CN117251044A - 一种基于arima技术的云服务器动态能耗管理方法和*** - Google Patents
一种基于arima技术的云服务器动态能耗管理方法和*** Download PDFInfo
- Publication number
- CN117251044A CN117251044A CN202311181784.8A CN202311181784A CN117251044A CN 117251044 A CN117251044 A CN 117251044A CN 202311181784 A CN202311181784 A CN 202311181784A CN 117251044 A CN117251044 A CN 117251044A
- Authority
- CN
- China
- Prior art keywords
- server
- wake
- load level
- time
- arima
- 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
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 title claims abstract description 63
- 238000005265 energy consumption Methods 0.000 title claims abstract description 58
- 238000007726 management method Methods 0.000 title claims abstract description 33
- 238000005516 engineering process Methods 0.000 title claims abstract description 31
- 230000008859 change Effects 0.000 claims abstract description 7
- 238000010586 diagram Methods 0.000 claims description 67
- 238000005311 autocorrelation function Methods 0.000 claims description 61
- 238000003745 diagnosis Methods 0.000 claims description 46
- 238000000034 method Methods 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 10
- 230000002618 waking effect Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 6
- 238000000528 statistical test Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000000087 stabilizing effect Effects 0.000 claims description 5
- 230000006641 stabilisation Effects 0.000 claims description 4
- 238000011105 stabilization Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 abstract description 13
- 238000013468 resource allocation Methods 0.000 abstract description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 8
- 229910052799 carbon Inorganic materials 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G06F1/3234—Power saving characterised by the action undertaken
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Power Sources (AREA)
Abstract
本发明公开了一种基于ARIMA技术的云服务器动态能耗管理方法和***，属于能耗管理技术领域，包括：记录收集服务器的历史数据；将历史数据输入ARIMA模型，对未来设定时长内服务器的数据进行预测；若预测的负载水平超过当前时刻的负载水平，且预测到的任务到达概率超过设定的预测阈值，则触发唤醒操作对多个服务器进行唤醒；若预测的负载水平与当前时刻的负载水平一致，则保持现有状态的能耗水平；若预测到的负载水平低于当前时刻的负载水平，则根据负载水平变化，实时休眠需要休眠的服务器或者对工作状态的服务器进行功耗水平的调整，根据服务器的负载情况和能耗需求，动态地调整服务器的电源状态和资源分配，响应速度快。
