CN114740964A - 基于lstm的服务器节能方法、装置、设备及存储介质 - Google Patents
基于lstm的服务器节能方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114740964A CN114740964A CN202210368193.0A CN202210368193A CN114740964A CN 114740964 A CN114740964 A CN 114740964A CN 202210368193 A CN202210368193 A CN 202210368193A CN 114740964 A CN114740964 A CN 114740964A
- Authority
- CN
- China
- Prior art keywords
- load
- target server
- lstm
- server
- state
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005265 energy consumption Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000004134 energy conservation Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 13
- 230000000306 recurrent effect Effects 0.000 description 13
- 230000004913 activation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3206—Monitoring of events, devices or parameters that trigger a change in power modality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
- G06F1/324—Power saving characterised by the action undertaken by lowering clock frequency
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Sources (AREA)
Abstract
本申请涉及一种基于LSTM的服务器节能方法、装置、设备及存储介质,涉及服务器技术领域,该方法包括以下步骤:获得目标服务器的负载数据;基于负载数据,利用预设的LSTM模型对目标服务器进行负载预测;当目标服务器处于空载状态时,根据目标服务器的空载时长,控制目标服务器转入能耗程度不同的工作状态。本申请采用LSTM技术,预测服务器的负载情况,根据空载时长控制服务器切换至对应的工作状态,有效降低服务器空载时的功耗,达到节能的目的。
Description
技术领域
本申请涉及服务器技术领域,具体涉及一种基于LSTM的服务器节能方法、装置、设备及存储介质。
背景技术
近些年来,随着数据中心的数量和规模呈现快速增长的趋势,服务器的工作负载也随之快速提升。日常研究发现,即使服务器处在空闲状态,服务器的能耗依旧会处于顶峰功率时的70%,面对日渐增长的能源消耗,如何降低服务器能耗水平尤为关键。
降低服务器能耗水平的关键是让服务器运行在合理的状态,传统的方法只有在观察到工作负载的变化后才对对服务器的状态做出相应的调整,此调整方法的反应速度较慢,倘若负载的变化速度快于***的反应速度,则会给用户带来较差的体验服务,并且也会使服务器的节能效果大打折扣。
因此,为满足服务器节能需求,现提供一种基于LSTM的服务器节能技术。
发明内容
本申请提供一种基于LSTM的服务器节能方法、装置、设备及存储介质,采用LSTM技术,预测服务器的负载情况,根据空载时长控制服务器切换至对应的工作状态,有效降低服务器空载时的功耗,达到节能的目的。
第一方面,本申请提供了一种基于LSTM的服务器节能方法,所述方法包括以下步骤:
获得目标服务器的负载数据;
基于所述负载数据,利用预设的LSTM模型对目标服务器进行负载预测;
当所述目标服务器处于空载状态时,根据所述目标服务器的空载时长,控制所述目标服务器转入能耗程度不同的工作状态。
进一步的,当所述目标服务器处于空载状态时,根据所述目标服务器的空载时长,控制所述目标服务器转入能耗程度不同的工作状态,所述方法还包括以下步骤:
监测所述目标服务器的空载时长;
当所述空载时长大于第一时间阈值且小于第二时间阈值时,控制所述目标服务器转入第一级睡眠状态;
