们将分别描述其能源能耗模型和热感知能耗模型。

1.1计算能源消耗模型

在支持云的IIoT环境中，计算能耗由CPU，存储，内存和网络消耗的能量确定。但是， CPU是主要的计算能源消耗者。因此，计算能耗模型主要关注CPU的能耗。网关消耗的能量由其网络承载能力确定，如下所示：

每个主机消耗基础功率

来支持例如联网，监视和运行实例风扇以进行主机散热这些基本任务。其中P^host表示主机消耗的总功耗，

和

分别是主机和网关在一段时间内的最大功耗。C是最初承载网络的容量，C_max是最大网络容量。δ_j保持二进制值(0,1)。如果第j个D2M服务从主机获取资源，则δj的值为“1”，否则为“0”。CPU(s_j)表示第j 个D2M服务所需的CPU总数。上式表示，主机的利用率是由与D2M服务相关联的每个D2M 服务请求的CPU核心总数与主机的CPU核心总数之比得出的。在观察时间内，支持云的IIoT 环境的总体计算功耗以矩阵P表示，

决定了矩阵P中的元素。支持云的IIoT环境的计算能耗模型定义如下：

1.2制冷能耗模型

在支持云的IIoT数据中心中，计算机机房空调(CRAC)消耗的能耗称为制冷能耗。它取决于主机产生的热量和CRAC的效率。典型的启用云的IIoT数据中心中的气流模式很复杂，因此会导致热再循环(HR)。HR现象是主机出口形成的热空气在支持云功能的IIoT 数据中心内再循环，并与CRAC提供的冷空气混合。HR矩阵d描述了每对主机之间的关系，其条目d_i，k表示从第i^th个主机生成到第k^th个主机的再循环率。支持云的IIoT数据中心中的HR现象导致第i^th个主机在观察到的时隙q中的入口温度

的升高，高于提供的温度为

的冷空气。因此，HR现象在支持云的IIoT数据中心的能耗的增加中起着关键作用。所有主机的热量贡献均影响第i^th个主机在观察到的时隙q中的入口温度，其公式如下：

为了保证支持云的IIoT数据中心内所有主机的可靠性，所有入口的温度

其中T^up是警告温度(标称值为70℃)。因此，我们可以通过等式(4)设置从CRAC 提供的冷空气温度。整体结构如下所示：

主机产生的热量与计算能耗成正比。CRAC单元的效率通常以性能系数(CoP)为特征，该系数表示为冷能量来消除100J热量。应当注意，CoP通常相对于所供应的冷空气温度(T^supply)是非线性的。我们使用HP数据中心的CoP模型：

CoP(T^supply)＝0.0068(T^supply)²+0.0008T^supply+0.458。

因此，冷却的能量消耗可以描述如下:

综合以上模型，我们可以得出总消耗模型：

利用(5)式，我们可以进一步优化(7)，得到最终的优化目标：

2 GreenlloT框架

框架分为两大部分：1.基于多阈值的主机CPU利用率分类(MCU)方案方案，负责把host 分成四个种类：SU-hosts,SA-hosts,NL-hosts,和SO-hosts。2.能源和热感知资源分配(ETV) 方案，利用有关算法，找到适合D2M服务迁移的主机，进行服务迁移以来减少能源消耗。

2.1 MCU方案

MCU方案利用三个阈值T_lower，T_middle，T_upper把host分成四类：SU-hosts,SA-hosts,NL-hosts, 和SO-hosts。具体划分如图1所示:

三个阈值的划取，是通过最小中位数平方回归模型(LMS)选取的。更具体的说，是利用公式(9)-(11)确定的：

T_upper＝(1-c×LMS) (11)

MCU方案描述如下：

1)获取当前i^th主机的CPU利用率的预测值

这有助于把主机分类到对其对应的所属组。

2)如果

的预测值，则将该主机识别为SO-hosts组中成员。归入该组的那些主机必须将一些D2M服务迁移到SA-hosts

组，从而高能效地减少SLA违规。

3)在支持云的IIoT数据中心中，从一台主机迁移过多的D2M服务到另一台主机会导致能源消耗无谓增加以及高违反SLA情况。因此，在NL-hosts

组中的主机，其所有的D2M服务均保持不变。

4)如果

则将主机识别为中的一员。归入该组的主机必须将其所有D2M服务迁移到SA-hosts中。结果，SU-hosts中的主机将切换到低能耗模式以节省大量能量。这些主机会根据资源需求的增加被重新激活。