Description
技术领域
本发明属于能耗管理技术领域，具体涉及一种基于ARIMA技术的云服务器动态能耗管理方法和***。
背景技术
随着云计算的快速发展和数据中心规模的不断扩大，能耗成为了一个日益突出的问题；数据中心作为云计算的核心基础设施，消耗大量的电力和资源；随着数据中心规模的扩大和应用负载的增加，其能耗成本显著上升，同时对能源供应和环境造成了巨大压力，为了解决这一问题，研究人员开始探索如何在保证性能的同时降低能耗，从而引发了云服务器DPM技术的研究和发展。
云服务器DPM技术(Dynamic Power Management)是基于能耗管理的一项关键技术，旨在提高云计算环境中数据中心和服务器集群的能效和性能；云服务器DPM技术的核心思想是根据服务器的负载情况和能耗需求，动态地调整服务器的电源状态和资源分配，以实现能耗的最优化和性能的提升。通过实时监测服务器的工作状态、负载情况和能耗数据，DPM技术能够判断何时增加或减少服务器的供电和资源。在高负载时，DPM技术会提供更多的资源以满足用户的需求；而在低负载时，它会降低服务器的能耗，避免资源的浪费。
云服务器DPM技术是一项重要的能耗管理技术，致力于提高云计算环境中数据中心和服务器集群的能效和性能。通过动态调整服务器的电源状态和资源分配，DPM技术可以实现能耗的最优化，并对云计算的可持续发展做出贡献。
但目前的云服务器DPM技术不足在于：服务器从低功耗状态唤醒时存在较长的响应延迟，由于服务器在低负载或闲置时处于低功耗状态，当有任务到达时需要将服务器唤醒并恢复到正常工作状态，这个过程需要一定的时间，导致响应延迟增加。这可能影响用户对于服务的实时性要求，尤其是在需要快速响应的应用场景下，如实时数据处理、在线游戏等。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种基于ARIMA技术的云服务器动态能耗管理方法和***，能够根据服务器的负载情况和能耗需求，动态地调整服务器的电源状态和资源分配，且响应速度快。
本发明提供了如下的技术方案：
第一方面，提供了一种基于ARIMA技术的云服务器动态能耗管理方法，包括：
记录收集服务器的历史数据，并对历史数据进行平稳化处理；
将平稳化处理后的历史数据输入训练完成的ARIMA模型，对未来设定时长内服务器的数据进行预测，所述对服务器的数据进行预测包括对负载水平预测以及负载水平改变时，任务到达时刻的预测；
判断检测到的当前时刻的负载水平与预测的负载水平之间的关系；
若预测的负载水平超过当前时刻的负载水平，且预测到的任务到达概率超过设定的预测阈值，则触发唤醒操作对多个服务器进行唤醒，并在任务到达时刻前对执行预测任务的服务器进行功耗水平的适配性调整；
若预测的负载水平与当前时刻的负载水平一致，则保持现有状态的能耗水平；
若预测到的负载水平低于当前时刻的负载水平，则根据检测的负载水平变化，实时休眠需要休眠的服务器或者对处于工作状态的服务器进行功耗水平的适配性调整。
优选地，触发唤醒操作对多个服务器进行唤醒包括：
根据预测的负载水平，确定任务到达时刻需要的所有服务器的总功率；
根据需要的所有服务器总功率确定需要唤醒的服务器数量；
确定唤醒提前时长；
根据预测到的任务到达时刻和唤醒提前时长，确定唤醒操作的唤醒时刻；
根据确定出的唤醒时刻，唤醒所有需要唤醒的服务器。
优选地，通过并行唤醒方式唤醒所有需要唤醒的服务器，所述确定唤醒提前时长包括：
将预测到达的任务划分为多个负载均衡的子任务，将每个子任务对应一个需要唤醒的服务器，确定一个需要唤醒的服务器的启动时长；
根据一个需要唤醒的服务器的启动时长、每一子任务处理的准备时长以及功耗水平的调整时长之间的总和，确定唤醒提前时长。
优选地，功耗水平的调整包括处理器的频率调节以及服务器的供电电压和电流调节；所述服务器的历史数据包括在历史时长内服务器的负载水平、任务的发生时间、低功率状态唤醒时长、功率和设定时间间隔内能源消耗总量。
优选地，ARIMA模型参数设定使用自相关函数图和偏自相关函数图，或者使用赤池信息准则或者使用BIC贝叶斯信息准则；在所述ARIMA模型过程中，使用最大似然估计或者最小二乘法来估计模型参数。
优选地，ARIMA模型在进行训练后进行模型诊断；若模型诊断结果通过，则输出训练完成的ARIMA模型；若模型诊断结果未通过，则调整模型参数，直至模型诊断结果通过。
优选地，模型诊断的方法包括：
检查残差是否满足独立同分布和零均值的假设，若满足，则残差分析通过；若残差存在自相关性或非零均值，则残差分析不通过；
使用统计检验验证残差是否满足正态分布，若满足，则正态性检验通过；若不满足，则正态性检验不通过；
检查残差的自相关函数图和偏自相关函数图，判断是否存在未捕捉到的自相关性，若不存在未捕捉到的自相关性，则残差的自相关函数图与偏自相关函数图的校验通过，若存在未捕捉到的自相关性，则残差的自相关函数图与偏自相关函数图的校验不通过；
当残差分析、正态性检验以及残差的自相关函数图与偏自相关函数图的校验均通过，则模型诊断结果通过。
第二方面，提供了一种基于ARIMA技术的云服务器动态能耗管理***，包括：
