CN112654077B - 节能方法及装置、计算机可存储介质 - Google Patents
节能方法及装置、计算机可存储介质 Download PDFInfo
- Publication number
- CN112654077B CN112654077B CN201910957181.XA CN201910957181A CN112654077B CN 112654077 B CN112654077 B CN 112654077B CN 201910957181 A CN201910957181 A CN 201910957181A CN 112654077 B CN112654077 B CN 112654077B
- Authority
- CN
- China
- Prior art keywords
- processed
- target
- traffic
- base station
- time period
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
- H04W52/0206—Power saving arrangements in the radio access network or backbone network of wireless communication networks in access points, e.g. base stations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开涉及节能方法及装置、计算机可存储介质,涉及网络技术领域。节能方法包括:获取用户的节能请求,所述节能请求包括多个物理设备、目标时间段、和限制条件;根据所述限制条件,以所述多个物理设备中的除指定物理设备以外的其他物理设备为待处理物理设备,获取每个待处理物理设备的实时业务量;利用所述每个待处理物理设备的实时业务量,预测所述每个待处理物理设备在所述目标时间段内的目标业务量;根据所述目标业务量,对所述每个待处理物理设备执行节能操作。根据本公开,降低了物理设备的能耗成本,提高了资源利用率。
Description
技术领域
本公开涉及网络技术领域,特别涉及节能方法及装置、计算机可存储介质。
背景技术
网络话务量存在明显的潮汐效应,不同时段网络话务量波动很大,而大部分基站设备却始终处于24小时持续运行状态,无法根据话务量进行智能调控,导致额外能耗成本。
相似的,数据中心由许多功耗巨大的服务器组成,具备高性能的计算和存储能力。数据中心的服务器通常处于100%的上电状态,以为随时可能发生的业务请求提供服务。但是,这意味着即使在非高峰使用时段,服务器也一直处于活跃状态,这样不仅会减少服务器的寿命,同时也增加了不必要的能耗。因此,如何有效地提高资源利用率,减少基站和数据中心的能耗成本,成为了运营商的普遍目标。
发明内容
发明人认为:相关的节能技术中,基站或数据中心的服务器等物理设备一天24小时持续地工作,物理设备的能耗成本高,基站或数据中心的服务器等物理设备的资源利用率低。
针对上述技术问题,本公开提出了一种解决方案,降低了物理设备的能耗成本,提高了资源利用率。
根据本公开的第一方面,提供了一种节能方法,获取用户的节能请求,所述节能请求包括多个物理设备、目标时间段、和限制条件;根据所述限制条件,以所述多个物理设备中的除指定物理设备以外的其他物理设备为待处理物理设备,获取每个待处理物理设备的实时业务量;利用所述每个待处理物理设备的实时业务量,预测所述每个待处理物理设备在所述目标时间段内的目标业务量;根据所述目标业务量,对所述每个待处理物理设备执行节能操作。
在一些实施例中,所述多个物理设备为目标区域的基站,所述实时业务量包括实时话务量,所述限制条件为由所述目标区域中的指定基站承载全额话务量,所述目标时间段包括多个子目标时间段,所述目标业务量包括目标话务量,利用所述每个待处理物理设备的实时业务量,预测所述每个待处理物理设备在所述目标时间段内的目标业务量包括:将每个待处理基站的实时话务量输入到与所述每个待处理基站对应的机器学习模型中,预测所述每个待处理基站在所述目标时间段内的每个子目标时间段的目标话务量。
在一些实施例中,对于每个子目标时间段,在所述每个待处理基站的目标话务量与所述每个待处理基站可承载的全额话务量的比值大于第一阈值且小于第二阈值的情况下,所述节能操作为关断所述每个待处理基站的符号,所述第一阈值小于所述第二阈值。
在一些实施例中,关断所述每个待处理基站的符号包括:根据所述每个待处理基站的历史话务量与满足所述历史话务量所需的历史符号数的对应关系,确定所述每个子目标时间段的目标话务量所需的目标符号数;将所述每个待处理基站具有的总符号数与所述目标符号数的差值,确定为待关断符号数;根据所述待关断符号数,关断所述每个待处理基站的符号。
在一些实施例中,对于每个子目标时间段,在所述每个待处理基站的目标话务量与所述每个待处理基站可承载的全额话务量的比值小于所述第一阈值的情况下,所述节能操作为关断所述每个待处理基站的通道。