2.2 ETV方案

在支持云的IIoT数据中心中，D2M服务的高效资源分配算法有助于资源的有效利用和减少能源消耗。为平衡了计算和冷却***之间的权衡，提出了ETV资源分配方案。该方案的基本思想是：D2M服务资源分配直接取决于主机的当前温度。这意味着，当为D2M服务选择主机进行资源分配时，该主机的当前温度比支持云的IIoT数据中心中的其他主机的最低温度还要低。

算法1如下所示。

算法1中的“HostList”和“ServiceList”分别是指支持云的IIoT数据中心中的主机和服务。GreenIIoT分为两个阶段：第一阶段：为新服务分配主机资源，第二阶段：检测服务过载和服务不足主机，以最大程度地减少能耗和SLA违规，并为SA-hosts中的服务分配资源。我们已经讨论了CPU分类阈值T_lower，T_middle，T_upper。首先，该算法按照其MIPS要求对所有D2M服务进行降序排序。之后，检查D2M服务资源要求是否满足可用主机的要求。如果D2M服务找到满足要求的主机，则使用T_lower和T_middle阈值检查对应的主机组。如果所有的主机都不满足新的D2M服务要求，则开启睡眠模式的主机为其分配资源。SO-hosts和 SU-hosts检测阶段是最大程度地减少能耗，避免性能下降和减少违反SLA的关键。检测到SO-hosts后，选择要迁移的D2M服务。在下一阶段，应根据主机温度将所选的D2M服务放置在主机中。下一个算法是根据每个主机温度描述主机资源分配工作流程。

算法2如下所示：

算法2搜索最佳主机以获取资源分配。它将获取主机列表和服务作为输入，并返回最适合分配佳主机。在第一阶段，每个调度间隔(在本例中为5分钟)都要从SO-hosts或 SU-hosts中选择最合适的主机。每个主机的成本是通过使用公式(8)计算的，每次迭代中都会压缩主机代价，从而实现D2M资源分配优化。

算法3如下所示：

算法3是基于能源和热能的成本构建。它以HostList，services，T_lower，T_middle作为输入，并返回最佳可行主机列表(BestFeasible-HostList)，其成本由公式(8)计算。算法的第一阶段是通过使用T_lower和T_middle来制作可行的主机列表(FeasibleHostList)，这限制了最佳可行的主机列表的搜索空间，减少时间复杂度。最后，此过程将返回BestFeasibleHostList，其中每个主机的成本都属于此列表。

3对本发明的技术效果进行如下验证：

为了说明效果，我们先介绍SLA指标和能源效率指标(ME2)。

SLA在支持云的IIoT数据中心中起到了质量指标作用，测量了例如云制造服务提供商向云服务用户提供服务的质量。SLA指标用于衡量服务对象的性能特征。随着时间的流逝， SO-hosts的计算性能会降低，这会增加SLA违规。SLA指标对于能量敏感算法至关重要，此指标可以定义如下：

和

分别代表MIPS以及被所有服务分配的MIPS。

能源效率指标(ME2)：能源效率指标(ME2)描述了在支持云的IIoT数据中心上提出的方案的整体性能。通过使用该指标，可以了解***能耗效率和违反SLA的情况。ME2的值越大，表示该方案的整体性能在支持云的IIoT数据中心中更高。因此，如果提议的方案的ME2值大于其他方案，则该方案在支持云的IIoT数据中心中会更有效。ME2的公式描述如下：

利用cloudsim工具，模拟***环境，在模拟环境上进行相关测试。将从五个方面说明***的优越性：

1)能源消耗：主机消耗的能量主要与CPU和内存利用率有关。但是，在使用大型存储设备，多核CPU和大型硬盘的现代主机上，传统的线性能耗模型不再适用。该方案的仿真结果与KMI-MR，KMI-MP，RANDOM和PABFD进行了分析和比较。能耗的模拟结果显示在图2 中。在能耗方面，ETV方法和KMI-MR，KMI-MP，PABFD，RANDOM方法的能耗分别为32.5kWh，43.2kWh，41.1kWh，49.3kWh，76.7kWh。换句话说，ETV分别比KMI-MR，KMI-MP，PABFD 和RANDOM减少消耗24％，20％，34％和57％能耗，如图2所示。