历史数据处理模块，用于记录收集服务器的历史数据，并对历史数据进行平稳化处理；所述服务器的历史数据包括在历史时长内服务器的负载水平、任务的发生时间、低功率状态唤醒时长、功率和设定时间间隔内能源消耗总量；
预测模块，用于将历史处理模块中处理后的历史数据输入训练完成的ARIMA模型，对未来设定时长内服务器的数据进行预测，所述对服务器的数据进行预测包括对负载水平预测以及负载水平改变时，任务到达时刻的预测；
判断模块，用于判断检测到的当前时刻的负载水平与预测的负载水平之间的关系；
处理模块，用于若预测的负载水平超过当前时刻的负载水平，且预测到的任务到达概率超过设定的预测阈值，则触发唤醒操作对多个服务器进行唤醒，并在任务到达时刻前对执行预测任务的服务器进行功耗水平的适配性调整；若预测的负载水平与当前时刻的负载水平一致，则保持现有状态的能耗水平；若预测到的负载水平低于当前时刻的负载水平，则根据检测的负载水平变化，实时休眠需要休眠的服务器或者对处于工作状态的服务器进行功耗水平的适配性调整。
优选地，所述处理模块包括唤醒单元，所述唤醒单元用于触发唤醒操作对多个服务器进行唤醒；所述唤醒单元包括：
第一确定子单元，用于根据预测的负载水平，确定任务到达时刻需要的所有服务器的总功率；
第二确定子单元，用于根据第一确定子单元确定出的所有服务器总功率确定需要唤醒的服务器数量；
第三确定子单元，用于确定唤醒提前时长；
所述第三确定子单元包括：
第一确定组件，用于将预测到达的任务划分为多个负载均衡的子任务，将每个子任务对应一个需要唤醒的服务器，确定一个需要唤醒的服务器的启动时长；
第二确定组件，用于根据一个需要唤醒的服务器的启动时长、每一子任务处理的准备时长以及功耗水平的调整时长之间的总和，确定唤醒提前时长；
第四确定子单元，用于根据预测到的任务到达时刻和设定的唤醒提前时长，确定唤醒操作的唤醒时刻；
第五执行子单元，用于根据第四确定子单元中确定出的唤醒时刻，通过并行唤醒方式唤醒所述第二确定子单元中确定的所有需要唤醒的服务器；
所述处理模块还包括功耗调整单元，用于功耗水平的调整，所述功耗水平的调整包括处理器的频率调节以及服务器的供电电压和电流调节。
优选地，所述ARIMA模型参数设定使用自相关函数图和偏自相关函数图，或者使用赤池信息准则或者使用BIC贝叶斯信息准则；在所述ARIMA模型过程中，使用最大似然估计或者最小二乘法来估计模型参数；
所述预测模块包括：
模型诊断单元，用于ARIMA模型在进行训练后进行模型诊断；若模型诊断结果通过，则输出训练完成的ARIMA模型；若模型诊断结果未通过，则调整模型参数，直至模型诊断结果通过；
所述模型诊断单元包括：
第一诊断子单元，用于检查残差是否满足独立同分布和零均值的假设，若满足，则残差分析通过；若残差存在自相关性或非零均值，则残差分析不通过；
第二诊断子单元，用于使用统计检验验证残差是否满足正态分布，若满足，则正态性检验通过；若不满足，则正态性检验不通过；
第三诊断子单元，用于检查残差的自相关函数图和偏自相关函数图，判断是否存在未捕捉到的自相关性，若不存在未捕捉到的自相关性，则残差的自相关函数图与偏自相关函数图的校验通过，若存在未捕捉到的自相关性，则残差的自相关函数图与偏自相关函数图的校验不通过；
第四输出子单元，用于当残差分析、正态性检验以及残差的自相关函数图与偏自相关函数图的校验均通过，则将模型诊断结果通过输出。
与现有技术相比，本发明的有益效果是：
(1)引入了预测性唤醒策略，通过ARIMA技术对历史数据进行分析和预测，可以提前唤醒处于低功耗状态的服务器，减少响应延迟，同时能够根据服务器的负载情况和能耗需求，动态地调整服务器的电源状态和资源分配。
(2)当有大量请求到达时，***可以同时唤醒多个服务器来并行地处理这些子任务，通过并行处理，***可以充分利用多个服务器的计算能力，加快任务处理速度，从而减少整体的响应延迟；负载均衡算法可以根据服务器的当前负载情况和性能指标，选择合适的服务器来处理请求，通过同时唤醒多个服务器，并将请求均匀地分配给它们，可以实现负载的均衡，避免某些服务器过载而导致响应延迟增加，通过合理的任务划分和负载均衡，可以确保每个服务器得到适量的任务负载，避免过载和资源浪费，提高***的稳定性和效率。
附图说明
图1是本发明的基于ARIMA技术的云服务器动态能耗管理方法的总体流程图；
图2是本发明的基于ARIMA技术的云服务器动态能耗管理方法的流程框图；
图3是本发明的触发唤醒操作对多个服务器进行唤醒的流程图；
图4是本发明的基于ARIMA技术的云服务器动态能耗管理***的总体结构图；
图5是本发明的基于ARIMA技术的云服务器动态能耗管理***中处理模块的结构示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一
如图1-2所示，提供一种基于ARIMA技术的云服务器动态能耗管理方法，包括：
S1：记录收集服务器的历史数据，并对历史数据进行平稳化处理，确保时间序列的平稳性；所述服务器的历史数据包括在历史时长内服务器的负载水平、任务的发生时间、低功率状态唤醒时长、功率和设定时间间隔内能源消耗总量。
具体地，能耗消耗总量为：E(t)＝P*T。
其中，E(t)为服务器在时间t的能源消耗，P为通过服务器的功率，T为运行时长。
碳排放：C(t)＝β*E(t)。