当所述空载时长大于第二时间阈值且小于第三时间阈值时,控制所述目标服务器转入第二级睡眠状态;
当所述空载时长大于第三时间阈值且小于第四时间阈值时,控制所述目标服务器转入第三级睡眠状态;
当所述空载时长大于第四时间阈值时,控制所述目标服务器转入第四级睡眠状态;其中,
所述第一级睡眠状态、所述第二级睡眠状态、所述第三级睡眠状态以及所述第四级睡眠状态的能耗程度依次降低。
具体的,所述目标服务器从所述第一级睡眠状态转入活跃状态的唤醒时长与所述第一时间阈值相同;
所述目标服务器从所述第二级睡眠状态转入活跃状态的唤醒时长与所述第二时间阈值相同;
所述目标服务器从所述第三级睡眠状态转入活跃状态的唤醒时长与所述第三时间阈值相同;
所述目标服务器从所述第四级睡眠状态转入活跃状态的唤醒时长与所述第四时间阈值相同。
具体的,获得目标服务器的负载数据中,所述方法包括以下步骤:
提取所述目标服务器的负载信息;
对所述负载信息进行归一化处理,并转化为时间序列形式的负载数据;其中,
所述负载信息包括负载请求以及负载流量。
具体的,基于预设的归一化处理公式对所述负载信息进行归一化处理;
所述归一化处理公式为:
x为待归一化处理的原始数据,xmax为原始数据中的最大值,xmin为原始数据中的最小值,xnorm为归一化处理后的数据。
具体的,基于所述负载数据,利用预设的LSTM模型对目标服务器进行负载预测中,包括以下步骤:
将所述负载数据作为输入数据,输入至所述LSTM模型;
获得所述LSTM模型的输出数据;
基于所述输出数据,对所述目标服务器进行负载预测。
具体的,所述LSTM模型的隐藏层包括LSTM单元,所述LSTM单元包括输入门、遗忘门以及输出门;其中,
所述输入门表示是否允许将新获得的输入数据加入到当前隐藏层节点中;
遗忘门表示是否保留当前隐藏层节点所存储的历史数据;
输出门表示是否将当前隐藏层节点的输出值输出给下一层。
第二方面,本申请提供了一种基于LSTM的服务器节能装置,所述装置包括:
负载获取模块,其用于获得目标服务器的负载数据;
负载预测模块,其用于基于所述负载数据,利用预设的LSTM模型对目标服务器进行负载预测;
状态切换模块,其用于当所述目标服务器处于空载状态时,根据所述目标服务器的空载时长,控制所述目标服务器转入能耗程度不同的工作状态。
进一步的,所述状态切换模块还用于监测所述目标服务器的空载时长;
所述状态切换模块还用于当所述空载时长大于第一时间阈值且小于第二时间阈值时,控制所述目标服务器转入第一级睡眠状态;
所述状态切换模块还用于当所述空载时长大于第二时间阈值且小于第三时间阈值时,控制所述目标服务器转入第二级睡眠状态;
所述状态切换模块还用于当所述空载时长大于第三时间阈值且小于第四时间阈值时,控制所述目标服务器转入第三级睡眠状态;
所述状态切换模块还用于当所述空载时长大于第四时间阈值时,控制所述目标服务器转入第四级睡眠状态;其中,
所述第一级睡眠状态、所述第二级睡眠状态、所述第三级睡眠状态以及所述第四级睡眠状态的能耗程度依次降低。
具体的,所述目标服务器从所述第一级睡眠状态转入活跃状态的唤醒时长与所述第一时间阈值相同;
所述目标服务器从所述第二级睡眠状态转入活跃状态的唤醒时长与所述第二时间阈值相同;
所述目标服务器从所述第三级睡眠状态转入活跃状态的唤醒时长与所述第三时间阈值相同;
所述目标服务器从所述第四级睡眠状态转入活跃状态的唤醒时长与所述第四时间阈值相同。
具体的,所述负载获取模块还用于提取所述目标服务器的负载信息;
所述负载获取模块还用于对所述负载信息进行归一化处理,并转化为时间序列形式的负载数据;其中,
所述负载信息包括负载请求以及负载流量。
具体的,基于预设的归一化处理公式对所述负载信息进行归一化处理;
所述归一化处理公式为:
x为待归一化处理的原始数据,xmax为原始数据中的最大值,xmin为原始数据中的最小值,xnorm为归一化处理后的数据。
具体的,负载预测模块还用于将所述负载数据作为输入数据,输入至所述LSTM模型;
负载预测模块还用于获得所述LSTM模型的输出数据;
负载预测模块还用于基于所述输出数据,对所述目标服务器进行负载预测。
具体的,所述LSTM模型的隐藏层包括LSTM单元,所述LSTM单元包括输入门、遗忘门以及输出门;其中,
所述输入门表示是否允许将新获得的输入数据加入到当前隐藏层节点中;
遗忘门表示是否保留当前隐藏层节点所存储的历史数据;
输出门表示是否将当前隐藏层节点的输出值输出给下一层。
第三方面,本申请提供了一种设备,所述设备包括:处理器、存储器、通信接口和总线;所述处理器、所述存储器和所述通信接口通过所述总线连接并完成相互间的通信;所述存储器存储可执行程序代码;所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于执行如第一方面提及的基于LSTM的服务器节能方法。