2)SLA违反性：过分迁移D2M服务会导致在支持云的IIoT数据中心中严重违反SLA标准。图3将KLA-MR，KMI-MP，RANDOM和PABFD与ETV的SLA违反性百分比进行了比较。如在03-Mar实验中，KMI-MR，KMI-MP，PABFD，RANDOM和ETV方法给出的SLA违规百分比分别为7.2％，9.5％，9％，12％和6％。换句话说，ETV方案SLA分别比KMI-MR，KMI-MP， PABFD和RANDOM少16％，36％，33％和50％。因此，提出的方案减少了支持云的IIoT数据中心中违反SLA的百分比，如图3所示。

3)ME2：ME2用于评估支持云的IIoT数据中心的整体性能。云制造服务提供商以最小化的能耗和违反SLA同时最大化整体性能为目标。图4表明，与KMI-MR，KMI-MP，RANDOM 和PABFD方法相比，ETV方案的ME2更好。方法KMI-MR，KMI-MP，PABFD，RANDOM和ETV 的ME2分别为16.2、12.9、13.1、9.6和19.7。因此，带有ETV资源分配方案的整体性能比其他方法要好得多，如图4所示。

4)主机温度：主机的温度直接影响可启用云的IIoT数据中心的运行成本(能耗，冷却成本)。图5比较了该算法与KMI-MR，KMI-MP，RANDOM和PABFD的主机温度的仿真结果。所提出的ETV算法由于其能量和热感知资源分配方案而不会超过最高温度(T^up)。图4显示，主机温度始终在T^up(70℃)附近振荡，这可以最大程度地利用资源并最小化可启用云的IIoT环境的冷却成本，如图5所示。

5)主机数量关闭：重新激活的主机直接影响能耗。如果其数量增加，则能量消耗也增加。分配到新的D2M服务时主机将重新激活，并在检测到闲置时关闭。图6分析并比较了主机关闭数量的仿真结果。总共比较了ETV方案与KMI-MR，KMI-MP，RANDOM和PABFD的主机关闭数量的仿真结果。在03-Mar实验中，算法KMI-MR，KMI-MP，PABFD，RANDOM和ETV 主机关闭次数分别为1950、1800、2200、2500和1500。换句话说，提议的方案(ETV)SLA 违反分别比KMI-MR，KMI-MP，PABFD和RANDOM少23％，16％，31％和40％。下图显示，由于重新激活的主机数量较少，因此建议的方案(ETV)比KMI-MR，KMI-MP，PABFD和RANDOM 方法更有效。在此模拟设置中，我们仅使用800台主机。但是，由于主机的重新激活，关闭的主机数超过了800。与KMI-MR，KMI-MP，PABFD和RANDOM方法相比，提出的方案显着减少了主机重新激活的次数，如图6所示。

Claims (5)

1.一种工业物联网中针对数据驱动制造服务的节能资源分配方法，所述方法的实现过程为：其特征在于：

步骤一、检测CPU利用率：检测启用云的IIoT数据中心中主机CPU利用率，然后进行利用率分类，根据主机CPU利用率设定三个阈值T_lower，T_middle，T_upper对主机进行分类，按阈值由低至高依次分成四类，SU-hosts,SA-hosts,NL-hosts,和SO-hosts；

步骤二、确定待迁移出服务，SU-hosts上的所有D2M服务以及从SO-hosts中选择的D2M服务；

步骤三、搜索合适的主机为步骤二中确定移出的D2M服务分配资源，利用能源和热感知资源分配方案找到适合D2M服务迁移的主机，进行服务迁移以减少能源消耗。

2.根据权利要求1所述的一种工业物联网中针对数据驱动制造服务的节能资源分配方法，其特征在于:步骤一中三个阈值T_lower，T_middle，T_upper的确定过程为：