其中，C(t)为服务器在时间t的碳排放，β为单位能源产生的碳排放量。
S2：将平稳化处理后的历史数据输入训练完成的ARIMA模型，对未来设定时长内服务器的数据进行预测，所述对服务器的数据进行预测包括对负载水平预测以及负载水平改变时，任务到达时刻的预测。
具体地，ARIMA模型参数设定使用自相关函数图和偏自相关函数图，或者使用赤池信息准则或者使用BIC贝叶斯信息准则；在所述ARIMA模型过程中，使用最大似然估计或者最小二乘法来估计模型参数。
具体地，ARIMA模型需要三个关键参数：p(自回归项的数量)、d(差分项的数量)和q(移动平均项的数量)，为了确定这些参数，使用AIC(赤池信息准则)或BIC(贝叶斯信息准则)找到的最佳参数组合，假设其中一组最佳参数组合是p＝2，d＝1，q＝2，使用这些参数训练ARIMA模型，输入数据是服务器负载L(t)的时间序列数据，L(t)为服务器的负载水平。
所述ARIMA模型的训练过程为：
差分操作：如果原始数据不是稳定的，即存在趋势或季节性，我们需要对数据进行差分操作以使其变为稳定的，差分操作通过计算当前观测值与前一个观测值的差异来消除趋势，在本例中，由于d＝1，我们进行一阶差分。
模型训练：根据选择的参数组合(p＝2，d＝1，q＝2)，开始训练ARIMA模型；ARIMA模型由自回归(AR)部分、差分(I)部分和移动平均(MA)部分组成。
自回归部分(AR)：使用自回归项(p)来捕捉过去观测值与当前观测值之间的相关性。在本例中，选择p＝2，表示使用前两个时间步的观测值来预测当前时间步的观测值。
差分部分(I)：在预处理阶段已经进行了差分操作，因此这一部分可以忽略。
移动平均部分(MA)：使用移动平均项(q)来捕捉误差项的相关性，在本例中，选择q＝2，表示使用前两个时间步的误差项来纠正预测误差。
进一步地，ARIMA模型在进行训练后进行模型诊断；若模型诊断结果通过，则输出训练完成的ARIMA模型；若模型诊断结果未通过，则调整模型参数，直至模型诊断结果通过。
具体地，模型诊断的方法包括：
检查残差是否满足独立同分布和零均值的假设，若满足，则残差分析通过；若残差存在自相关性或非零均值，则残差分析不通过；
使用统计检验验证残差是否符合正态分布，若符合，则正态性检验通过；若残差不符合正态分布，则正态性检验不通过；
检查残差的自相关函数图和偏自相关函数图，判断是否存在未捕捉到的自相关性，若不存在未捕捉到的自相关性，则残差的自相关函数图与偏自相关函数图的校验通过，若存在未捕捉到的自相关性，则残差的自相关函数图与偏自相关函数图的校验不通过；
当残差分析、正态性检验以及残差的自相关函数图与偏自相关函数图的校验均通过，则模型诊断结果通过。
通过应用ARIMA模型，我们可以利用历史数据进行负载预测和规划，从而优化服务器资源的分配和任务调度，提高***的性能和效率。
在一些其他的实施方式中，还可以根据自相关和偏自相关函数，选择合适的ARIMA模型，拟合ARIMA模型并进行参数估计，根据拟合的模型进行负载预测。
S3：判断检测到的当前时刻的负载水平与预测的负载水平之间的关系；若预测的负载水平超过当前时刻的负载水平，且预测到的任务到达概率超过设定的预测阈值，则触发唤醒操作对多个服务器进行唤醒，并在任务到达时刻前对执行预测任务的服务器进行功耗水平的适配性调整；若预测的负载水平与当前时刻的负载水平一致，则保持现有状态的能耗水平；若预测到的负载水平低于当前时刻的负载水平，则根据检测的负载水平变化，实时休眠需要休眠的服务器，或者对处于工作状态的服务器进行功耗水平的适配性调整。
能耗管理的目标是最小化碳排放，并且保证任务的完成。假设负载预测为L'(t)，我们可以根据L'(t)来调整服务器的功率P(t)和唤醒时刻W(t)，以此达到最小化碳排放C(t)的目标，预测阈值根据经验设定，预测阈值的选择需要综合考虑任务到达的紧急程度、服务器的启动时间和功耗消耗等因素。
具体地，如图3所示，所述触发唤醒操作对多个服务器进行唤醒包括：
D1：根据预测的负载水平，确定任务到达时刻需要的所有服务器的总功率。
具体地，假设有n台服务器，碳排放C(t)为：
C(t)＝∑(β*P(i,t)*(A(t)-W(i,t)))，
最小化碳排放C(t)，需要对所有的i和t满足以下约束：i为预测的任务，t为任务对应的时刻；
A(t)>＝W(i,t)，确保服务器在任务到来之前唤醒。
∑P(i,t)>＝L'(t)，对所有的任务，确保有足够的服务器功率来处理预测的负载。
其中，L'(t)为在t时刻预测的负载水平，W(i,t)为唤醒时刻，∑P(i,t)为所有任务的总功率,A(t)为任务到达时刻。
D2：根据需要的所有服务器总功率确定需要唤醒的服务器数量，在确定时要考虑每个服务器的处理能力，并根据预测的负载水平，进行确定，具体可以参考现有技术中的负载均衡和任务调度算法。
D3：确定唤醒提前时长。
具体地，通过并行唤醒方式唤醒所有需要唤醒的服务器，所述确定唤醒提前时长包括：
D31：将预测到达的任务划分为多个负载均衡的子任务，将每个子任务对应一个需要唤醒的服务器，确定一个需要唤醒的服务器的启动时长。
D32：根据一个需要唤醒的服务器的启动时长、每一子任务处理的准备时长以及功耗水平的调整时长之间的总和，确定唤醒提前时长。