第四方面,本申请提供了一种存储介质,其特征在于,所述存储介质存储有程序,当所述程序运行在终端设备时执行如第一方面提及的基于LSTM的服务器节能方法。
本申请提供的技术方案带来的有益效果包括:
本申请采用LSTM技术,预测服务器的负载情况,根据空载时长控制服务器切换至对应的工作状态,有效降低服务器空载时的功耗,达到节能的目的。
附图说明
术语解释:
LSTM:Long-Short Term Memory RNN,长短期记忆模型循环神经网络;
RNN:Recurrent Neural Network,循环神经网络;
CPU:Central Processing Unit,中央处理器。
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例中提供的基于LSTM的服务器节能方法的步骤流程图;
图2为本申请实施例中提供的基于LSTM的服务器节能方法的tanh激活函数示意图;
图3为本申请实施例中提供的基于LSTM的服务器节能方法的LSTM中隐藏状态的计算示意图;
图4为本申请实施例中提供的基于LSTM的服务器节能方法的sigmoid激活函数示意图;
图5为本申请实施例中提供的基于LSTM的服务器节能方法的状态切换时隙图;
图6为本申请实施例中提供的基于LSTM的服务器节能装置的结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
以下结合附图对本申请的实施例作进一步详细说明。
本申请实施例提供一种基于LSTM的服务器节能方法、装置、设备及存储介质,采用LSTM技术,预测服务器的负载情况,根据空载时长控制服务器切换至对应的工作状态,有效降低服务器空载时的功耗,达到节能的目的。
为达到上述技术效果,本申请的总体思路如下:
一种基于LSTM的服务器节能方法,该方法包括以下步骤:
A1、获得目标服务器的负载数据;
A2、基于负载数据,利用预设的LSTM模型对目标服务器进行负载预测;
A3、当目标服务器处于空载状态时,根据目标服务器的空载时长,控制目标服务器转入能耗程度不同的工作状态。
以下结合附图对本申请的实施例作进一步详细说明。
第一方面,参见图1~5所示,本申请实施例提供一种基于LSTM的服务器节能方法,该方法包括以下步骤:
A1、获得目标服务器的负载数据;
A2、基于负载数据,利用预设的LSTM模型对目标服务器进行负载预测;
A3、当目标服务器处于空载状态时,根据目标服务器的空载时长,控制目标服务器转入能耗程度不同的工作状态。
需要说明的是,本申请实施例中的目标服务器的服务器状态使用ACPI模型,包含活跃状态(S0)以及多种睡眠态S1、S2、S3和S4;其中,
活跃态S0即平常的工作状态,功耗最大;
S1态为POS(Power on Suspend),可称为第一级睡眠状态,此状态下除了通过CPU时钟控制器将CPU关闭之外,其他的部件仍然正常工作,功耗大大降低;
S2态时CPU处于停止运作状态,可称为第二级睡眠状态,此状态下总线时钟也被关闭,但其余的设备仍然运转,功耗次之;
S3态为STR(Suspend to RAM),可称为第三级睡眠状态,此状态下功耗进一步降低;
S4态为STD(Suspend to Disk),可称为第四级睡眠状态,此状态下***主电源关闭,S4比S3更省电状态。
本申请实施例中,采用LSTM技术,预测服务器的负载情况,根据空载时长控制服务器切换至对应的工作状态,有效降低服务器空载时的功耗,达到节能的目的。
进一步的,当所述目标服务器处于空载状态时,根据所述目标服务器的空载时长,控制所述目标服务器转入能耗程度不同的工作状态,所述方法还包括以下步骤:
监测所述目标服务器的空载时长;
当所述空载时长大于第一时间阈值且小于第二时间阈值时,控制所述目标服务器转入第一级睡眠状态;
当所述空载时长大于第二时间阈值且小于第三时间阈值时,控制所述目标服务器转入第二级睡眠状态;
当所述空载时长大于第三时间阈值且小于第四时间阈值时,控制所述目标服务器转入第三级睡眠状态;
当所述空载时长大于第四时间阈值时,控制所述目标服务器转入第四级睡眠状态;其中,
所述第一级睡眠状态、所述第二级睡眠状态、所述第三级睡眠状态以及所述第四级睡眠状态的能耗程度依次降低。
具体的,所述目标服务器从所述第一级睡眠状态转入活跃状态的唤醒时长与所述第一时间阈值相同;
所述目标服务器从所述第二级睡眠状态转入活跃状态的唤醒时长与所述第二时间阈值相同;
所述目标服务器从所述第三级睡眠状态转入活跃状态的唤醒时长与所述第三时间阈值相同;
所述目标服务器从所述第四级睡眠状态转入活跃状态的唤醒时长与所述第四时间阈值相同。
步骤A3在具体操作时,会判断目标服务器的负载状态,当其处于空载时,根据空载时长以及目标服务器不同级别睡眠状态的唤醒时长,进行相应操作,具体情况如下:
当目标服务器的空载时长大于Δs4时,则目标服务器切换到第四级睡眠状态;
当目标服务器的空载时长大于Δs3且小于Δs4,则目标服务器切换到第三级睡眠状态;
当目标服务器的空载时长大于Δs2且小于Δs3,则目标服务器切换到第二级睡眠状态;
当目标服务器的空载时长大于Δs1且小于Δs2,则目标服务器切换到第一级睡眠状态;
其中,在目标服务器切换至第一级睡眠状态、第二级睡眠状态、第三级睡眠状态或第四级睡眠状态之前,其处于活跃状态。
需要说明的是,服务器在各状态之间进行切换时,转换越深度的睡眠能耗越低,但与此同时也存在着更长的睡眠与唤醒时长,唤醒时长也称之为唤醒延迟,唤醒时长为服务器从每个睡眠状态切换到活跃状态所需要的平均时间;
服务器状态之间的切换只能在活跃状态和睡眠态之间进行转换,不能在各睡眠态之间进行切换;其中,
第一级睡眠状态的唤醒延迟为Δs1,第二级睡眠状态的唤醒延迟为Δs2,第三级睡眠状态的唤醒延迟为Δs3,第四级睡眠状态的唤醒延迟为Δs4,且Δs1<Δs2<Δs3<Δs4。
具体的,获得目标服务器的负载数据中,所述方法包括以下步骤:
提取所述目标服务器的负载信息;
对所述负载信息进行归一化处理,并转化为时间序列形式的负载数据;其中,
所述负载信息包括负载请求以及负载流量。
具体的,基于预设的归一化处理公式对所述负载信息进行归一化处理;
所述归一化处理公式为:
x为待归一化处理的原始数据,xmax为原始数据中的最大值,xmin为原始数据中的最小值,xnorm为归一化处理后的数据。
具体的,基于所述负载数据,利用预设的LSTM模型对目标服务器进行负载预测中,包括以下步骤:
将所述负载数据作为输入数据,输入至所述LSTM模型;
获得所述LSTM模型的输出数据;
基于所述输出数据,对所述目标服务器进行负载预测。
具体的,所述LSTM模型的隐藏层包括LSTM单元,所述LSTM单元包括输入门、遗忘门以及输出门;其中,
所述输入门表示是否允许将新获得的输入数据加入到当前隐藏层节点中;
遗忘门表示是否保留当前隐藏层节点所存储的历史数据;
输出门表示是否将当前隐藏层节点的输出值输出给下一层。
本申请实施例的技术方案中,LSTM模型具体为循环神经网络LSTM模型,循环神经网络LSTM模型的隐藏层单元均采用LSTM单元,该单元具有三个门,包括输入门(It)、遗忘门(Ft)以及输出门(Ot);其中,
输入门(It)表示是否允许将新采集的环境数据信息加入到当前隐藏层的节点中;
遗忘门(Ft)表示是否保留当前隐藏层节点所存储的历史环境数据信息;
输出门(Ot)表示是否将当前节点输出值输出给下一层。
进一步的,将预处理后的目标微型数据中心较长时间内的用于表示服务器负载情况的各传感器数据作为循环神经网络LSTM模型的输入数据;
通过循环神经网络LSTM模型对输入数据进行预测,最终输出得到当前或未来某一时刻的服务器的负载结果;
将循环神经网络LSTM模型预测到的负载信息输入到控制单元,计算其空载的间隔时间长度Lt。
LSTM单元具体公式表示如下:
Ft=σg(Wxf·Xt+Whf·Ht-1+bf);
It=σg(Wxi·Xt+Whi·Ht-1+bi);
Ot=σg(Wxo·Xt+Who·Ht-1+bO);
Ht=Ot⊙tanh(Ct);其中,
σg为逻辑sigmoid函数;
Ft、It、Ot分别代表遗忘门、输入门和输出门;
Ct代表记忆细胞;
Ht代表隐藏状态;
Whf、Whi、Who、Whc、Wxf、Wxi、Wxo、Wxc分别是权重参数;
bf、bi、bO、bc分别是偏差参数。
另外,LSTM模型中,门使用sigmoid函数作为激活函数,x代表输入数据,它能够将输入向量值“压缩”到【0,1】范围内,尤其是其对于特别小的负数值输入,其输出趋近于0,同时其对特别大的正数值输入,其输出趋近于1,sigmoid函数示例如下:
再者,LSTM模型中,细胞单元状态使用tanh函数作为激活函数,它将一个实数输入映射到[-1,1]范围内,tanh函数示例如下:
第二方面,参见图6所示,本申请实施例在第一方面提及的基于LSTM的服务器节能方法的技术基础上,提供一种基于LSTM的服务器节能装置,该装置包括:
负载获取模块,其用于获得目标服务器的负载数据;
负载预测模块,其用于基于所述负载数据,利用预设的LSTM模型对目标服务器进行负载预测;
状态切换模块,其用于当所述目标服务器处于空载状态时,根据所述目标服务器的空载时长,控制所述目标服务器转入能耗程度不同的工作状态。
需要说明的是,本申请实施例中的目标服务器的服务器状态使用ACPI模型,包含活跃状态(S0)以及多种睡眠态S1、S2、S3和S4;其中,
活跃态S0即平常的工作状态,功耗最大;
S1态为POS(Power on Suspend),可称为第一级睡眠状态,此状态下除了通过CPU时钟控制器将CPU关闭之外,其他的部件仍然正常工作,功耗大大降低;
