CN115097920A - 一种调节服务器机箱的温度的方法、装置、服务器及介质 - Google Patents
一种调节服务器机箱的温度的方法、装置、服务器及介质 Download PDFInfo
- Publication number
- CN115097920A CN115097920A CN202210907540.2A CN202210907540A CN115097920A CN 115097920 A CN115097920 A CN 115097920A CN 202210907540 A CN202210907540 A CN 202210907540A CN 115097920 A CN115097920 A CN 115097920A
- Authority
- CN
- China
- Prior art keywords
- server
- temperature value
- temperature
- model
- parameters
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000003062 neural network model Methods 0.000 claims abstract description 53
- 230000001105 regulatory effect Effects 0.000 claims abstract description 50
- 230000033228 biological regulation Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 20
- 230000001276 controlling effect Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 5
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000017525 heat dissipation Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 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
- G06F1/16—Constructional details or arrangements
- G06F1/20—Cooling means
- G06F1/206—Cooling means comprising thermal management
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- 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
- G06N3/08—Learning methods
-
- 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)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Biophysics (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本申请公开了一种调节服务器机箱的温度的方法、装置、服务器及介质,涉及服务器领域。包括:获取影响服务器机箱温度的参数;将参数输入至预设的线性时序模型中以及预设的时间循环神经网络模型中;通过线性时序模型以及时间循环神经网络模型获取预设时刻时服务器机箱的预估温度值;将预估温度值输入至PID;通过PID调控服务器的风扇的转速以便预设时刻时服务器机箱的实际温度值在目标温度范围内。该方法中将预测出的温度值作为PID的输入,提前对风扇进行调控,实现对服务器的机箱温度的调节,提升服务器的性能;此外,采用线性时序模型以及时间循环神经网络模型组成的混合模型,增强了预测结果的准确性和鲁棒性。
Description
技术领域
本申请涉及服务器领域,特别是涉及一种调节服务器机箱的温度的方法、装置、服务器及介质。
背景技术
近些年,随着大数据与5G技术的发展,数据的读写量呈指数级增长。为了承载和计算转发如此巨大的数据量,服务器的计算量和存储能力近些年也得到了显著的提升,但这无形间给服务器的散热策略和规划带来了巨大的压力。如何让散热更高效,更聪明,显然是主机厂散热工程师需要考虑的问题。
目前,主要是通过线性调控和比例-积分-微分(Proportion-Integral-Derivative,PID)调控来控制风扇转速,从而对服务器机箱的散热。但是在采用线性调控和PID调控属于是滞后调控,如目标温度值为30℃,而实际温度值是35℃,PID调控的输入是实际温度值,根据目标温度与实际温度的差值控制风扇转速,逐步将实际温度调节至目标温度,故而,采用现有的调控方法中,由于温度已经超过目标温度值才对控制风扇对温度调节,因此PID调控存在滞后性,不能提前控制风扇对服务器的机箱温度进行调节,导致服务器的性能下降。