当有大量请求到达时，***可以同时唤醒多个服务器来并行地处理这些子任务。通过并行处理，***可以充分利用多个服务器的计算能力，加快任务处理速度，从而减少整体的响应延迟；负载均衡算法可以根据服务器的当前负载情况和性能指标，选择合适的服务器来处理请求，通过同时唤醒多个服务器，并将请求均匀地分配给它们，可以实现负载的均衡，避免某些服务器过载而导致响应延迟增加，同时，***可以利用多个服务器的处理能力来并行地处理请求，提高并发能力和响应速度；通过合理的任务划分和负载均衡，可以确保每个服务器得到适量的任务负载，避免过载和资源浪费，提高***的稳定性和效率。
D4：根据预测到的任务到达时刻和唤醒提前时长，确定唤醒操作的唤醒时刻。
D5:根据确定出的唤醒时刻，唤醒所有需要唤醒的服务器。
具体地，功耗水平的调整包括处理器的频率调节以及服务器的供电电压和电流调节。
功耗水平的适配性调整包括：
如果预测的负载增加，意味着服务器需要处理更多的任务或工作量，为了满足增加的负载需求，我们可以相应地增加服务器功率，以确保服务器的性能和响应时间。
如果预测的负载减少，表示服务器的工作负荷较轻，在这种情况下，我们可以相应地减少服务器功率，以降低能源消耗和运行成本。
为了实现根据负载变化动态调整服务器功率的目标，可以采用多种动态功率管理技术。其中一些常见的技术包括：
频率调节，通过调整处理器的工作频率来控制功率消耗。当负载较轻时，可以降低处理器频率以减少功耗；当负载较重时，可以提高处理器频率以提升性能。
休眠/唤醒：将服务器置于低功耗休眠状态，当负载较低时，可以将部分服务器进入休眠状态以节省能源。当预测负载增加时，可以唤醒休眠的服务器来满足需求。
功率调控：通过控制服务器的供电电压和电流来调节功率消耗。可以使用电源管理技术或硬件设备来实现功率调控。
这些动态功率管理技术可根据预测负载和服务器的实际需求，实时调整服务器功率，从而实现更高效的能源利用和性能优化。
动态调整服务器功率根据负载预测的技术意义在于优化服务器的能源消耗和资源利用。通过根据负载变化来动态调整服务器功率，可以避免过度消耗能源和降低运营成本。这对于数据中心和云计算环境等大规模服务器部署具有重要意义。通过合理管理服务器的功率消耗，可以提高能源效率、降低碳排放，并减少对电网的负荷压力。此外，根据负载预测进行功率调整还可以提供更好的用户体验，确保服务器响应时间和性能的稳定性。
在一些其他的实施例中，当预测的任务到达后根据实时检测的能耗水平，进行能耗水平的适配性调整。
实施例二、
如图4所示，一种基于ARIMA技术的云服务器动态能耗管理***，包括：
历史数据处理模块100，用于记录收集服务器的历史数据，并对历史数据进行平稳化处理；所述服务器的历史数据包括在历史时长内服务器的负载水平、任务的发生时间、低功率状态唤醒时长、功率和设定时间间隔内能源消耗总量。
预测模块200，用于将历史处理模块中处理后的历史数据输入训练完成的ARIMA模型，对未来设定时长内服务器的数据进行预测，所述对服务器的数据进行预测包括对负载水平预测以及负载水平改变时，任务到达时刻的预测。
具体地，所述ARIMA模型参数设定使用自相关函数图和偏自相关函数图，或者使用赤池信息准则或者使用BIC贝叶斯信息准则；在所述ARIMA模型过程中，使用最大似然估计或者最小二乘法来估计模型参数。
具体地，所述预测模块200包括：模型诊断单元，用于ARIMA模型在进行训练后进行模型诊断；若模型诊断结果通过，则输出训练完成的ARIMA模型；若模型诊断结果未通过，则调整模型参数，直至模型诊断结果通过；所述模型诊断单元包括：第一诊断子单元，用于检查残差是否满足独立同分布和零均值的假设，若满足，则残差分析通过；若残差存在自相关性或非零均值，则残差分析不通过；第二诊断子单元，用于使用统计检验验证残差是否符合正态分布，若符合，则正态性检验通过；若不符合，则正态性检验不通过；第三诊断子单元，用于检查残差的自相关函数图和偏自相关函数图，判断是否存在未捕捉到的自相关性，若不存在未捕捉到的自相关性，则残差的自相关函数图与偏自相关函数图的校验通过，若存在未捕捉到的自相关性，则残差的自相关函数图与偏自相关函数图的校验不通过；第四输出子单元，用于当残差分析、正态性检验以及残差的自相关函数图与偏自相关函数图的校验均通过，则将模型诊断结果通过输出。
判断模块300，用于判断检测到的当前时刻的负载水平与预测的负载水平之间的关系。
处理模块400，用于若预测的负载水平超过当前时刻的负载水平，且预测到的任务到达概率超过设定的预测阈值，则触发唤醒操作对多个服务器进行唤醒，并在任务到达时刻前对执行预测任务的服务器进行功耗水平的适配性调整；若预测的负载水平与当前时刻的负载水平一致，则保持现有状态的能耗水平；若预测到的负载水平低于当前时刻的负载水平，则根据检测的负载水平变化，实时休眠需要休眠的服务器或者对处于工作状态的服务器进行功耗水平的适配性调整。
具体地，如图5所示，所述处理模块包括唤醒单元，所述唤醒单元用于触发唤醒操作对多个服务器进行唤醒；所述处理模块还包括功耗调整单元，用于功耗水平的调整，所述功耗水平的调整包括处理器的频率调节以及服务器的供电电压和电流调节。