S2态时CPU处于停止运作状态,可称为第二级睡眠状态,此状态下总线时钟也被关闭,但其余的设备仍然运转,功耗次之;
S3态为STR(Suspend to RAM),可称为第三级睡眠状态,此状态下功耗进一步降低;
S4态为STD(Suspend to Disk),可称为第四级睡眠状态,此状态下***主电源关闭,S4比S3更省电状态。
本申请实施例中,采用LSTM技术,预测服务器的负载情况,根据空载时长控制服务器切换至对应的工作状态,有效降低服务器空载时的功耗,达到节能的目的。
进一步的,所述状态切换模块还用于监测所述目标服务器的空载时长;
所述状态切换模块还用于当所述空载时长大于第一时间阈值且小于第二时间阈值时,控制所述目标服务器转入第一级睡眠状态;
所述状态切换模块还用于当所述空载时长大于第二时间阈值且小于第三时间阈值时,控制所述目标服务器转入第二级睡眠状态;
所述状态切换模块还用于当所述空载时长大于第三时间阈值且小于第四时间阈值时,控制所述目标服务器转入第三级睡眠状态;
所述状态切换模块还用于当所述空载时长大于第四时间阈值时,控制所述目标服务器转入第四级睡眠状态;其中,
所述第一级睡眠状态、所述第二级睡眠状态、所述第三级睡眠状态以及所述第四级睡眠状态的能耗程度依次降低。
具体的,所述目标服务器从所述第一级睡眠状态转入活跃状态的唤醒时长与所述第一时间阈值相同;
所述目标服务器从所述第二级睡眠状态转入活跃状态的唤醒时长与所述第二时间阈值相同;
所述目标服务器从所述第三级睡眠状态转入活跃状态的唤醒时长与所述第三时间阈值相同;
所述目标服务器从所述第四级睡眠状态转入活跃状态的唤醒时长与所述第四时间阈值相同。
在具体操作时,会判断目标服务器的负载状态,当其处于空载时,根据空载时长以及目标服务器不同级别睡眠状态的唤醒时长,进行相应操作,具体情况如下:
当目标服务器的空载时长大于Δs4时,则目标服务器切换到第四级睡眠状态;
当目标服务器的空载时长大于Δs3且小于Δs4,则目标服务器切换到第三级睡眠状态;
当目标服务器的空载时长大于Δs2且小于Δs3,则目标服务器切换到第二级睡眠状态;
当目标服务器的空载时长大于Δs1且小于Δs2,则目标服务器切换到第一级睡眠状态;
其中,在目标服务器切换至第一级睡眠状态、第二级睡眠状态、第三级睡眠状态或第四级睡眠状态之前,其处于活跃状态。
需要说明的是,服务器在各状态之间进行切换时,转换越深度的睡眠能耗越低,但与此同时也存在着更长的睡眠与唤醒时长,唤醒时长也称之为唤醒延迟,唤醒时长为服务器从每个睡眠状态切换到活跃状态所需要的平均时间;
服务器状态之间的切换只能在活跃状态和睡眠态之间进行转换,不能在各睡眠态之间进行切换;其中,
第一级睡眠状态的唤醒延迟为Δs1,第二级睡眠状态的唤醒延迟为Δs2,第三级睡眠状态的唤醒延迟为Δs3,第四级睡眠状态的唤醒延迟为Δs4,且Δs1<Δs2<Δs3<Δs4。
具体的,所述负载获取模块还用于提取所述目标服务器的负载信息;
所述负载获取模块还用于对所述负载信息进行归一化处理,并转化为时间序列形式的负载数据;其中,
所述负载信息包括负载请求以及负载流量。
具体的,基于预设的归一化处理公式对所述负载信息进行归一化处理;
所述归一化处理公式为:
x为待归一化处理的原始数据,xmax为原始数据中的最大值,xmin为原始数据中的最小值,xnorm为归一化处理后的数据。
具体的,负载预测模块还用于将所述负载数据作为输入数据,输入至所述LSTM模型;
负载预测模块还用于获得所述LSTM模型的输出数据;
负载预测模块还用于基于所述输出数据,对所述目标服务器进行负载预测。
具体的,所述LSTM模型的隐藏层包括LSTM单元,所述LSTM单元包括输入门、遗忘门以及输出门;其中,
所述输入门表示是否允许将新获得的输入数据加入到当前隐藏层节点中;
遗忘门表示是否保留当前隐藏层节点所存储的历史数据;
输出门表示是否将当前隐藏层节点的输出值输出给下一层。
本申请实施例的技术方案中,LSTM模型具体为循环神经网络LSTM模型,循环神经网络LSTM模型的隐藏层单元均采用LSTM单元,该单元具有三个门,包括输入门(It)、遗忘门(Ft)以及输出门(Ot);其中,
输入门(It)表示是否允许将新采集的环境数据信息加入到当前隐藏层的节点中;
遗忘门(Ft)表示是否保留当前隐藏层节点所存储的历史环境数据信息;
输出门(Ot)表示是否将当前节点输出值输出给下一层。
进一步的,将预处理后的目标微型数据中心较长时间内的用于表示服务器负载情况的各传感器数据作为循环神经网络LSTM模型的输入数据;
通过循环神经网络LSTM模型对输入数据进行预测,最终输出得到当前或未来某一时刻的服务器的负载结果;
将循环神经网络LSTM模型预测到的负载信息输入到控制单元,计算其空载的间隔时间长度Lt。
LSTM单元具体公式表示如下:
Ft=σg(Wxf·Xt+Whf·Ht-1+bf);
It=σg(Wxi·Xt+Whi·Ht-1+bi);
Ot=σg(Wxo·Xt+Who·Ht-1+bo);
Ht=Ot⊙tanh(Ct);其中,
σg为逻辑sigmoid函数;
Ft、It、Ot分别代表遗忘门、输入门和输出门;
Ct代表记忆细胞;
Ht代表隐藏状态;
Whf、Whi、Who、Whc、Wxf、Wxi、Wxo、Wxc分别是权重参数;
bf、bi、bO、bc分别是偏差参数。
另外,LSTM模型中,门使用sigmoid函数作为激活函数,x代表输入数据,它能够将输入向量值“压缩”到【0,1】范围内,尤其是其对于特别小的负数值输入,其输出趋近于0,同时其对特别大的正数值输入,其输出趋近于1,sigmoid函数示例如下:
再者,LSTM模型中,细胞单元状态使用tanh函数作为激活函数,它将一个实数输入映射到[-1,1]范围内,tanh函数示例如下:
第三方面,本申请实施例在第一方面提及的基于LSTM的服务器节能方法的技术基础上,提供一种终端设备,该终端设备包括:处理器、存储器、通信接口和总线;所述处理器、所述存储器和所述通信接口通过所述总线连接并完成相互间的通信;所述存储器存储可执行程序代码;所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于执行如第一方面提及的基于LSTM的服务器节能方法。
第四方面,本申请实施例在第一方面提及的基于LSTM的服务器节能方法的技术基础上,提供一种存储介质,所述存储介质存储有程序,当所述程序运行在终端设备时执行如第一方面提及的基于LSTM的服务器节能方法。
需要说明的是,在本申请中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于LSTM的服务器节能方法,其特征在于,所述方法包括以下步骤:
获得目标服务器的负载数据;
基于所述负载数据,利用预设的LSTM模型对目标服务器进行负载预测;
当所述目标服务器处于空载状态时,根据所述目标服务器的空载时长,控制所述目标服务器转入能耗程度不同的工作状态。
2.如权利要求1所述的基于LSTM的服务器节能方法,其特征在于,当所述目标服务器处于空载状态时,根据所述目标服务器的空载时长,控制所述目标服务器转入能耗程度不同的工作状态,所述方法还包括以下步骤:
监测所述目标服务器的空载时长;
当所述空载时长大于第一时间阈值且小于第二时间阈值时,控制所述目标服务器转入第一级睡眠状态;
当所述空载时长大于第二时间阈值且小于第三时间阈值时,控制所述目标服务器转入第二级睡眠状态;
当所述空载时长大于第三时间阈值且小于第四时间阈值时,控制所述目标服务器转入第三级睡眠状态;
当所述空载时长大于第四时间阈值时,控制所述目标服务器转入第四级睡眠状态;其中,
所述第一级睡眠状态、所述第二级睡眠状态、所述第三级睡眠状态以及所述第四级睡眠状态的能耗程度依次降低。
3.如权利要求2所述的基于LSTM的服务器节能方法,其特征在于:
所述目标服务器从所述第一级睡眠状态转入活跃状态的唤醒时长与所述第一时间阈值相同;
所述目标服务器从所述第二级睡眠状态转入活跃状态的唤醒时长与所述第二时间阈值相同;
所述目标服务器从所述第三级睡眠状态转入活跃状态的唤醒时长与所述第三时间阈值相同;
所述目标服务器从所述第四级睡眠状态转入活跃状态的唤醒时长与所述第四时间阈值相同。
4.如权利要求1所述的基于LSTM的服务器节能方法,其特征在于,获得目标服务器的负载数据中,所述方法包括以下步骤:
提取所述目标服务器的负载信息;
对所述负载信息进行归一化处理,并转化为时间序列形式的负载数据;其中,
所述负载信息包括负载请求以及负载流量。
6.如权利要求1所述的基于LSTM的服务器节能方法,其特征在于,基于所述负载数据,利用预设的LSTM模型对目标服务器进行负载预测中,包括以下步骤:
将所述负载数据作为输入数据,输入至所述LSTM模型;
获得所述LSTM模型的输出数据;
基于所述输出数据,对所述目标服务器进行负载预测。
7.如权利要求1所述的基于LSTM的服务器节能方法,其特征在于:
所述LSTM模型的隐藏层包括LSTM单元,所述LSTM单元包括输入门、遗忘门以及输出门;其中,
所述输入门表示是否允许将新获得的输入数据加入到当前隐藏层节点中;
遗忘门表示是否保留当前隐藏层节点所存储的历史数据;
输出门表示是否将当前隐藏层节点的输出值输出给下一层。
8.一种基于LSTM的服务器节能装置,其特征在于,所述装置包括:
负载获取模块,其用于获得目标服务器的负载数据;
负载预测模块,其用于基于所述负载数据,利用预设的LSTM模型对目标服务器进行负载预测;
状态切换模块,其用于当所述目标服务器处于空载状态时,根据所述目标服务器的空载时长,控制所述目标服务器转入能耗程度不同的工作状态。