在一些实施例中,关断所述每个待处理基站的通道包括:根据所述每个待处理基站的历史话务量与满足所述历史话务量所需的历史通道数的对应关系,确定所述每个子目标时间段的目标话务量所需的目标通道数;将所述每个待处理基站具有的总通道数与所述目标通道数的差值,确定为待关断通道数;根据所述待关断通道数,关断所述每个待处理基站的通道。
在一些实施例中,所述多个物理设备为目标数据中心的服务器,所述实时业务量包括实时吞吐量,所述限制条件为由所述目标数据中心内的指定服务器承载全额吞吐量,所述目标时间段包括多个子目标时间段,所述目标业务量包括目标吞吐量,利用所述每个待处理物理设备的实时业务量,预测所述每个待处理物理设备在所述目标时间段内的目标业务量包括:将每个待处理服务器的实时吞吐量输入到与所述每个待处理服务器对应的机器学习模型中,预测所述每个待处理服务器在所述目标时间段内的每个子目标时间段的目标吞吐量。
在一些实施例中,对于每个子目标时间段,在所述每个待处理服务器的目标吞吐量与所述每个待处理服务器可承载的全额吞吐量的比值小于第三阈值的情况下,所述节能操作为迁移并休眠所述每个待处理服务器。
在一些实施例中,对所述每个待处理物理设备执行节能操作之前,还包括:利用数字孪生技术,将所述多个物理设备虚拟化,并在虚拟化后的所述每个待处理物理设备上对节能操作进行仿真和验证;在验证成功的情况下,对所述每个待处理物理设备执行所述节能操作。
在一些实施例中,在所述多个物理设备的关键绩效指标KPI大于或等于KPI阈值的情况下,验证成功。
根据本公开第二方面,提供了一种节能装置,第一获取模块,被配置为获取用户的节能请求,所述节能请求包括多个物理设备、目标时间段、和限制条件;第二获取模块,被配置为根据所述限制条件,以所述多个物理设备中的除指定物理设备以外的其他物理设备为待处理物理设备,获取每个待处理物理设备的实时业务量;预测模块,被配置为利用所述每个待处理物理设备的实时业务量,预测所述每个待处理物理设备在所述目标时间段内的目标业务量;执行模块,被配置为根据所述目标业务量,对所述每个待处理物理设备执行节能操作。
根据本公开第三方面,提供了一种节能装置,包括:存储器;以及耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器的指令,执行上述任一实施例所述的节能方法。
根据本公开第四方面,一种计算机可存储介质,其上存储有计算机程序指令,该指令被处理器执行时实现上述任一实施例所述的节能方法。
在上述实施例中,降低了物理设备的能耗成本,提高了资源利用率。
附图说明
构成说明书的一部分的附图描述了本公开的实施例,并且连同说明书一起用于解释本公开的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本公开,其中:
图1示出根据本公开一些实施例的节能方法的流程图;
图2示出根据本公开一些实施例的节能装置的框图;
图3A示出根据本公开一些实施例的节能***的示意图;
图3B示出根据本公开一些实施例的节能方法的信令图;
图4A示出根据本公开另一些实施例的节能***的示意图;
图4B示出根据本公开一些实施例的节能方法的信令图;
图5示出根据本公开再一些实施例的节能***的示意图;
图6示出根据本公开一些实施例的数据传输装置的框图;
图7示出用于实现本公开一些实施例的计算机***的框图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
图1示出根据本公开一些实施例的节能方法的流程图。
如图1所示,节能方法包括步骤S110-步骤S140。
在步骤S110中,获取用户的节能请求。节能请求包括多个物理设备、目标时间段、和限制条件。限制条件为对多个物理设备的限制要求。例如,用户为网络运维人员。通过定制化的节能请求,使得节能目标更加具有针对性,提高了资源利用率。
在步骤S120中,根据限制条件,以多个物理设备中的除指定物理设备以外的其他物理设备为待处理物理设备,获取每个待处理物理设备的实时业务量。
在一些实施例中,多个物理设备为目标区域的基站,实时业务量包括实时话务量。目标区域为用户在节能请求中指定的多个物理设备所在区域。
在另一些实施例中,多个物理设备为目标数据中心的服务器,实时业务量包括实时吞吐量。目标数据中心为用户在节能请求中指定的多个物理设备所在的数据中心。
在步骤S130中,利用每个待处理物理设备的实时业务量,预测每个待处理物理设备在目标时间段内的目标业务量。
在一些实施例中,限制条件为由目标区域中的指定基站承载全额话务量。目标时间段包括多个子目标时间段。目标业务量包括目标话务量。通过如下方式实现利用每个待处理物理设备的实时业务量,预测每个待处理物理设备在目标时间段内的目标业务量。
将每个待处理基站的实时话务量输入到与每个待处理基站对应的机器学习模型中,预测每个待处理基站的在目标时间段内的每个子目标时间段的目标话务量。
例如,节能方法还包括获取每个待处理基站的历史话务量,并利用历史话务量训练与每个待处理基站对应的机器学习模型。在一些实施例中,用于训练与每个待处理基站对应的机器学习模型的训练数据除历史话务量以外还包括天气情况、特定日期等数据。特定日期包括节假日、重大事件发生日期等。
