CN101650685A - 设备能效的确定方法和装置 - Google Patents

Abstract

本发明提供一种设备能效的确定方法和装置，该方法包括：根据CPU的性能对任务负载进行归一化处理；根据归一化处理结果确定正在运行的任务的当前负载；根据任务之前运行时的负载以及当前负载确定任务下次运行时的负载，并结合任务的功率消耗确定设备的能效比。借助本发明，通过确定设备上针对某个任务的能效比，以统一尺度进行服务器能效评价，避免了能效评价对应用的局限性；根据得到的能效比，能够针对负载及服务器的具体运行情况，分析设备任务节点最优化的负载分布，通过与实际的功耗进行比较，能够客观、公正、真实地衡量各种规格、型号的服务器在能源利用效率方面的性能指标，以便于优化计算资源的配置，提高资源利用率，减少处理时间。

Description

设备能效的确定方法和装置

技术领域

本发明涉及通信领域，尤其涉及一种设备能效的确定方法和装置。

背景技术

目前，对于服务器的能效评价一直没有提出完整的标准。即使是第一项用于评测系统级别服务器中与运算性能相关的功耗基准测试工具(即，SPECpower_ssj2008)也只是一个基于Java应用的测试，对于Web和WorkStation环境下的预测却无能为力。

目前已经提出了一些对高性能计算机进行能效评价的方案，但是这些方案不能够综合考虑到各种应用的因素，而仅仅针对单一的应用进行评测。因此，随着应用的多样性和新技术的涌现，大规模计算机系统的实现形式也在不断增加，这种单一应用的能效评价方式显然不能适应这些新的变化。

由于服务器系统的发展离不开基准程序测试，基准测试程序可分为科学计算、商业应用、信息服务等，目前在服务器能效评价标准及技术方面主要有如下几种评价方式：

(1)SPECpower_ssj2008：SPECpower_ssj2008是业界第一项用于评测系统级别服务器的与运算性能相关的功耗基准测试工具，可以评估服务器系统在10％负载的待机模式到100％满负载状况下的功耗数据，测试的负载为典型的服务器端的JAVA商业应用程序，由于这种方式的应用环境受到服务器负载的限制，因此最终得到的负载并不具有代表性。

(2)Green Top 500：Green500榜单中所有的系统都以MFLOPS/Watt(百万次浮点运算/瓦特)来统计其性能功耗比。MFLOPS数值来自TOP500榜单中所上报的Linpack基准测试性能，Watt值来自系统运行Linpack基准时的测量功率，或者是基于系统规格估算出的最大功率，单节点能耗基于功率表、电压计、电流计测得，用多个节点的功耗求平均，再乘所有计算节点个数，但是这种方式仅仅能够得到系统的总能耗，并不能确定各个部分的具体能耗分布，因此这种方式得到的测评结果并不具备实际的应用意义。

(3)Green Grid：2007年成立的行业协会Green Grid开发了测量数据中心效率和生产力的标准。在该标准中，电力使用效率(Power UsageEffectiveness，简称为PUE)＝总设施耗电量与IT设备耗电量之比，其比值应当小于2，越接近1越好；数据中心基础设施效率(Data Centerinfrastructure，简称为DCiE)＝IT设备耗电量x100与总设施耗电量之比，该数字越大越好。该方式中的这两项指标被用于将数据中心消耗在供电和冷却上的电量与数据中心的IT设备使用的电量进行比较。该方式最终希望为数据中心获得类似于汽车每加伦英里数的指标，但是能耗数据以及应用这两项指标的采集过程较为复杂，导致这种测评方式的实现过程需要较高的成本和时间。

然而，针对相关技术中能效测评方法中测评过程复杂、测评数据可用性低的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中能效测评方法中测评过程复杂、测评数据可用性低的问题，本发明的目的在于提供一种设备能效的确定方案，以解决上述问题中的至少之一。

为实现上述目的，根据本发明的一个方面，提供了一种设备能效的确定方法。

根据本发明的设备能效的确定方法包括：

根据CPU的性能对任务负载进行归一化处理；

根据归一化处理结果确定正在运行的任务的当前负载；

根据任务之前运行时的负载以及当前负载确定任务下次运行时的负载，并结合任务的功率消耗确定设备的能效比。

其中，可以根据以下公式对任务负载进行归一化处理：S＝∑a Scpu/(∑a×T)，其中，S为归一化后的任务负载，a为CPU的相对性能值，T为任务的执行时间，Scpu为CPU的负载，其中，Scpu＝∑CPU使用率×t，其中，t为时间片长度，且T＝∑t。

并且，可以根据以下公式确定任务下次运行时的负载：Snext＝(k×Sold+Snow)/(k+1)，其中，Snext为任务下次运行时的负载，Sold为任务之前运行时的负载，Snow为任务的当前负载，k为任务之前运行与本次运行的相关性系数。