所述唤醒单元包括：第一确定子单元，用于根据预测的负载水平，确定任务到达时刻需要的所有服务器的总功率；第二确定子单元，用于根据第一确定子单元确定出的所有服务器总功率确定需要唤醒的服务器数量；第三确定子单元，用于确定唤醒提前时长；所述第三确定子单元包括：第一确定组件，用于将预测到达的任务划分为多个负载均衡的子任务，将每个子任务对应一个需要唤醒的服务器，确定一个需要唤醒的服务器的启动时长；第二确定组件，用于根据一个需要唤醒的服务器的启动时长、每一子任务处理的准备时长以及功耗水平的调整时长之间的总和，确定唤醒提前时长；第四确定子单元，用于根据预测到的任务到达时刻和设定的唤醒提前时长，确定唤醒操作的唤醒时刻；第五执行子单元，用于根据第四确定子单元中确定出的唤醒时刻，通过并行唤醒方式唤醒所述第二确定子单元中确定的所有需要唤醒的服务器。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请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。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的；应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (10)
1.一种基于ARIMA技术的云服务器动态能耗管理方法，其特征在于，包括：
记录收集服务器的历史数据，并对历史数据进行平稳化处理；
将平稳化处理后的历史数据输入训练完成的ARIMA模型，对未来设定时长内服务器的数据进行预测，所述对服务器的数据进行预测包括对负载水平预测以及负载水平改变时，任务到达时刻的预测；
判断检测到的当前时刻的负载水平与预测的负载水平之间的关系；
若预测的负载水平超过当前时刻的负载水平，且预测到的任务到达概率超过设定的预测阈值，则触发唤醒操作对多个服务器进行唤醒，并在任务到达时刻前对执行预测任务的服务器进行功耗水平的适配性调整；
若预测的负载水平与当前时刻的负载水平一致，则保持现有状态的能耗水平；
若预测到的负载水平低于当前时刻的负载水平，则根据检测的负载水平变化，实时休眠需要休眠的服务器或者对处于工作状态的服务器进行功耗水平的适配性调整。
2.根据权利要求1所述的一种基于ARIMA技术的云服务器动态能耗管理方法，其特征在于，触发唤醒操作对多个服务器进行唤醒包括：
根据预测的负载水平，确定任务到达时刻需要的所有服务器的总功率；
根据需要的所有服务器总功率确定需要唤醒的服务器数量；
确定唤醒提前时长；
根据预测到的任务到达时刻和唤醒提前时长，确定唤醒操作的唤醒时刻；
根据确定出的唤醒时刻，唤醒所有需要唤醒的服务器。
3.根据权利要求2所述的一种基于ARIMA技术的云服务器动态能耗管理方法，其特征在于，通过并行唤醒方式唤醒所有需要唤醒的服务器，所述确定唤醒提前时长包括：
将预测到达的任务划分为多个负载均衡的子任务，将每个子任务对应一个需要唤醒的服务器，确定一个需要唤醒的服务器的启动时长；
根据一个需要唤醒的服务器的启动时长、每一子任务处理的准备时长以及功耗水平的调整时长之间的总和，确定唤醒提前时长。
4.根据权利要求1所述的一种基于ARIMA技术的云服务器动态能耗管理方法，其特征在于，功耗水平的调整包括处理器的频率调节以及服务器的供电电压和电流调节；
所述服务器的历史数据包括在历史时长内服务器的负载水平、任务的发生时间、低功率状态唤醒时长、功率和设定时间间隔内能源消耗总量。
5.根据权利要求1所述的一种基于ARIMA技术的云服务器动态能耗管理方法，其特征在于，ARIMA模型参数设定使用自相关函数图和偏自相关函数图，或者使用赤池信息准则或者使用BIC贝叶斯信息准则；在所述ARIMA模型过程中，使用最大似然估计或者最小二乘法来估计模型参数。
6.根据权利要求1所述的一种基于ARIMA技术的云服务器动态能耗管理方法，其特征在于，ARIMA模型在进行训练后进行模型诊断；若模型诊断结果通过，则输出训练完成的ARIMA模型；若模型诊断结果未通过，则调整模型参数，直至模型诊断结果通过。
7.根据权利要求6所述的一种基于ARIMA技术的云服务器动态能耗管理方法，其特征在于，模型诊断的方法包括：
检查残差是否满足独立同分布和零均值的假设，若满足，则残差分析通过；若残差存在自相关性或非零均值，则残差分析不通过；
使用统计检验验证残差是否满足正态分布，若满足，则正态性检验通过；若不满足，则正态性检验不通过；
检查残差的自相关函数图和偏自相关函数图，判断是否存在未捕捉到的自相关性，若不存在未捕捉到的自相关性，则残差的自相关函数图与偏自相关函数图的校验通过，若存在未捕捉到的自相关性，则残差的自相关函数图与偏自相关函数图的校验不通过；
当残差分析、正态性检验以及残差的自相关函数图与偏自相关函数图的校验均通过，则模型诊断结果通过。
8.一种基于ARIMA技术的云服务器动态能耗管理***，其特征在于，包括：
历史数据处理模块，用于记录收集服务器的历史数据，并对历史数据进行平稳化处理；所述服务器的历史数据包括在历史时长内服务器的负载水平、任务的发生时间、低功率状态唤醒时长、功率和设定时间间隔内能源消耗总量；