在另一些实施例中,限制条件为由目标数据中心内的指定服务器承载全额吞吐量。目标时间段包括多个子目标时间段。目标业务量包括目标吞吐量。通过如下方式实现利用每个待处理物理设备的实时业务量,预测每个待处理物理设备在目标时间段内的目标业务量。
将每个待处理服务器的实时吞吐量输入到与每个待处理服务器对应的机器学习模型中,预测每个待处理服务器在目标时间段内的每个子目标时间段的目标吞吐量。
例如,节能方法还包括获取每个待处理服务器的历史吞吐量,并利用历史吞吐量训练与每个待处理服务器对应的机器学习模型。
在步骤S140中,根据目标业务量,对每个待处理物理设备执行节能操作。
在一些实施例中,对于每个子目标时间段,在每个待处理基站在每个子目标时间段的目标话务量与每个待处理基站可承载的全额话务量的比值大于第一阈值且小于第二阈值的情况下,节能操作为在每个子目标时间段内关断每个待处理基站的符号。其中,第一阈值小于第二阈值。本领域技术人员应当理解,关断待处理基站的符号即为关断待处理基站的符号对应的载波频段。
例如通过如下方式实现关断每个待处理基站的符号。
首先,根据每个待处理基站的历史话务量与满足历史话务量所需的历史符号数的对应关系,确定每个子目标时间段的目标话务量所需的目标符号数。
然后,将每个待处理基站具有的总符号数与目标符号数的差值,确定为待关断符号数。
最后,根据待关断符号数,关断每个待处理基站的符号。例如,待关断符号数为10,则关断每个待处理基站的10个符号。
例如,根据目标业务量,对每个待处理物理设备执行节能操作还包括如下步骤。对于每个子目标时间段,在每个待处理基站的目标话务量与每个待处理基站可承载的全额话务量的比值小于第一阈值的情况下,节能操作为关断每个待处理基站的通道。
例如通过如下方式实现关断每个待处理基站的通道。
首先,根据每个待处理基站的历史话务量与满足历史话务量所需的历史通道数的对应关系,确定每个子目标时间段的目标话务量所需的目标通道数。
然后,将每个待处理基站具有的总通道数与目标通道数的差值,确定为待关断通道数。
最后,根据待关断通道数,关断每个待处理基站的通道。例如,待关断通道数为10,则关断每个待处理基站的10个通道。
在另一些实施例中,通过如下方式实现根据目标业务量,对每个子待处理物理设备执行节能操作。
对于每个子目标时间段,在每个待处理服务器在每个子目标时间段的目标吞吐量与每个待处理服务器可承载的全额吞吐量的比值小于第三阈值的情况下,节能操作为迁移并休眠每个待处理服务器。本领域技术人员应当理解,迁移并休眠待处理目标服务器即为将待处理服务器上的业务迁移到目标数据中心的除该待处理服务器以外的其他服务器上,并对该待处理服务器进行休眠处理。
在一些实施例中,对每个待处理物理设备执行节能操作之前,节能方法还包括如下步骤。
利用数字孪生技术,将多个物理设备虚拟化,并在虚拟化后的每个待处理物理设备上对节能操作进行仿真和验证。数字孪生(Digital Twin)是针对物理实体建立相对应的虚拟模型,并模拟物理实体在真实环境下的行为。本公开利用数字孪生技术,将多个物理设备虚拟化,并在虚拟化后的每个待处理物理设备上执行节能操作,以实现对节能操作的仿真和验证,保证了节能操作的准确性和可靠性。
在验证成功的情况下,对每个待处理物理设备执行节能操作。例如,在多个物理设备的KPI(Key Performance Indicator,关键绩效指标)大于或等于KPI阈值的情况下,验证成功。在多个物理设备为目标区域的基站的情况下,目标区域的多个基站的KPI例如为寻呼成功率、切换成功率中的至少一种。在多个物理设备为目标数据中心的服务器的情况下,目标数据中心的多个服务器的KPI例如为利用率,即存储容量与存储总容量的比率。本领域技术人员应当理解,在多个物理设备的KPI大于或等于KPI阈值的情况下,多个物理设备能够给客户提供较高质量的业务服务,不会影响客户的业务体验。
在一些实施例中,在验证失败的情况下,生成反馈信息。反馈信息包括节能操作的具体内容以及多个物理设备的KPI。例如,在多个物理设备的KPI小于KPI阈值的情况下,验证失败。应当理解,这里的多个物理设备的KPI为执行节能操作后的多个物理设备的KPI。反馈信息能够帮助网络运维人员及时发现问题,并采取相应的措施,以提高客户的体验。
本公开的节能方法通过根据预测到的每个待处理物理设备的目标业务量和限制条件,对每个待处理物理设备执行节能操作,降低了物理设备的能耗成本,提高了资源利用率。另外,通过在节能请求中增加限制条件,使得节能目标更具有针对性。
图2示出根据本公开一些实施例的节能装置的框图。
如图2所示,节能装置2包括第一获取模块21、第二获取模块22、预测模块23和执行模块24。
第一获取模块21被配置为获取用户的节能请求,例如执行如图1所示的步骤S110。节能请求包括多个物理设备、目标时间段、和限制条件。
第二获取模块22被配置为根据限制条件,以多个物理设备中的除指定物理设备以外的其他物理设备为待处理物理设备,获取每个待处理物理设备的实时业务量,例如执行如图1所示的步骤S120。
预测模块23被配置为利用每个待处理物理设备的实时业务量,预测每个待处理物理设备在目标时间段内的目标业务量,例如执行如图1所示的步骤S130。
执行模块24被配置为根据目标业务量,对每个待处理物理设备执行节能操作,例如执行如图1所示的步骤S140。