优选地，根据任务之前运行时的负载以及当前负载确定任务下次运行时的负载的处理可以进一步包括：确定需要分析的时间段以及时间段中的多个时间周期的长度；选择时间段中任务最大的多个负载值，利用自相关函数根据多个负载值之间的时间间隔计算多个负载值的相关性，并由此确定任务下次运行时的负载。

根据本发明的另一方面，提供了一种设备能效的确定装置。

根据本发明的设备能效的确定装置包括：

归一化处理模块，用于根据CPU的性能对任务负载进行归一化处理；

第一确定模块，用于根据归一化处理结果确定正在运行的任务的当前负载；

第二确定模块，用于根据任务之前运行时的负载以及当前负载确定任务下次运行时的负载，并结合任务的功率消耗确定设备的能效比。

其中，归一化处理模块用于根据以下公式对任务负载进行归一化处理：S＝∑a Scpu/(∑a×T)，其中，S为归一化后的任务负载，a为CPU的相对性能值，T为任务的执行时间，Scpu为CPU的负载，其中，Scpu＝∑CPU使用率×t，其中，t为时间片长度，且T＝∑t。

并且，第二确定模块用于根据以下公式确定任务下次运行时的负载：

Snext＝(k×Sold+Snow)/(k+1)，其中，Snext为任务下次运行时的负载，Sold为任务之前运行时的负载，Snow为任务的当前负载，k为任务之前运行与本次运行的相关性系数。

优选地，第二确定模块还用于确定需要分析的时间段以及时间段中的多个时间周期的长度，并选择时间段中任务最大的多个负载值，利用自相关函数根据多个负载值之间的时间间隔计算多个负载值的相关性，并由此确定任务下次运行时的负载。

借助本发明上述至少一个技术方案，通过确定设备上针对某个任务的能效比，以统一尺度进行服务器能效评价，避免了能效评价对应用的局限性；根据得到的能效比，能够针对负载及服务器的具体运行情况，分析设备任务节点最优化的负载分布，通过与实际的功耗进行比较，能够客观、公正、真实地衡量各种规格、型号的服务器在能源利用效率方面的性能指标，以便于优化计算资源的配置，提高资源利用率，减少应用处理时间。

附图说明

图1是根据本发明方法实施例的设备能效的确定方法的流程图；

图2是根据本发明方法实施例的设备能效的确定方法将要测评的服务器负载的具体实例的曲线图；

图3是根据本发明方法实施例的设备能效的确定方法对图3所示的负载曲线进行测评得到的负载曲线图；

图4是根据本发明装置实施例的设备能效的确定装置的框图。

具体实施方式

功能概述

考虑到相关技术中能效测评方法中测评过程复杂、测评数据可用性低的问题，本发明提出了基于负载分布的计算机能效评价方案，这种评价方案不需要考虑负载的具体类型，而是通过对当前的负载分布情况以及服务器的实际规格和型号进行分析，计算其需要的功耗；在分析过程中结合历史数据及负载信息进行功耗预测，从而对服务器在运行该负载过程中的总体耗电水平有一统一尺度，避免了能效评价对应用的局限性。

下面将详细描述本发明的具体实施例。

针对服务器的能效和应用的能效需求密不可分，应用在影响服务器系统性能的高低、规模的大小的同时，也在影响系统整体能效的输出状态，所以高性能计算机的能效评价过程中需要考虑到应用的因素，随着应用的多样性和新技术的涌现，导致了大规模计算机系统实现形式的多样性，本发明就是要使得能效的评价能够适应应用的多样性。

方法实施例

在本实施例中，提供了一种设备能效的确定方法。在实现根据本实施例的方法之前，首先可以进行如下定义：

定义1：CPU相对性能(主频、内核数量)为a，表示CPU处理速度的差别，a的数值主要取决于CPU的主频和/或内核数量；

定义2：时间片长度为t，任务执行时间T＝∑t。

定义3：监控得到的任务节点功耗为Ponline，抽样时间为Tsensor。

图1是根据本实施例的设备能效的确定方法的流程图。如图1所示，根据本实施例的设备能效的确定方法包括：

步骤S102，根据CPU的性能对任务负载进行归一化处理；具体地，在该步骤中，基于之前的定义，可以得到每颗CPU负载Scpu＝∑CPU使用率×t，由此得到归一化任务负载S＝∑a Scpu/(∑a×T)，该归一化的负载是针对不同规格的服务器确定的在进行负载预测时所采用的统一标准值，基于该归一化的负载进行能效比的确定，能够避免不同应用和设备对能效评价产生的局限性；