三个阈值的确定是通过最小中位数平方回归模型选取的，具体的是利用公式(9)～(11)确定的：

T_upper＝(1-c×LMS) (11)

式中的LMS表示最小中值的平方；c表示是安全系数，取值为0.5。

3.根据权利要求2所述的一种工业物联网中针对数据驱动制造服务的节能资源分配方法，其特征在于:

基于上述三个阈值进行利用率分类描述如下：

1)、获取当前i^th主机的CPU利用率的预测值

把主机分类到对其对应的所属组；

2)、如果

的预测值，则将该主机识别为SO-hosts组中成员，归入该组的主机必须将一些D2M服务迁移到SA-hosts，

组，以减少SLA违规；

3)、在NL-hosts，

组中的主机，其所有的D2M服务均保持不变；

4)、如果

则将主机识别为中的一员，归入该组的主机必须将其所有D2M服务迁移到SA-hosts中。

4.根据权利要求1、2或3所述的一种工业物联网中针对数据驱动制造服务的节能资源分配方法，其特征在于，步骤二的具体实现过程为：

对支持云的IIoT环境下的能源消耗问题进行建模，定义一组n个D2M服务S需要放置在m个主机上H并且G代表网关设备，S＝s₁，s₂，....，s_n，H＝h₁，h₂，....，h_m；支持云的IIoT环境的能耗包括计算能耗和冷却能耗，观察到的时间分为l个时隙，q＝1，2，....，l，每个时隙持续时间为κ；

对于将D2M服务分配给支持云的IIoT数据中心的分配用能源能耗模型和制冷能耗模型来描述；

能源消耗模型为：

其中：

代表每个主机消耗基础功率，P^host表示主机消耗的总功耗，

和

分别是主机和网关在一段时间内的最大功耗；δ_j保持二进制值0,1；如果第j个D2M服务从主机获取资源，则δj的值为“1”，否则为“0”；CPU(s_j)表示第j个D2M服务所需的CPU总数；P^host表示主机的利用率，是由与D2M服务相关联的每个D2M服务请求的CPU核心总数与主机的CPU核心总数之比得出的；

C是最初承载网络的容量，C_max是最大网络容量；

代表网关消耗基础功率，P^gate表示网关消耗的总功耗；

在观察时间内，支持云的IIoT环境的总体计算功耗以矩阵P表示，

i＝1，2，...，m决定了矩阵P中的元素；

综上，支持云的IIoT环境的计算能耗模型定义如下：

制冷能耗模型为：

在支持云的IIoT数据中心中，计算机机房空调CRAC消耗的能耗称为制冷能耗，取决于主机产生的热量和CRAC的效率；HR矩阵d描述了每对主机之间的关系，其条目d_i,k表示从第i^th个主机生成到第k^th个主机的再循环率；所有主机的热量贡献均影响第i^th个主机在观察到的时隙q中的入口温度，其公式如下：

_q表示入口温度,

表示提供的温度,

所有入口的温度

其中T^up是警告温度，警告温度的标称值为70℃,通过等式(4)设置从CRAC提供的冷空气温度,如下式：

使用CoP模型：

CoP(T^supply)＝0.0068(T^supply)²+0.0008T^supply+0.458来描述制冷能耗模型:

综合式(3)和式(6)所述模型，得出总消耗模型：

利用(5)式，可进一步优化(7)，得到最终的优化目标：

搜索最佳主机以获取资源分配：根据获取主机列表和服务在每个调度间隔都要从SO-hosts或SU-hosts中选择最合适的主机，每个主机的成本是通过使用公式(8)计算的，每次迭代中都会压缩主机代价，从而实现D2M资源分配优化。

5.根据权利要求4所述的一种工业物联网中针对数据驱动制造服务的节能资源分配方法，其特征在于:步骤三的具体实现过程为：

利用ETV资源分配方案平衡计算和冷却***之间的权衡，D2M服务资源分配直接取决于主机的当前温度，当为D2M服务选择主机进行资源分配时，该主机的当前温度是支持云的IIoT数据中心中主机中最低温度，基于能源和热能的成本构建，根据主机列表、D2M服务、T_lower、T_middle，使用公式(8)来制作可行的主机列表，对该主机列表搜索空间进行排序，找出最佳可行主机列表。

Images