图3A示出根据本公开一些实施例的节能***的示意图。
如图3A所示,节能***3包括节能装置31和基础设施32。
节能装置31包括解析模块311、获取模块312、训练模块313、预测模块314、执行模块315。
解析模块311被配置为获取用户通过UI交互界面发送的节能请求,并对节能请求进行解析得到目标区域的多个基站、目标时间段、和限制条件。
获取模块312被配置为根据限制条件,以目标区域中的除指定基站以外的其他基站为待处理基站,获取每个待处理基站的历史话务量和实时话务量。
训练模块313被配置为利用每个待处理基站的历史话务量训练与每个待处理基站对应的机器学***均自回归模型)。
预测模块314被配置为将每个待处理基站的实时话务量输入到与每个待处理基站对应的机器学习模型中,预测每个待处理基站在目标时间段内的每个子目标时间段的目标话务量。每个目标时间段包括多个子目标时间段。
执行模块315被配置为根据每个待处理基站的目标话务量,对每个待处理基站执行节能操作。
基础设施32包括待处理基站321和基站控制器322。
待处理基站312被配置为向客户提供特定的业务服务。例如,特定的业务服务包括通话服务。应当理解,基础设施32除包括待处理基站321以外,还包括限制条件中指定的目标区域中承载全额话务量的其他基站。
基站控制器322被配置为接收节能装置31的获取模块312的获取请求,并根据获取请求从各个待处理基站321采集历史话务量和实时话务量。基站控制器322还被配置为接收节能装置31的执行模块315生成的节能操作,并对每个待处理基站321执行节能操作。
图3B示出根据本公开一些实施例的节能方法的信令图。
如图3B所示,节能方法包括步骤S300-步骤S346。
在步骤S300中,解析模块从UI界面获取用户通过UI界面发起的节能请求。
在步骤S310中,解析模块对节能请求进行解析,得到目标区域的多个基站、目标时间段、和限制条件,并发送给生成模块。
在步骤S320中,基站控制器限制条件,以目标区域中的除指定基站以外的其他物理设备为待处理基站,从每个待处理基站上采集每个待处理基站的实时话务量和历史话务量。
在步骤S330中,基站控制器将采集得到的每个待处理基站的历史话务量发送给训练模块。
在步骤S331中,训练模块根据每个待处理基站的历史话务量,训练与每个待处理基站对应的机器学习模型。
在步骤S340中,基站控制器将采集得到的每个待处理基站的实时话务量发送给预测模块。
在步骤S341中,预测模块根据每个待处理基站的实时话务量,预测每个待处理基站在目标时间段内的每个子目标时间段的目标话务量,并发送给生成模块。每个目标时间段包括多个子目标时间段。
在步骤S342中,生成模块根据每个待处理基站的目标话务量,生成与每个待处理基站对应的节能操作,并发送给验证模块。例如,具体生成节能操作指令。
在步骤S343中,验证模块利用数字孪生技术,将多个基站虚拟化,并在虚拟化后的每个待处理基站上对节能操作进行仿真和验证。
在步骤S344中,验证模块将验证结果发送给生成模块。
在步骤S345中,在验证成功的情况下,生成模块将节能操作发送给基站控制器。
在步骤S346中,基站控制器对每个待处理基站执行与每个待处理基站对应的节能操作。
图4A示出根据本公开另一些实施例的节能***的示意图。
如图4A所示,节能***4包括节能装置41、MANO(Management and Orchestration,管理和编排)平台42和目标数据中心43。
节能装置41包括解析模块411、获取模块412、训练模块413、预测模块414、执行模块415。
解析模块411被配置为获取用户通过UI交互界面发送的节能请求,并对节能请求进行解析得到目标数据中心的多个服务器、目标时间段、和限制条件。
获取模块412被配置为根据限制条件,以目标数据中心内的除指定服务器以外的其他服务器为待处理服务器,获取每个待处理服务器的历史吞吐量和实时吞吐量。
训练模块413被配置为利用每个待处理服务器的历史吞吐量训练与每个待处理服务器对应的机器学习模型。例如,机器学习模型包括LSTM网络模型或ARIMA。
预测模块414被配置为将每个待处理服务器的实时吞吐量输入到与每个待处理服务器对应的机器学习模型中,预测每个待处理服务器在目标时间段内的每个子目标时间段的目标吞吐量。每个目标时间段包括多个子目标时间段。
执行模块415被配置为根据每个待处理服务器的目标吞吐量,对每个待处理物理设备执行节能操作。
MANO平台42包括NFVO(Networks Function Virtualisation Orchestrator,网络功能虚拟化编排器)421、VNFM(Virtualized Networks Function Management,网络功能虚拟化管理器)422、VIM(Virtualized Infrastructure Manager,虚拟化基础设施管理器)423。MANO平台42被配置为接收节能装置41的获取模块412的获取请求,并根据获取请求从各个待处理服务器采集历史吞吐量和实时吞吐量。MANO平台42还被配置为接收节能装置41的执行模块415生成的节能操作。