由此可见,如何提前控制风扇,实现对服务器的机箱温度的调节是本领域人员亟需解决的技术问题。
发明内容
本申请的目的是提供一种调节服务器机箱的温度的方法、装置、服务器及介质,用于提前控制风扇,实现对服务器的机箱温度的调节。
为解决上述技术问题,本申请提供一种调节服务器机箱的温度的方法,包括:
获取影响所述服务器机箱温度的参数;其中,所述参数至少包括服务器中各芯片的温度、功耗、功率;
将所述参数输入至预设的线性时序模型中以及预设的时间循环神经网络模型中;
通过所述线性时序模型以及所述时间循环神经网络模型获取预设时刻时所述服务器机箱的预估温度值;
将所述预估温度值输入至PID;
通过所述PID调控所述服务器的风扇的转速以便所述预设时刻时所述服务器机箱的实际温度值在目标温度范围内。
优选地,所述通过所述线性时序模型以及所述时间循环神经网络模型获取预设时刻时所述服务器机箱的预估温度值包括:
将所述参数输入至所述线性时序模型中,以便于通过所述线性时序模型根据所述参数中的线性数据预测所述服务器机箱的第一预估温度值;
获取通过所述线性时序模型输出所述预设时刻时所述服务器机箱的第一预估温度值;
将所述参数中的非线性数据与所述第一预估温度值进行残差处理并获取残差结果;
将所述残差结果作为所述时间循环神经网络模型的输入并获取通过所述时间循环神经网络模型预测的所述预设时刻时所述服务器机箱的第二预估温度值;
获取所述第一预估温度值与所述第二预估温度值的和;
将所述第一预估温度值与所述第二预估温度值的和作为所述预设时刻时所述服务器机箱的所述预估温度值。
优选地,所述通过所述PID调控所述服务器的风扇转速包括:
在所述预估温度值超出所述目标温度范围的上限值的情况下,获取所述风扇的当前转速;
根据预先建立的转速差值与所述服务器机箱的温度变化差值之间的关系确定在所述服务器机箱的温度在所述目标范围内时所述风扇待调整的转速量;
获取所述当前转速与所述待调整的转速量的和,并将所述和作为所述服务器机箱的目标转速;
通过所述PID将所述当前转速增加至所述目标转速。
优选地,所述将所述参数输入至所述线性时序模型中包括:
对所述参数进行归一化处理;
将归一化处理后的所述参数输入至所述线性时序模型中;
对应地,所述将所述参数中的非线性数据与所述第一预估温度值进行残差处理并获取残差结果包括:
将归一化处理后的所述参数中的所述非线性数据与所述第一预估温度值进行残差处理并获取所述残差结果。
优选地,在所述通过所述PID调控所述服务器的风扇的转速之后,所述方法还包括:
获取所述服务器机箱的当前温度值;
在所述当前温度值未在所述目标温度范围内的情况下,返回所述通过所述PID调控所述服务器的风扇的转速的步骤;
在所述当前温度值在所述目标温度范围内的情况下,重新返回所述获取影响所述服务器机箱温度的参数的步骤。
优选地,在所述当前温度值未在所述目标温度范围内的情况,所述方法还包括:
输出用于表征所述当前温度值未在所述目标温度范围内的提示信息。
优选地,所述线性时序模型为ARIMA模型,所述时间循环神经网络模型为LSTM模型。
为了解决上述技术问题,本申请还提供一种调节服务器机箱的温度的装置,包括:
第一获取模块,用于获取影响所述服务器机箱温度的参数;其中,所述参数至少包括服务器中各芯片的温度、功耗、功率;
第一输入模块,用于将所述参数输入至预设的线性时序模型中以及预设的时间循环神经网络模型中;
第二获取模块,用于通过所述线性时序模型以及所述时间循环神经网络模型获取预设时刻时所述服务器机箱的预估温度值;
第二输入模块,用于将所述预估温度值输入至PID;
调控模块,用于通过所述PID调控所述服务器的风扇的转速以便所述预设时刻时所述服务器机箱的实际温度值在目标温度范围内。
为了解决上述技术问题,本申请还提供一种服务器,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述的调节服务器机箱的温度的方法的步骤。
为了解决上述技术问题,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述的调节服务器机箱的温度的方法的步骤。
本申请所提供的调节服务器机箱的温度的方法,包括:获取影响服务器机箱温度的参数;其中,参数至少包括服务器中各芯片的温度、功耗、功率;将参数输入至预设的线性时序模型中以及预设的时间循环神经网络模型中;通过线性时序模型以及时间循环神经网络模型获取预设时刻时服务器机箱的预估温度值;将预估温度值输入至PID;通过PID调控服务器的风扇的转速以便预设时刻时服务器机箱的实际温度值在目标温度范围内。相比于在温度超出目标温度值后才调控风扇的方法,本申请的方法中通过线性时序模型以及时间循环神经网络模型预测出了预设时刻服务器机箱的温度值,将预测出的温度值作为PID的输入,提前对风扇进行调控,实现对服务器的机箱温度的调节,提升服务器的性能;此外,影响服务器机箱温度的参数中通常包含线性数据以及非线性数据,相比于单独采用线性时序模型或时间循环神经网络模型的方法,本申请的方法中采用线性时序模型以及时间循环神经网络模型组成的混合模型,由于线性时序模型对线性数据具有高拟合性以及时间循环神经网络模型对非线性数据具有高拟合性,因此通过混合模型能够增强预测结果的准确性和鲁棒性。
