一种用于数据中心的能效控制方法及装置与流程

本发明属于计算机领域，尤其涉及一种用于数据中心的能效控制方法及装置。

背景技术：

随着互联网产业的发展，社交网络、人工智能、电子商务、物联网等等一系列新兴互联网业务均依赖于大规模、高流量、多功能的数据存储与计算。而数据中心作为大规模服务器集群的组织和互联形式，逐渐成为支撑现代it产业的基础设施。随着数据中心规模的逐渐增大和硬件架构的日趋多样化，数据中心的能源管理正在逐渐成为数据中心建设和运营的一个重要问题。

根据美国自然资源保护理事会(naturalresourcesdefensecouncil)的统计，2013年，全美国的数据中心约消耗了910亿千瓦时的电量，相当于34个大型火力发电厂一年的发电量，根据environmentalresearchletters的预测，全球数据中心的功耗有可能每5年翻一番，截至2020年，全美的it企业每年要在数据中心的供能上花费130亿美元，并排放大约1亿吨二氧化碳。如此庞大的功耗开销已经成为数据中心的设计和运营过程中不可忽略的问题。

数据中心目前主要的单元是机柜，机柜内的能效pue一直居高不下是能耗过高的重要原因，影响pue的因素有很多，之间的关系也是复杂非线性系统，难以建模，即使建模之后，也因为无法摸清影响因素之间的关系导致联动控制不精确。

因此，迫切需要提供一种用于数据中心的能效控制技术，以降低能效值，为数据中心节能。

技术实现要素：

本发明提供一种用于数据中心的能效控制方法及装置，以解决上述问题。

本发明提供一种用于数据中心的能效控制方法。上述方法包括根据所述数据中心中各能效影响参数与能效之间的关系创建能效联动控制模型；

监控所述数据中心的所述各能效影响参数；

在所述各能效影响参数中任一参数发生变化时，根据所述能效联动控制模型调整所述能效影响参数中的其他参数，以使输出的所述能效保持在预设范围内。

本发明还提供用于数据中心的能效控制装置，包括：模型创建模块、监控模块、调整模块，其中，所述模型创建模块与所述监控模块连接，所述调整模块与所述模型创建模块连接；

模型创建模块，用于根据所述数据中心中各能效影响参数与能效之间的关系创建能效联动控制模型；

监控模块，用于监控所述数据中心的所述各能效影响参数；

调整模块，用于在所述各能效影响参数中任一参数发生变化时，根据所述能效联动控制模型调整所述能效影响参数中的其他参数，以使输出的所述能效保持在预设范围内。

通过以下方案：根据数据中心中各能效影响参数与能效之间的关系创建能效联动控制模型；监控数据中心的所述各能效影响参数；在各能效影响参数中任一参数发生变化时，根据能效联动控制模型调整能效影响参数中的其他参数，以使输出的能效保持在预设范围内。根据模型自动地生成适用当前环境状态的负载联动节能控制策略，动态调整负载运行模式，自动降低能耗。解决了由于能效过高导致的能耗大的问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1所示为本发明实施例1的用于数据中心的能效控制方法处理流程图；

图2所示为本发明实施例2的神经网络示意图；

图3所示为本发明实施例3的能效控制示意图；

图4所示为本发明实施例3的用于数据中心的能效控制装置结构图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