目标数据中心43包括待处理服务器431。待处理服务器431向客户提供特定的业务服务。例如,特定的业务服务包括DNS(Domain Name System,域名***)域名服务、虚拟主机服务等。应当理解,目标数据中心43除包括待处理服务器431以外,还包括限制条件中指定的承载全额吞吐量的其他服务器。
图4B示出根据本公开一些实施例的节能方法的信令图。
如图4B所示,节能方法包括步骤S400-步骤S446。
在步骤S400中,解析模块从UI界面获取用户通过UI界面发起的节能请求。
在步骤S410中,解析模块对节能请求进行解析,得到目标数据中心的多个服务器、目标时间段、和限制条件,并发送给生成模块。
在步骤S420中,MANO平台根据限制条件,以目标数据中心内的除指定服务器以外的其他服务器为待处理服务器,从每个待处理服务器上采集每个待处理服务器的实时吞吐量和历史吞吐量。
在步骤S430中,MANO平台控制将采集得到的每个待处理服务器的历史吞吐量发送给训练模块。
在步骤S431中,训练模块根据每个待处理服务器的历史吞吐量,训练与每个待处理服务器对应的机器学习模型。
在步骤S440中,MANO平台将采集得到的每个待处理服务器的实时吞吐量发送给预测模块。
在步骤S441中,预测模块根据每个待处理服务器的实时吞吐量,预测每个待处理服务器在目标时间段内的每个子目标时间段的目标吞吐量。每个目标时间段包括多个子目标时间段,并发送给生成模块。
在步骤S442中,生成模块根据每个待处理服务器的目标吞吐量,生成与每个待处理服务器对应的节能操作,并发送给验证模块。例如,具体生成节能操作指令。
在步骤S443中,验证模块利用数字孪生技术,将每个服务器虚拟化,并在虚拟化后的每个待处理服务器上对节能操作进行仿真和验证。
在步骤S444中,验证模块将验证结果发送给生成模块。
在步骤S445中,在验证成功的情况下,生成模块将节能操作发送给MANO平台。
在步骤S446中,MANO平台对每个待处理服务器执行与每个待处理服务器对应的节能操作。
图5示出根据本公开再一些实施例的节能***的示意图。
如图5所示,节能***5包括UI交互界面501、解析模块502、第一数据库503、第二数据库504、训练模块505、预测模块506、生成模块507、验证模块508、执行模块509和管理平台510。
UI交互界面501被配置为与用户进行交互,用户通过UI交互界面51发起节能请求。例如,节能请求为“未来一个月内北京地区基站能耗降低10%,重点保障东西城区的通话质量”。
解析模块502被配置为解析用户通过UI交互界面501发起的节能请求,得到多个物理设备、目标时间段、和限制条件。解析模块502将节能请求等自然语言翻译成机器可以理解的专用语言,从而得到多个物理设备、目标时间段、和限制条件。例如,目标物理设备为北京地区的基站,目标时间段为未来一个月,限制条件为由北京地区中东城区和西城区的基站承载全额话务量。
第一数据库503被配置为存储解析模块502解析得到的多个物理设备、目标时间段、和限制条件的对应关系。
第二数据库504被配置为存储根据第一数据库503的限制条件,以多个物理设备中的指定物理设备为待处理物理设备,获取到的每个待处理物理设备的历史业务量和实时业务量。
训练模块505被配置为根据第二数据库504的每个待处理物理设备的历史业务量,训练与每个待处理物理设备对应的机器学习模型。
预测模块506被配置为利用第二数据库504的每个目标物理设备的实时业务量,预测每个目标物理设备在目标时间段内的目标业务量。
生成模块507被配置为根据预测模块506预测得到的每个待处理物理设备的实时业务量,生成节能操作。
验证模块508被配置为利用数字孪生技术,将多个物理设备虚拟化,对虚拟化后的每个待处理物理设备执行相应的节能操作,以实现对节能操作的仿真和验证。
执行模块509被配置为将生成的节能操作下发给多个物理设备的管理平台510。
管理平台510执行对每个待处理物理设备执行节能操作。管理平台510包括MANO平台或基站控制器。
图6示出根据本公开一些实施例的数据传输装置的框图。
如图6所示,数据传输装置6包括存储器61;以及耦接至该存储器61的处理器62,存储器61用于存储执行节能方法对应实施例的指令。处理器62被配置为基于存储在存储器61中的指令,执行本公开中任意一些实施例中的节能方法。
图7示出用于实现本公开一些实施例的计算机***的框图。
如图7所示,计算机***70可以通用计算设备的形式表现。计算机***70包括存储器710、处理器720和连接不同***组件的总线700。
存储器710例如可以包括***存储器、非易失性存储介质等。***存储器例如存储有操作***、应用程序、引导装载程序(Boot Loader)以及其他程序等。***存储器可以包括易失性存储介质,例如随机存取存储器(RAM)和/或高速缓存存储器。非易失性存储介质例如存储有执行节能方法中的至少一种的对应实施例的指令。非易失性存储介质包括但不限于磁盘存储器、光学存储器、闪存等。
处理器720可以用通用处理器、数字信号处理器(DSP)、应用专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑设备、分立门或晶体管等分立硬件组件方式来实现。相应地,诸如判断模块和确定模块的每个模块,可以通过中央处理器(CPU)运行存储器中执行相应步骤的指令来实现,也可以通过执行相应步骤的专用电路来实现。