此外,本申请还提供一种调节服务器机箱的温度的装置、服务器以及计算机可读存储介质,与上述提到的调节服务器机箱的温度的方法具有相同或相对应的技术特征,效果同上。
附图说明
为了更清楚地说明本申请实施例,下面将对实施例中所需要使用的附图做简单的介绍,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为本申请实施例提供的一种调节服务器机箱的温度的方法的流程图;
图2为本申请的一实施例提供的调节服务器机箱的温度的装置的结构图;
图3为本申请另一实施例提供的服务器的结构图;
图4为本申请实施例提供的一种LSTM-ARIMA混合神经网络模型的温度调控方案图。
具体实施方式
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,所描述的实施例仅仅是本申请一部分实施例,而不是全部实施例。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前提下,所获得的所有其他实施例,都属于本申请保护范围。
本申请的核心是提供一种调节服务器机箱的温度的方法、装置、服务器及介质,用于提前控制风扇,实现对服务器的机箱温度的调节。
随着大数据与5G技术的发展,数据的读写量呈指数级增长。为了承载和计算转发如此巨大的数据量,服务器的计算量和存储能力近些年也得到了显著的提升,但这无形间给服务器的散热策略和规划带来了巨大的压力。因此通常需要调节服务器中的风扇的转速为服务器的机箱温度进行降温。传统的线性调控方法中是在实际温度已经超过目标温度时,将实际温度作为PID的输入,对风扇的转速进行调控,也就是说,实际温度已经超过目标温度才开始对机箱温度进行调节,因此,传统的PID调控存在滞后性,影响服务器的性能。故而,本申请中采用具有推理能力的嵌入式人工智能芯片来推理未来温度,如寒武纪或者网络处理器(Neural-Network Process Units),在推理出未来温度值后再通过多点控制单元(Multi Control Unit,MCU)或者意法半导体(STMicroelectronics,STM)32进行调控。通过线性时序模型中以及预设的时间循环神经网络模型对未来时序对应的温度值进行预测,将预测的温度值作为PID的输入提前控制风扇转速,使得未来时序的温度值在目标温度值附近,提升了服务器的性能。
为了使本技术领域的人员更好地理解本申请方案,下面结合附图和具体实施方式对本申请作进一步的详细说明。图1为本申请实施例提供的一种调节服务器机箱的温度的方法的流程图,如图1所示,该方法包括:
S10:获取影响服务器机箱温度的参数;其中,参数至少包括服务器中各芯片的温度、功耗、功率;
S11:将参数输入至预设的线性时序模型中以及预设的时间循环神经网络模型中;
S12:通过线性时序模型以及时间循环神经网络模型获取预设时刻时服务器机箱的预估温度值;
S13:将预估温度值输入至PID;
S14:通过PID调控服务器的风扇的转速以便预设时刻时服务器机箱的实际温度值在目标温度范围内。
在服务器运行的过程中,由于芯片工作等会导致服务器机箱温度升高。本实施例中根据影响服务器机箱温度的参数来预测未来时刻服务器机箱的温度。具体的影响服务器的机箱温度的参数可以是芯片的工作频率、芯片的功耗、芯片的功率、芯片的温度等。由于影响服务器机箱温度的参数中可能包含线性数据,也可能包含非线性数据,因此,本实施例中采用线性时序模型以及时间循环神经网络模型组成的混合模型对服务器机箱温度变化进行预测。
将参数输入到混合模型之后,预估出预设时刻时服务器机箱的温度值。需要说明的是,此处的预设时刻指的是获取影响服务器机箱温度的参数时对应的时刻之后的时刻。也就是预估出未来时刻服务器机箱的温度值。在通过混合模型获取预设时刻服务器机箱的预估温度值之后,将预估出的温度值作为PID调控的输入,进而根据预估的温度值来调控风扇的转速,使得预设时刻的实际温度值仍然是在目标温度范围内。目标温度范围指的是服务器正常运行时机箱的理想温度。对于目标温度范围的值不作限定,通常情况下,目标温度范围通常根据影响服务器机箱温度的参数进行确定。
本实施例所提供的调节服务器机箱的温度的方法,包括:获取影响服务器机箱温度的参数;其中,参数至少包括服务器中各芯片的温度、功耗、功率;将参数输入至预设的线性时序模型中以及预设的时间循环神经网络模型中;通过线性时序模型以及时间循环神经网络模型获取预设时刻时服务器机箱的预估温度值;将预估温度值输入至PID;通过PID调控服务器的风扇的转速以便预设时刻时服务器机箱的实际温度值在目标温度范围内。相比于在温度超出目标温度值后才调控风扇的方法,本实施例的方法中通过线性时序模型以及时间循环神经网络模型预测出了预设时刻服务器机箱的温度值,将预测出的温度值作为PID的输入,提前对风扇进行调控,实现对服务器的机箱温度的调节,提升服务器的性能;此外,影响服务器机箱温度的参数中通常包含线性数据以及非线性数据,相比于单独采用线性时序模型或时间循环神经网络模型的方法,本实施例的方法中采用线性时序模型以及时间循环神经网络模型组成的混合模型,由于线性时序模型对线性数据具有高拟合性以及时间循环神经网络模型对非线性数据具有高拟合性,因此通过混合模型能够增强预测结果的准确性和鲁棒性。