预测模块，用于将历史处理模块中处理后的历史数据输入训练完成的ARIMA模型，对未来设定时长内服务器的数据进行预测，所述对服务器的数据进行预测包括对负载水平预测以及负载水平改变时，任务到达时刻的预测；
判断模块，用于判断检测到的当前时刻的负载水平与预测的负载水平之间的关系；
处理模块，用于若预测的负载水平超过当前时刻的负载水平，且预测到的任务到达概率超过设定的预测阈值，则触发唤醒操作对多个服务器进行唤醒，并在任务到达时刻前对执行预测任务的服务器进行功耗水平的适配性调整；若预测的负载水平与当前时刻的负载水平一致，则保持现有状态的能耗水平；若预测到的负载水平低于当前时刻的负载水平，则根据检测的负载水平变化，实时休眠需要休眠的服务器或者对处于工作状态的服务器进行功耗水平的适配性调整。
9.根据权利要求8所述的一种基于ARIMA技术的云服务器动态能耗管理***，其特征在于，所述处理模块包括唤醒单元，所述唤醒单元用于触发唤醒操作对多个服务器进行唤醒；所述唤醒单元包括：
第一确定子单元，用于根据预测的负载水平，确定任务到达时刻需要的所有服务器的总功率；
第二确定子单元，用于根据第一确定子单元确定出的所有服务器总功率确定需要唤醒的服务器数量；
第三确定子单元，用于确定唤醒提前时长；
所述第三确定子单元包括：
第一确定组件，用于将预测到达的任务划分为多个负载均衡的子任务，将每个子任务对应一个需要唤醒的服务器，确定一个需要唤醒的服务器的启动时长；
第二确定组件，用于根据一个需要唤醒的服务器的启动时长、每一子任务处理的准备时长以及功耗水平的调整时长之间的总和，确定唤醒提前时长；
第四确定子单元，用于根据预测到的任务到达时刻和设定的唤醒提前时长，确定唤醒操作的唤醒时刻；
第五执行子单元，用于根据第四确定子单元中确定出的唤醒时刻，通过并行唤醒方式唤醒所述第二确定子单元中确定的所有需要唤醒的服务器；
所述处理模块还包括功耗调整单元，用于功耗水平的调整，所述功耗水平的调整包括处理器的频率调节以及服务器的供电电压和电流调节。
10.根据权利要求8所述的一种基于ARIMA技术的云服务器动态能耗管理***，其特征在于，所述ARIMA模型参数设定使用自相关函数图和偏自相关函数图，或者使用赤池信息准则或者使用BIC贝叶斯信息准则；在所述ARIMA模型过程中，使用最大似然估计或者最小二乘法来估计模型参数；
所述预测模块包括：
模型诊断单元，用于ARIMA模型在进行训练后进行模型诊断；若模型诊断结果通过，则输出训练完成的ARIMA模型；若模型诊断结果未通过，则调整模型参数，直至模型诊断结果通过；
所述模型诊断单元包括：
第一诊断子单元，用于检查残差是否满足独立同分布和零均值的假设，若满足，则残差分析通过；若残差存在自相关性或非零均值，则残差分析不通过；
第二诊断子单元，用于使用统计检验验证残差是否满足正态分布，若满足，则正态性检验通过；若不满足，则正态性检验不通过；
第三诊断子单元，用于检查残差的自相关函数图和偏自相关函数图，判断是否存在未捕捉到的自相关性，若不存在未捕捉到的自相关性，则残差的自相关函数图与偏自相关函数图的校验通过，若存在未捕捉到的自相关性，则残差的自相关函数图与偏自相关函数图的校验不通过；
第四输出子单元，用于当残差分析、正态性检验以及残差的自相关函数图与偏自相关函数图的校验均通过，则将模型诊断结果通过输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311181784.8A CN117251044A (zh) | 2023-09-13 | 2023-09-13 | 一种基于arima技术的云服务器动态能耗管理方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311181784.8A CN117251044A (zh) | 2023-09-13 | 2023-09-13 | 一种基于arima技术的云服务器动态能耗管理方法和*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117251044A true CN117251044A (zh) | 2023-12-19 |
Family
ID=89125791
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311181784.8A Pending CN117251044A (zh) | 2023-09-13 | 2023-09-13 | 一种基于arima技术的云服务器动态能耗管理方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117251044A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117539643A (zh) * | 2024-01-09 | 2024-02-09 | 上海晨钦信息科技服务有限公司 | ***清分清算平台、批量任务处理方法及服务器 |
-
2023
- 2023-09-13 CN CN202311181784.8A patent/CN117251044A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117539643A (zh) * | 2024-01-09 | 2024-02-09 | 上海晨钦信息科技服务有限公司 | ***清分清算平台、批量任务处理方法及服务器 |