9.一种设备,其特征在于,所述设备包括:处理器、存储器、通信接口和总线;所述处理器、所述存储器和所述通信接口通过所述总线连接并完成相互间的通信;所述存储器存储可执行程序代码;所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于执行如上权利要求1-7中任一项所述的基于LSTM的服务器节能方法。
10.一种存储介质,其特征在于,所述存储介质存储有程序,当所述程序运行在终端设备时执行如上权利要求1-7中任一项所述的基于LSTM的服务器节能方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210368193.0A CN114740964A (zh) | 2022-03-29 | 2022-03-29 | 基于lstm的服务器节能方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210368193.0A CN114740964A (zh) | 2022-03-29 | 2022-03-29 | 基于lstm的服务器节能方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114740964A true CN114740964A (zh) | 2022-07-12 |
Family
ID=82280033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210368193.0A Pending CN114740964A (zh) | 2022-03-29 | 2022-03-29 | 基于lstm的服务器节能方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114740964A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101662370A (zh) * | 2008-08-26 | 2010-03-03 | 华为技术有限公司 | 服务器休眠/唤醒方法及具有休眠/唤醒功能的服务器 |
CN101794169A (zh) * | 2010-03-08 | 2010-08-04 | 北京航空航天大学 | 基于改变控制模式进行机群***能耗管控的方法 |
CN110096349A (zh) * | 2019-04-10 | 2019-08-06 | 山东科技大学 | 一种基于集群节点负载状态预测的作业调度方法 |
US20200118039A1 (en) * | 2018-10-10 | 2020-04-16 | Oracle International Corporation | Out of band server utilization estimation and server workload characterization for datacenter resource optimization and forecasting |
CN112579203A (zh) * | 2020-12-23 | 2021-03-30 | 重庆邮电大学 | 异构边缘网络中基于服务器休眠的协同计算方法 |
CN113543284A (zh) * | 2020-04-17 | 2021-10-22 | 中兴通讯股份有限公司 | 节能方法、基站、控制单元及存储介质 |
CN113553150A (zh) * | 2021-07-02 | 2021-10-26 | 深圳先进技术研究院 | 一种云服务器集群负载预测方法、***、终端以及存储介质 |
-
2022
- 2022-03-29 CN CN202210368193.0A patent/CN114740964A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101662370A (zh) * | 2008-08-26 | 2010-03-03 | 华为技术有限公司 | 服务器休眠/唤醒方法及具有休眠/唤醒功能的服务器 |
CN101794169A (zh) * | 2010-03-08 | 2010-08-04 | 北京航空航天大学 | 基于改变控制模式进行机群***能耗管控的方法 |
US20200118039A1 (en) * | 2018-10-10 | 2020-04-16 | Oracle International Corporation | Out of band server utilization estimation and server workload characterization for datacenter resource optimization and forecasting |