在使用上述的线性时序模型以及时间循环神经网络模型组成的混合模型对预设时刻的温度进行预测时,优选的实施方式是,通过线性时序模型以及时间循环神经网络模型获取预设时刻时服务器机箱的预估温度值包括:
将参数输入至线性时序模型中,以便于通过线性时序模型根据参数中的线性数据预测服务器机箱的第一预估温度值;
获取通过线性时序模型输出预设时刻时服务器机箱的第一预估温度值;
将参数中的非线性数据与第一预估温度值进行残差处理并获取残差结果;
将残差结果作为时间循环神经网络模型的输入并获取通过时间循环神经网络模型预测的预设时刻时服务器机箱的第二预估温度值;
获取第一预估温度值与第二预估温度值的和;
将第一预估温度值与第二预估温度值的和作为预设时刻时服务器机箱的预估温度值。
本实施例所提供的通过线性时序模型以及时间循环神经网络模型组成的混合模型,实现了线性数据与非线性数据的解耦,通过线性时序模型实现了对线性数据的高拟合以及通过时间循环神经网络模型实现了对非线性数据的高拟合,通过两者结果组合使得预测的结果更加准确。
将预设时刻的预估温度值输入至PID后,通过PID调控风扇。实际中,预设时刻的温度值可能在目标温度范围内,也可能超出目标温度范围的上限,也可能低于目标温度范围的下限。针对预估温度值的情况,优选的实施方式是,通过PID调控服务器的风扇转速包括:
在预估温度值超出目标温度范围的上限值的情况下,获取风扇的当前转速;
根据预先建立的转速差值与服务器机箱的温度变化差值之间的关系确定在服务器机箱的温度在目标范围内时风扇待调整的转速量;
获取当前转速与待调整的转速量的和,并将和作为服务器机箱的目标转速;
通过PID将当前转速增加至目标转速。
当预估温度值超出目标温度范围的上限时,说明预估温度值过高,因此,需要加大风扇的转速来减小预设时刻服务器机箱的温度。在实施中,将风扇的转速直接加大至满转速显然是很不合理的,因此,本实施例中预先建立转速差值与风扇机箱的温度变化差值之间的关系,根据预先建立的关系来确定风扇转速的调整程度。对于预先建立的关系不作限定,如转速分为1档、2档、3档,假设相邻两档位之间温度的变化为3℃。以如下的例子说明调节风扇转速的过程,如预估温度值为35℃,目标温度范围为28℃至30℃之间,当前转速为1档,要想将预估温度值调整至目标温度范围,则需要将风扇增加两个档位,在风扇增加两个档位之后,预估温度值变成29℃,在目标温度范围内。
本实施例中根据预先建立的转速差值与服务器机箱的温度变化差值之间的关系对风扇转速进行调节,对调节风扇的转速进行量化,使得调节的风扇的转速较为准确。
在实施中,为了降低异常数据对风扇调控的影响,优选的实施方式是,将参数输入至线性时序模型中包括:
对参数进行归一化处理;
将归一化处理后的参数输入至线性时序模型中;
对应地,将参数中的非线性数据与第一预估温度值进行残差处理并获取残差结果包括:
将归一化处理后的参数中的非线性数据与第一预估温度值进行残差处理并获取残差结果。
对于使用的归一化处理的方法不作限定,如可以采用z-score对参数进行归一化处理。本实施例所提供的归一化处理,作为数据平滑处理的手段,解决了数据突变造成的调控时效或者风扇过度敏感而造成的异常。
上文中对风扇进行了调控,在对风扇完成调控之后,服务器机箱温度可能并未在目标温度范围内或者在目标温度范围内,因此,在实施中,优选的实施方式是,在通过PID调控服务器的风扇的转速之后,调节服务器的机箱温度的方法还包括:
获取服务器机箱的当前温度值;
在当前温度值未在目标温度范围内的情况下,返回通过PID调控服务器的风扇的转速的步骤;
在当前温度值在目标温度范围内的情况下,重新返回获取影响服务器机箱温度的参数的步骤。
本实施例中在对风扇调控之后,进一步地获取服务器机箱的当前温度。实际中,可以在服务器机箱上安装温度传感器,通过温度传感器采集服务器机箱的温度。在当前温度值未在目标温度范围内,进一步地对通过调节风扇的转速,使得当前温度在目标温度范围内;为了能够实时检测是否需要调控风扇使服务器机箱温度在目标范围内,重新返回获取影响服务器机箱温度的参数的步骤,形成闭环。
本实施例所提供的方法,通过多次调控转速使得服务器机箱温度能够在目标范围内,提升服务器的性能。
在实施中,为了方便用户直观了解到当前温度是否在目标温度范围内,优选的实施方式是,在当前温度值未在目标温度范围内的情况,调节服务器的机箱温度的方法还包括:
输出用于表征当前温度值未在目标温度范围内的提示信息。
对于提示信息的方式以及提示的内容等不作限定,根据实际情况进行确定。通过提示信息,使得用户能够直观了解到当前温度是否在目标温度范围内。
对于线性时序模型以及时间循环神经网络模型不作限定,优选地实施方式是,线性时序模型为ARIMA模型,时间循环神经网络模型为LSTM模型。差分整合移动平均自回归(Autoregressive Integrated Moving Average model,ARIMA)模型,又称整合移动平均自回归模型,是时间序列预测分析方法之一,模型简单;长短期记忆(Long Short TermMemory,LSTM)模型即具有记忆长短期信息的能力的神经网络,LSTM模型具有在循环神经网络(Recurrent Neural Network,RNN)模型的特性,同时解决了梯度反传过程由于逐步缩减而产生的梯度消失的问题。