图1所示为本发明实施例1的用于数据中心的能效控制方法处理流程图，包括以下步骤：

步骤102：根据所述数据中心中各能效影响参数与能效之间的关系创建能效联动控制模型。

步骤104：监控所述数据中心的所述各能效影响参数。

步骤106：在所述各能效影响参数中任一参数发生变化时，根据所述能效联动控制模型调整所述能效影响参数中的其他参数，以使输出的所述能效保持在预设范围内。

上述方案通过bp神经网络对能效与机柜内关键指标进行建模，预测能效并进而反馈，对负载进行联动控制。

根据所述数据中心中各能效影响参数与能效之间的关系创建能效联动控制模型，包括：

通过神经网络对数据中心中的各能效影响参数与能效进行建模，生成所述能效联动控制模块。

将所述各能效影响参数通过神经网络的输入层输入，并通过隐层计算由输出层输出；

若输出值与标记值有误差，则将误差反向由所述输出层向输入层传播，并利用梯度下降算法对所述神经网络的神经元权值进行调整，以生成所述能效联动控制模块。

通过上述算法能够准确建模出能效联动控制模型，使能效输出在预设范围内，进一步降低能耗。

进一步地，所述各能效影响参数包括以下至少一种：

性能数据、负载数据和功耗数据。

其中，所述数据中心包括机柜，所述功耗数据包括空调运行数据、水泵速度数据。

图2所示为本发明实施例2的神经网络示意图。

bp神经网络的输入信号经输入层输入，通过隐层计算由输出层输出，输出值与标记值比较，若有误差，将误差反向由输出层向输入层传播，在这个过程中，利用梯度下降算法对神经元权值进行调整。

模型训练：参考图2，将这些数据作为人工神经网络的输入层参数进行输入。通过引入多层神经网络，以有效地减小随机因素的扰动和抑制系统运行策略的抖动作为终止神经网络训练的必要条件，以pue值为输出。由于神经网络不需要用户预设模型的交互特征，而是在特征中寻找模式和交互，可以自动生成最佳匹配模型。

模型应用：一旦训练结束，采用训练好的神经网络模型对能效进行预测，并挖掘能效与负载、功耗和性能之间的关系。

pue＝f(l，e，p)

当系统负载发生变化时，可以根据神经网络输出的能效预测值，去动态调整功耗以及性能，保证机房的能效一直能够在一个比较稳定的范围。例如，如果要下线几台服务器，也就是在it负载降低时，通过神经网络预测，模型可以自动调整功耗里面的空调控制、水泵速度等因素来降低pue的值，达到为数据中心节能的目的。

如图3所示，采集设备资源信息数据，该数据即影响能效的因素，包括负载信息、功耗信息和性能信息。通过过程、特性识别和预测并借助人工神经网络方法建立功耗模型，根据当前采集的设备资源信息，生成相应的节能控制策略，进而调整负载运行模式，实现对负载、功耗和性能之间的联动控制。

图4所示为本发明实施例3的用于数据中心的能效控制装置结构图。

如图4所示，根据本发明实施例的一种用于数据中心的能效控制装置，包括：模型创建模块402、监控模块404、调整模块406，其中，所述模型创建模块402与所述调整模块406连接，所述调整模块406与所述监控模块404连接；

模型创建模块402，用于根据所述数据中心中各能效影响参数与能效之间的关系创建能效联动控制模型；

监控模块404，用于监控所述数据中心的所述各能效影响参数；

调整模块406，用于在所述各能效影响参数中任一参数发生变化时，根据所述能效联动控制模型调整所述能效影响参数中的其他参数，以使输出的所述能效保持在预设范围内。

上述方案通过bp神经网络对能效与机柜内关键指标进行建模，预测能效并进而反馈，对负载进行联动控制。

进一步地，所述模型创建模块402通过神经网络对数据中心中的各能效影响参数与能效进行建模，生成所述能效联动控制模块。

进一步地，所述模型创建模块402将所述各能效影响参数通过神经网络的输入层输入，并通过隐层计算由输出层输出；若输出值与标记值有误差，则将误差反向由所述输出层向输入层传播，并利用梯度下降算法对所述神经网络的神经元权值进行调整，以生成所述能效联动控制模块。

其中，所述各能效影响参数包括以下至少一种：

性能数据、负载数据和功耗数据。

其中，所述数据中心包括机柜，所述功耗数据包括空调运行数据、水泵速度数据。

通过以下方案：根据数据中心中各能效影响参数与能效之间的关系创建能效联动控制模型；监控数据中心的所述各能效影响参数；在各能效影响参数中任一参数发生变化时，根据能效联动控制模型调整能效影响参数中的其他参数，以使输出的能效保持在预设范围内。根据模型自动地生成适用当前环境状态的负载联动节能控制策略，动态调整负载运行模式，自动降低能耗。解决了由于能效过高导致的能耗大的问题。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。