总线700可以使用多种总线结构中的任意总线结构。例如,总线结构包括但不限于工业标准体系结构(ISA)总线、微通道体系结构(MCA)总线、***组件互连(PCI)总线。
计算机***70还可以包括输入输出接口730、网络接口740、存储接口750等。这些接口730、740、750以及存储器77和处理器720之间可以通过总线700连接。输入输出接口730可以为显示器、鼠标、键盘等输入输出设备提供连接接口。网络接口740为各种联网设备提供连接接口。存储接口750为软盘、U盘、SD卡等外部存储设备提供连接接口。
这里,参照根据本公开实施例的方法、装置和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个框以及各框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可提供到通用计算机、专用计算机或其他可编程装置的处理器,以产生一个机器,使得通过处理器执行指令产生实现在流程图和/或框图中一个或多个框中指定的功能的装置。
这些计算机可读程序指令也可存储在计算机可读存储器中,这些指令使得计算机以特定方式工作,从而产生一个制造品,包括实现在流程图和/或框图中一个或多个框中指定的功能的指令。
本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
通过上述实施例中的节能方法及装置、计算机可存储介质,降低了物理设备的能耗成本,提高了资源利用率。
至此,已经详细描述了根据本公开的节能方法及装置、计算机可存储介质。为了避免遮蔽本公开的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
Claims (11)
1.一种节能方法,包括:
获取用户的节能请求,所述节能请求包括多个物理设备、目标时间段、和限制条件,限制条件用于限制指定物理设备承载全额业务量;
根据所述限制条件,以所述多个物理设备中的除指定物理设备以外的其他物理设备为待处理物理设备,获取每个待处理物理设备的实时业务量;
利用所述每个待处理物理设备的实时业务量,预测所述每个待处理物理设备在所述目标时间段内的目标业务量;
利用数字孪生技术,将所述多个物理设备虚拟化,并在虚拟化后的所述每个待处理物理设备上对节能操作进行仿真和验证;
在验证成功的情况下,根据所述目标业务量,对所述每个待处理物理设备执行节能操作,其中,在所述多个物理设备的关键绩效指标KPI大于或等于KPI阈值的情况下,验证成功。
2.根据权利要求1所述的节能方法,其中,所述多个物理设备为目标区域的基站,所述实时业务量包括实时话务量,所述限制条件为由所述目标区域中的指定基站承载全额话务量,所述目标时间段包括多个子目标时间段,所述目标业务量包括目标话务量,利用所述每个待处理物理设备的实时业务量,预测所述每个待处理物理设备在所述目标时间段内的目标业务量包括:
将每个待处理基站的实时话务量输入到与所述每个待处理基站对应的机器学习模型中,预测所述每个待处理基站在所述目标时间段内的每个子目标时间段的目标话务量。
3.根据权利要求2所述的节能方法,其中,对于每个子目标时间段,在所述每个待处理基站的目标话务量与所述每个待处理基站可承载的全额话务量的比值大于第一阈值且小于第二阈值的情况下,所述节能操作为关断所述每个待处理基站的符号,所述第一阈值小于所述第二阈值。
4.根据权利要求3所述的节能方法,其中,关断所述每个待处理基站的符号包括:
根据所述每个待处理基站的历史话务量与满足所述历史话务量所需的历史符号数的对应关系,确定所述每个子目标时间段的目标话务量所需的目标符号数;
将所述每个待处理基站具有的总符号数与所述目标符号数的差值,确定为待关断符号数;
根据所述待关断符号数,关断所述每个待处理基站的符号。
5.根据权利要求3所述的节能方法,其中,
对于每个子目标时间段,在所述每个待处理基站的目标话务量与所述每个待处理基站可承载的全额话务量的比值小于所述第一阈值的情况下,所述节能操作为关断所述每个待处理基站的通道。
6.根据权利要求5所述的节能方法,其中,关断所述每个待处理基站的通道包括:
根据所述每个待处理基站的历史话务量与满足所述历史话务量所需的历史通道数的对应关系,确定所述每个子目标时间段的目标话务量所需的目标通道数;
将所述每个待处理基站具有的总通道数与所述目标通道数的差值,确定为待关断通道数;
根据所述待关断通道数,关断所述每个待处理基站的通道。
7.根据权利要求1所述的节能方法,其中,所述多个物理设备为目标数据中心的服务器,所述实时业务量包括实时吞吐量,所述限制条件为由所述目标数据中心内的指定服务器承载全额吞吐量,所述目标时间段包括多个子目标时间段,所述目标业务量包括目标吞吐量,利用所述每个待处理物理设备的实时业务量,预测所述每个待处理物理设备在所述目标时间段内的目标业务量包括:
将每个待处理服务器的实时吞吐量输入到与所述每个待处理服务器对应的机器学习模型中,预测所述每个待处理服务器在所述目标时间段内的每个子目标时间段的目标吞吐量。