| CN117539643B (zh) * | 2024-01-09 | 2024-03-29 | 上海晨钦信息科技服务有限公司 | ***清分清算平台、批量任务处理方法及服务器 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cheng et al. | An energy-saving task scheduling strategy based on vacation queuing theory in cloud computing | |
| CN109324875B (zh) | 一种基于强化学习的数据中心服务器功耗管理与优化方法 | |
| US8190939B2 (en) | Reducing power consumption of computing devices by forecasting computing performance needs | |
| EP2073097B1 (en) | Transitioning a processor package to a low power state | |
| EP2399183B1 (en) | Energy-aware server management | |
| US8402140B2 (en) | Methods and apparatus for coordinated energy management in virtualized data centers | |
| CN106951059A (zh) | 基于dvs与改进蚁群算法的云数据中心节能方法 | |
| CN117251044A (zh) | 一种基于arima技术的云服务器动态能耗管理方法和*** | |
| US11494193B2 (en) | Serialization floors and deadline driven control for performance optimization of asymmetric multiprocessor systems | |
| WO2016115956A1 (zh) | 基于云计算的业务***的调度方法及调度装置 | |
| KR101770736B1 (ko) | 응용프로그램의 질의 스케쥴링을 이용한 시스템의 소모전력 절감 방법 및 그 방법을 이용하여 소모전력을 절감하는 휴대단말기 | |
| CN114816699A (zh) | 基于温度预测的数据中心作业调度方法及*** | |
| CN113867617A (zh) | 存储***及节能控制方法 | |
| Sanjeevi et al. | A green energy optimized scheduling algorithm for cloud data centers | |
| Hussin et al. | Efficient energy management using adaptive reinforcement learning-based scheduling in large-scale distributed systems | |
| CN110618861A (zh) | 一种Hadoop集群节能*** | |
| Peng et al. | Energy-efficient management of data centers using a renewable-aware scheduler | |
| CN116028193B (zh) | 一种混部集群的大数据任务动态高能效调度方法和*** | |
| CN117374933A (zh) | 基于计算负载时空转移的数据中心需求响应优化调度方法 | |
| CN109582119B (zh) | 基于动态电压频率调整的双层Spark节能调度方法 | |
| Postema et al. | Evaluation of advanced data centre power management strategies | |
| CN116340393A (zh) | 数据库饱和度的预测方法、存储介质及数据库*** | |
| Xiong et al. | Energy-saving optimization of application server clusters based on mixed integer linear programming | |
| CN112346863B (zh) | 一种计算资源动态调整数据处理方法及*** | |
| Sruti et al. | Work-in-progress: Precise scheduling of mixed-criticality tasks by varying processor speed |
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 |