CN110096349A (zh) * | 2019-04-10 | 2019-08-06 | 山东科技大学 | 一种基于集群节点负载状态预测的作业调度方法 |
WO2020206705A1 (zh) * | 2019-04-10 | 2020-10-15 | 山东科技大学 | 一种基于集群节点负载状态预测的作业调度方法 |
CN113543284A (zh) * | 2020-04-17 | 2021-10-22 | 中兴通讯股份有限公司 | 节能方法、基站、控制单元及存储介质 |
CN112579203A (zh) * | 2020-12-23 | 2021-03-30 | 重庆邮电大学 | 异构边缘网络中基于服务器休眠的协同计算方法 |
CN113553150A (zh) * | 2021-07-02 | 2021-10-26 | 深圳先进技术研究院 | 一种云服务器集群负载预测方法、***、终端以及存储介质 |
Non-Patent Citations (1)
Title |
---|
付磊;: "基于深层LSTM的分布式负载预测模型", 现代计算机, no. 09, pages 26 - 29 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Data-driven remaining useful life prediction via multiple sensor signals and deep long short-term memory neural network | |
CN106157950A (zh) | 语音控制***及其唤醒方法、唤醒装置和家电、协处理器 | |
CN109002781B (zh) | 一种储能变流器故障预测方法 | |
CN113222403B (zh) | 基于大数据的电力调节方法、装置、存储介质及电子设备 | |
CN105320834B (zh) | 基于电器使用状态的人数计算方法及其监控*** | |
Islam et al. | LSTM-based electrical load forecasting for Chattogram city of Bangladesh | |
WO2019006995A1 (zh) | 一种电动汽车动力电池soc智能化预测*** | |
Li et al. | Degradation prediction of proton exchange membrane fuel cell based on the multi-inputs Bi-directional long short-term memory | |
CN107423109B (zh) | 基于匿名随机变量的虚拟机节能调度方法 | |
Janani | Transient analysis of differentiated breakdown model | |
CN115705275A (zh) | 参数获取方法、装置以及电子设备 | |
CN114740964A (zh) | 基于lstm的服务器节能方法、装置、设备及存储介质 | |
CN107015847A (zh) | 电子装置及其工作模式切换方法 | |
CN117390550A (zh) | 考虑排放训练集的低碳园区碳排放动态预测方法及*** | |
CN116937645A (zh) | 充电站集群调控潜力评估方法、装置、设备及介质 | |
CN111624874A (zh) | 用于城市污水处理的泵站集群智能化预测方法及*** | |
CN113094931B (zh) | 一种非侵入式负荷分解方法、装置及设备 | |
CN114904655A (zh) | 一种单电场节能控制方法及装置 | |
CN105718019B (zh) | 一种信息处理方法及电子设备 | |
CN114818455A (zh) | 一种少量pmu采样的电力***多智能体暂态判稳方法和*** | |
CN115062847A (zh) | 一种基于逻辑回归算法的碳纤维供暖能耗预测方法及*** | |
CN111509727B (zh) | 一种基于用户行为的分布式电源用户负荷曲线建模方法 | |
CN116108320B (zh) | 一种智能电能表运行控制方法 | |
CN111626485A (zh) | 一种区域建筑能源***的负荷预测***及方法 | |
CN111626494A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 |
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 |