在上述实施例中,对于调节服务器机箱的温度的方法进行了详细描述,本申请还提供调节服务器机箱的温度的装置、服务器对应的实施例。需要说明的是,本申请从两个角度对装置部分的实施例进行描述,一种是基于功能模块的角度,另一种是基于硬件的角度。
图2为本申请的一实施例提供的调节服务器机箱的温度的装置的结构图。本实施例基于功能模块的角度,包括:
第一获取模块10,用于获取影响服务器机箱温度的参数;其中,参数至少包括服务器中各芯片的温度、功耗、功率;
第一输入模块11,用于将参数输入至预设的线性时序模型中以及预设的时间循环神经网络模型中;
第二获取模块12,用于通过线性时序模型以及时间循环神经网络模型获取预设时刻时服务器机箱的预估温度值;
第二输入模块13,用于将预估温度值输入至PID;
调控模块14,用于通过PID调控服务器的风扇的转速以便预设时刻时服务器机箱的实际温度值在目标温度范围内。
由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
本实施例所提供的调节服务器机箱的温度的装置,通过第一获取模块获取影响服务器机箱温度的参数;其中,参数至少包括服务器中各芯片的温度、功耗、功率;通过第一输入模块将参数输入至预设的线性时序模型中以及预设的时间循环神经网络模型中;利用第二获取模块,通过线性时序模型以及时间循环神经网络模型获取预设时刻时服务器机箱的预估温度值;通过第二输入模块将预估温度值输入至PID;利用调控模块,通过PID调控服务器的风扇的转速以便预设时刻时服务器机箱的实际温度值在目标温度范围内。相比于在温度超出目标温度值后才调控风扇的装置,本实施例的装置中通过线性时序模型以及时间循环神经网络模型预测出了预设时刻服务器机箱的温度值,将预测出的温度值作为PID的输入,提前对风扇进行调控,实现对服务器的机箱温度的调节,提升服务器的性能;此外,影响服务器机箱温度的参数中通常包含线性数据以及非线性数据,相比于单独采用线性时序模型或时间循环神经网络模型的方法,本实施例的装置中采用线性时序模型以及时间循环神经网络模型组成的混合模型,由于线性时序模型对线性数据具有高拟合性以及时间循环神经网络模型对非线性数据具有高拟合性,因此通过混合模型能够增强预测结果的准确性和鲁棒性。
图3为本申请另一实施例提供的服务器的结构图。本实施例基于硬件角度,如图3所示,服务器包括:
存储器20,用于存储计算机程序;
处理器21,用于执行计算机程序时实现如上述实施例中所提到的调节服务器机箱的温度的方法的步骤。
本实施例提供的服务器可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
其中,处理器21可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器21可以采用数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称中央处理器(CentralProcessing Unit,CPU);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器21可以集成有图形处理器(Graphics Processing Unit,GPU),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器21还可以包括人工智能(Artificial Intelligence,AI)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器20可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。本实施例中,存储器20至少用于存储以下计算机程序201,其中,该计算机程序被处理器21加载并执行之后,能够实现前述任一实施例公开的调节服务器机箱的温度的方法的相关步骤。另外,存储器20所存储的资源还可以包括操作***202和数据203等,存储方式可以是短暂存储或者永久存储。其中,操作***202可以包括Windows、Unix、Linux等。数据203可以包括但不限于上述所提到的调节服务器机箱的温度的方法所涉及到的数据等。
在一些实施例中,服务器还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。
本领域技术人员可以理解,图3中示出的结构并不构成对服务器的限定,可以包括比图示更多或更少的组件。
本申请实施例提供的服务器,包括存储器和处理器,处理器在执行存储器存储的程序时,能够实现如下方法:调节服务器机箱的温度的方法,效果同上。
最后,本申请还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。
可以理解的是,如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请提供的计算机可读存储介质包括上述提到的调节服务器机箱的温度的方法,效果同上。