8.根据权利要求7所述的节能方法,其中,对于每个子目标时间段,在所述每个待处理服务器的目标吞吐量与所述每个待处理服务器可承载的全额吞吐量的比值小于第三阈值的情况下,所述节能操作为迁移并休眠所述每个待处理服务器。
9.一种节能装置,包括:
第一获取模块,被配置为获取用户的节能请求,所述节能请求包括多个物理设备、目标时间段、和限制条件;
第二获取模块,被配置为根据所述限制条件,以所述多个物理设备中的除指定物理设备以外的其他物理设备为待处理物理设备,获取每个待处理物理设备的实时业务量;
预测模块,被配置为利用所述每个待处理物理设备的实时业务量,预测所述每个待处理物理设备在所述目标时间段内的目标业务量;
执行模块,被配置为利用数字孪生技术,将所述多个物理设备虚拟化,并在虚拟化后的所述每个待处理物理设备上对节能操作进行仿真和验证;在验证成功的情况下,根据所述目标业务量,对所述每个待处理物理设备执行节能操作,其中,在所述多个物理设备的关键绩效指标KPI大于或等于KPI阈值的情况下,验证成功。
10.一种节能装置,包括:
存储器;以及
耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器的指令,执行如权利要求1至8任一项所述的节能方法。
11.一种计算机可存储介质,其上存储有计算机程序指令,该指令被处理器执行时实现如权利要求1至8任一项所述的节能方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910957181.XA CN112654077B (zh) | 2019-10-10 | 2019-10-10 | 节能方法及装置、计算机可存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910957181.XA CN112654077B (zh) | 2019-10-10 | 2019-10-10 | 节能方法及装置、计算机可存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112654077A CN112654077A (zh) | 2021-04-13 |
CN112654077B true CN112654077B (zh) | 2022-12-27 |
Family
ID=75342503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910957181.XA Active CN112654077B (zh) | 2019-10-10 | 2019-10-10 | 节能方法及装置、计算机可存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112654077B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115915166A (zh) * | 2021-09-30 | 2023-04-04 | 华为技术有限公司 | 一种用于网络节能的通信方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102665258A (zh) * | 2012-04-13 | 2012-09-12 | 北京邮电大学 | 蜂窝***中一种基于基站协调控制的节能方法 |
CN105682109B (zh) * | 2014-11-19 | 2020-07-31 | 南京中兴软件有限责任公司 | 节能方法及装置 |
CN104469830B (zh) * | 2014-11-26 | 2017-10-31 | 北京邮电大学 | 异构网络多基站节能管理方法 |
CN104581779B (zh) * | 2014-12-11 | 2018-11-30 | 华为技术有限公司 | 一种业务处理方法以及装置 |
CN104812035B (zh) * | 2015-05-12 | 2018-04-24 | 东南大学 | 一种自适应控制基站节能的方法 |
CN105263147A (zh) * | 2015-11-25 | 2016-01-20 | 中国联合网络通信集团有限公司 | 一种基站调节方法和设备 |
-
2019
- 2019-10-10 CN CN201910957181.XA patent/CN112654077B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112654077A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hsieh et al. | Utilization-prediction-aware virtual machine consolidation approach for energy-efficient cloud data centers | |