为了使本领域的技术人员更好的理解本申请的技术方案,下面结合附图4对上述本申请作进一步的详细说明。图4为本申请实施例提供的一种LSTM-ARIMA混合神经网络模型的温度调控方案图。具体过程如下:
第一步:首先对收集的训练数据做归一化处理;
第二步:将50%训练数据放入ARIMA模型中进行训练,后50%数据作为ARIMA的测试数据进行预测;
第三步:通过ARIMA得到的预测数据与归一化后的后50%的数据进行残差操作;
第四步:得到的残差结果放入LSTM模型中进行训练;
第五步:将LSTM的预测结果与第三步中得到的减数结果求和,两者结果整合后,即可被认为最终预测的结果。
值得注意的是,此混合模型的训练流程是呈现阶梯状的,其中被归一化的数据集在算法训练的过程中被分为了两组,第一组作为训练数据导入ARIMA,而由ARIMA得出的预测结果与第二组数据的残差作为神经网络LSTM的训练数据进行训练。最后,在残差操作中的减数数据与神经网络LSTM的预测数据的和为最终的预测结果(在残差操作中,被减数为归一化后的原始数据,减数为ARIMA的预测结果);
第六步:计算出的预测结果,通过芯片间通信传输给调控芯片如MCU,并将结果当作PID调控的输入进行调控,需要说明的是,将预测结果输入PID进行调控的含义在于,基于温度变化的趋势进行风扇的提前调控,而不是进行发生后的迟滞调控;
第七步:进行提前调控后,再次回归第一步形成闭环。
本实施例提出的一种基于ARIMA与LSTM神经网络混合模型的算法来预测服务器机箱温度,并应用于机箱内的风扇调控策略。相比于单纯的神经网络结构,此混合模型的优势在于能够更好的解析出时序温度数据中的线性和非线性趋势,从而增强预测结果的准确性和鲁棒性。此外,对比于传统意义上的PID和线性调控策略,基于神经网络的调控可以对机箱内温度变化的趋势进行感知与计算,使调控策略更加的智能化与自动化。
以上对本申请所提供的一种调节服务器机箱的温度的方法、装置、服务器及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种调节服务器机箱的温度的方法,其特征在于,包括:
获取影响所述服务器机箱温度的参数;其中,所述参数至少包括服务器中各芯片的温度、功耗、功率;
将所述参数输入至预设的线性时序模型中以及预设的时间循环神经网络模型中;
通过所述线性时序模型以及所述时间循环神经网络模型获取预设时刻时所述服务器机箱的预估温度值;
将所述预估温度值输入至PID;
通过所述PID调控所述服务器的风扇的转速以便所述预设时刻时所述服务器机箱的实际温度值在目标温度范围内。
2.根据权利要求1所述的调节服务器的机箱温度的方法,其特征在于,所述通过所述线性时序模型以及所述时间循环神经网络模型获取预设时刻时所述服务器机箱的预估温度值包括:
将所述参数输入至所述线性时序模型中,以便于通过所述线性时序模型根据所述参数中的线性数据预测所述服务器机箱的第一预估温度值;
获取通过所述线性时序模型输出所述预设时刻时所述服务器机箱的第一预估温度值;
将所述参数中的非线性数据与所述第一预估温度值进行残差处理并获取残差结果;
将所述残差结果作为所述时间循环神经网络模型的输入并获取通过所述时间循环神经网络模型预测的所述预设时刻时所述服务器机箱的第二预估温度值;
获取所述第一预估温度值与所述第二预估温度值的和;
将所述第一预估温度值与所述第二预估温度值的和作为所述预设时刻时所述服务器机箱的所述预估温度值。
3.根据权利要求1所述的调节服务器的机箱温度的方法,其特征在于,所述通过所述PID调控所述服务器的风扇转速包括:
在所述预估温度值超出所述目标温度范围的上限值的情况下,获取所述风扇的当前转速;
根据预先建立的转速差值与所述服务器机箱的温度变化差值之间的关系确定在所述服务器机箱的温度在所述目标范围内时所述风扇待调整的转速量;
获取所述当前转速与所述待调整的转速量的和,并将所述和作为所述服务器机箱的目标转速;
通过所述PID将所述当前转速增加至所述目标转速。
4.根据权利要求2所述的调节服务器的机箱温度的方法,其特征在于,所述将所述参数输入至所述线性时序模型中包括:
对所述参数进行归一化处理;
将归一化处理后的所述参数输入至所述线性时序模型中;
对应地,所述将所述参数中的非线性数据与所述第一预估温度值进行残差处理并获取残差结果包括:
将归一化处理后的所述参数中的所述非线性数据与所述第一预估温度值进行残差处理并获取所述残差结果。
5.根据权利要求1至4任意一项所述的调节服务器的机箱温度的方法,其特征在于,在所述通过所述PID调控所述服务器的风扇的转速之后,所述方法还包括:
获取所述服务器机箱的当前温度值;
在所述当前温度值未在所述目标温度范围内的情况下,返回所述通过所述PID调控所述服务器的风扇的转速的步骤;
在所述当前温度值在所述目标温度范围内的情况下,重新返回所述获取影响所述服务器机箱温度的参数的步骤。
6.根据权利要求5所述的调节服务器的机箱温度的方法,其特征在于,在所述当前温度值未在所述目标温度范围内的情况,所述方法还包括:
输出用于表征所述当前温度值未在所述目标温度范围内的提示信息。
7.根据权利要求5所述的调节服务器的机箱温度的方法,其特征在于,所述线性时序模型为ARIMA模型,所述时间循环神经网络模型为LSTM模型。
8.一种调节服务器机箱的温度的装置,其特征在于,包括:
第一获取模块,用于获取影响所述服务器机箱温度的参数;其中,所述参数至少包括服务器中各芯片的温度、功耗、功率;
第一输入模块,用于将所述参数输入至预设的线性时序模型中以及预设的时间循环神经网络模型中;
第二获取模块,用于通过所述线性时序模型以及所述时间循环神经网络模型获取预设时刻时所述服务器机箱的预估温度值;
第二输入模块,用于将所述预估温度值输入至PID;
调控模块,用于通过所述PID调控所述服务器的风扇的转速以便所述预设时刻时所述服务器机箱的实际温度值在目标温度范围内。
9.一种服务器,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述的调节服务器机箱的温度的方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的调节服务器机箱的温度的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210907540.2A CN115097920B (zh) | 2022-07-29 | 2022-07-29 | 一种调节服务器机箱的温度的方法、装置、服务器及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210907540.2A CN115097920B (zh) | 2022-07-29 | 2022-07-29 | 一种调节服务器机箱的温度的方法、装置、服务器及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115097920A true CN115097920A (zh) | 2022-09-23 |
CN115097920B CN115097920B (zh) | 2023-08-08 |
Family
ID=83301562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210907540.2A Active CN115097920B (zh) | 2022-07-29 | 2022-07-29 | 一种调节服务器机箱的温度的方法、装置、服务器及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115097920B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116243772A (zh) * | 2023-03-23 | 2023-06-09 | 苏州市优凡文化科技有限公司 | 用于台式机的机箱温度预测*** |
CN116755532A (zh) * | 2023-08-14 | 2023-09-15 | 聊城市洛溪信息科技有限公司 | 一种计算服务器通风装置用智能调控*** |
CN116820214A (zh) * | 2023-08-30 | 2023-09-29 | 深圳智锐通科技有限公司 | 一种服务器通风散热智能调控方法及*** |
CN117806834A (zh) * | 2024-02-28 | 2024-04-02 | 苏州元脑智能科技有限公司 | 资源的调整方法及装置 |
WO2024119961A1 (zh) * | 2022-12-10 | 2024-06-13 | 安徽艾克瑞德科技有限公司 | 一种带散热电池*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020199648A1 (zh) * | 2019-04-01 | 2020-10-08 | 珠海格力电器股份有限公司 | 空调的控制方法和装置 |
CN113534936A (zh) * | 2021-09-14 | 2021-10-22 | 苏州浪潮智能科技有限公司 | 一种服务器风扇转速控制方法、装置、设备及介质 |
CN113835501A (zh) * | 2021-10-14 | 2021-12-24 | 苏州浪潮智能科技有限公司 | 服务器散热方法、装置、bmc和计算机可读存储介质 |
-
2022
- 2022-07-29 CN CN202210907540.2A patent/CN115097920B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020199648A1 (zh) * | 2019-04-01 | 2020-10-08 | 珠海格力电器股份有限公司 | 空调的控制方法和装置 |
CN113534936A (zh) * | 2021-09-14 | 2021-10-22 | 苏州浪潮智能科技有限公司 | 一种服务器风扇转速控制方法、装置、设备及介质 |
CN113835501A (zh) * | 2021-10-14 | 2021-12-24 | 苏州浪潮智能科技有限公司 | 服务器散热方法、装置、bmc和计算机可读存储介质 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024119961A1 (zh) * | 2022-12-10 | 2024-06-13 | 安徽艾克瑞德科技有限公司 | 一种带散热电池*** |
CN116243772A (zh) * | 2023-03-23 | 2023-06-09 | 苏州市优凡文化科技有限公司 | 用于台式机的机箱温度预测*** |
CN116243772B (zh) * | 2023-03-23 | 2024-05-07 | 苏州市优凡文化科技有限公司 | 用于台式机的机箱温度预测*** |
CN116755532A (zh) * | 2023-08-14 | 2023-09-15 | 聊城市洛溪信息科技有限公司 | 一种计算服务器通风装置用智能调控*** |
CN116755532B (zh) * | 2023-08-14 | 2023-10-31 | 聊城市洛溪信息科技有限公司 | 一种计算服务器通风装置用智能调控*** |
CN116820214A (zh) * | 2023-08-30 | 2023-09-29 | 深圳智锐通科技有限公司 | 一种服务器通风散热智能调控方法及*** |
CN116820214B (zh) * | 2023-08-30 | 2024-01-05 | 深圳智锐通科技有限公司 | 一种服务器通风散热智能调控方法及*** |
CN117806834A (zh) * | 2024-02-28 | 2024-04-02 | 苏州元脑智能科技有限公司 | 资源的调整方法及装置 |
CN117806834B (zh) * | 2024-02-28 | 2024-05-28 | 苏州元脑智能科技有限公司 | 资源的调整方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115097920B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115097920A (zh) | 一种调节服务器机箱的温度的方法、装置、服务器及介质 | |
CN110289994B (zh) | 一种集群容量调整方法及装置 | |
CN110070181A (zh) | 一种用于边缘计算设备的深度学习的优化方法 | |
CN112018758A (zh) | 基于数字孪生的含高比例新能源交直流混联***建模方法 | |
CN107124442A (zh) | 基于用户行为的资源动态调整方法及设备 | |
CN110413657B (zh) | 面向季节型非平稳并发量的平均响应时间评估方法 | |
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 | |
US20230162050A1 (en) | Method and device for predicting and controlling time series data based on automatic learning | |
Dogani et al. | Multivariate workload and resource prediction in cloud computing using CNN and GRU by attention mechanism | |
CN114936085A (zh) | 基于深度学习算法的etl调度方法及装置 | |
CN113705929A (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
CN116131668A (zh) | 一种电机智能调节方法、***、设备及存储介质 | |
CN117406844B (zh) | 一种基于神经网络的显卡风扇控制方法及相关装置 | |
CN116521350B (zh) | 基于深度学习算法的etl调度方法及装置 | |
Cuevas et al. | Otsu and Kapur segmentation based on harmony search optimization | |
CN114389953B (zh) | 一种基于流量预测的Kubernetes容器动态扩缩容方法及*** | |
JP7060130B1 (ja) | 運用支援装置、運用支援方法及びプログラム | |
CN113947021A (zh) | 一种热管理控制方法和热管理控制装置 | |
CN112783441B (zh) | 一种调整虚拟机磁盘读写限速的方法、装置及计算设备 | |
CN113806077A (zh) | 基于人工智能的数据中心服务器调控方法及装置 | |
CN109347143B (zh) | 风场输出功率调整方法与装置 | |
CN111027612A (zh) | 基于加权熵fcm的能源计量数据特征约简方法及装置 | |
JP7505328B2 (ja) | 運転支援装置、運転支援方法及びプログラム | |
CN112529306B (zh) | 基于油***油温估计的调相机潜伏性缺陷诊断方法和装置 | |
Noyes | Training and generalization |
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 |