US11392843B2 (en) | Utilizing a machine learning model to predict a quantity of cloud resources to allocate to a customer | |
Tuli et al. | HUNTER: AI based holistic resource management for sustainable cloud computing | |
Askarizade Haghighi et al. | An energy-efficient dynamic resource management approach based on clustering and meta-heuristic algorithms in cloud computing IaaS platforms: Energy efficient dynamic cloud resource management | |
US9501115B2 (en) | Optimizing power consumption by dynamic workload adjustment | |
US10795711B2 (en) | Predictive allocation of virtual desktop infrastructure computing resources | |
US9037880B2 (en) | Method and system for automated application layer power management solution for serverside applications | |
US10936039B2 (en) | Multi-tenant edge cloud system power management | |
CN104850488A (zh) | 虚拟机功耗测量和管理 | |
CN104301389A (zh) | 一种云计算***的能效监控和管理方法与*** | |
WO2020220437A1 (zh) | 一种基于AdaBoost-Elman的虚拟机软件老化预测方法 | |
Ahmad et al. | Optimization‐based workload distribution in geographically distributed data centers: A survey | |
Jeong et al. | Stable and efficient resource management using deep neural network on cloud computing | |
CN112654077B (zh) | 节能方法及装置、计算机可存储介质 | |
Wang et al. | Cloud workload analytics for real-time prediction of user request patterns | |
Zhou et al. | An intelligence energy consumption model based on BP neural network in mobile edge computing | |
Wiesner et al. | Software‐in‐the‐loop simulation for developing and testing carbon‐aware applications | |
Zhou et al. | Cushion: A proactive resource provisioning method to mitigate SLO violations for containerized microservices | |
CN113535379A (zh) | 一种基于物联网的变电边缘计算方法、***及设备 | |
CN107203256A (zh) | 一种网络功能虚拟化场景下的节能分配方法与装置 | |
Zhang et al. | An advanced load balancing strategy for cloud environment | |
Forshaw et al. | HTC‐Sim: a trace‐driven simulation framework for energy consumption in high‐throughput computing systems | |
CN106844175A (zh) | 一种基于机器学***台容量规划方法 | |
Nguyen et al. | Prediction-based energy policy for mobile virtual desktop infrastructure in a cloud environment | |
Araujo et al. | Availability and reliability modeling of mobile cloud architectures |
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 |