步骤S104，根据归一化处理结果确定正在运行的任务的当前负载；

步骤S106，根据该任务之前运行时的负载以及当前负载确定该任务下次运行时的负载，并结合任务的功率消耗确定设备的能效比。

具体地，假设Snow为当前任务Task产生的负载，在步骤S106中需要扫描已执行的任务队列寻找同一任务(Taskold)，如果Taskold存在，Sold代表其产生的负载，则预测改任务下一次出现时的负载Snext，其中，Snext＝(k×Sold+Snow)/(k+1)，这里的k是一个相关性的因数，该因数的取值可以根据设备本身的一些参数或者进一步根据经验数值得到；这样，基于当前测量得到以及预测的任务节点的负载就能够确定任务执行节点的功耗Ptask，其中，Ptask＝∑Ponline×Tsensor；任务执行节点的总功耗Ptotal，其中，Ptotal＝∑Ptask，进而确定节点的能效比E＝Snow/Ptotal。

可以看出，在步骤S106中的预测处理中考虑到了影响任务的功耗的因素，包括周期性和连续性，具体地，可以根据任务之间的相关性和出现概率确定负载的周期性和连续性，从而对负载变化进行预测，能够有效减少处理的时间。

优选地，在步骤S106中，对于一些网络应用的任务(例如，通过搜索引擎搜索网页等任务)，在确定该任务下次运行时的负载时，还需要进行以下处理：

(1)确定需要分析的时间段以及时间段中的多个时间周期的长度；

(2)选择时间段中任务最大的多个负载值，利用自相关函数根据多个负载值之间的时间间隔计算多个负载值的相关性，并由此确定任务下次运行时的负载。

具体地，对于负载均衡程序，由于需要处理大量的网络请求，因此这类任务的时间周期性较为明显，需要根据负载变化情况确定时间周期。下图来源于某机构提供的一份其位于纽约的内部邮件服务器负载报告，左图记录了负载情况，右图则记录了通过自相关函数得出的相似性分析，显然，周期性在时间间隔为一天时最为明显。为了快速得到周期的长度，可以通过各峰值间的时间间隔来估算。过程如下：

(1)确定需要分析的时间段，例如，将该时间段设置为过去一周，如图2所示，假设取一周的周二到下一周的周一，图2中具体示出了每天中4个负载值抽取的时间点以及每个时间点处的负载值；

(2)确定该时间段中时间周期的上限M，例如，可以将M设置为两天；

(3)在时间段中选择N个极限值，其中，N应该是时间长度的整数倍，例如，N可以为14(7×2)，也就是说，需要取14个最大值；

(4)取任意两个极限值的时间间隔m，根据以下离散自相关函数公式计算两个极限值的相关性：

$R\left(m\right)=\frac{1}{N}\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}{s}_1\left(n\right)s_2(n+m)0\≤m\≤M$

其中，s1和s2为这两个极限值(即，任务负载的极限值)，如果最后得到的R越大则周期性越强，N代表取样数量，其中，如果R的最大值大于阈值，则使用相应的m作为周期长度。如图3示出了第一次负载采样与其他负载采样的R值，根据该R值就能够对下次同一任务出现时的负载进行预测。

(5)根据周期长度预测负载变化。

当同一任务连续出现时，需要分析连续性因素，根据之前该任务运行时的负载变化趋势，预测当前任务产生的负载。例如，最近任务周期的负载为100，在最近五个任务周期，负载的最大相邻周期间波动为20，则当前周期开始的任务负载为120(100+20×100％)，据此计算任务的功耗和运行时间并为之分配资源。

通过上述处理，能够确定设备(例如，服务器)上针对某个任务的能效比，以统一尺度进行服务器能效评价，避免了能效评价对应用的局限性；根据得到的能效比，能够针对负载及服务器的具体运行情况，分析设备任务节点最优化的负载分布，通过与实际的功耗进行比较，能够客观、公正、真实地衡量各种规格、型号的服务器在能源利用效率方面的性能指标，以便于优化计算资源的配置，提高资源利用率，减少应用处理时间；并且使得能效评价应能适应应用的变化，能关注到系统的占地面积、维护成本、可靠性、可用性、好用性、总体拥有成本、可编程性、可移植性等各影响因素的层次关系。

装置实施例

在本实施例中，提供了一种设备能效的确定装置。

图4是根据本实施例的设备能效的确定装置的框图。如图4所示，根据本实施例的设备能效的确定装置包括：

归一化处理模块1，用于根据CPU的性能对任务负载进行归一化处理；

第一确定模块2，连接至归一化处理模块1，用于根据归一化处理结果确定正在运行的任务的当前负载；

第二确定模块3，连接至第一确定模块2，用于根据任务之前运行时的负载以及当前负载确定任务下次运行时的负载，并结合任务的功率消耗确定设备的能效比。

其中，归一化处理模块1用于根据以下公式对任务负载进行归一化处理：

S＝∑a Scpu/(∑a×T)，其中，S为归一化后的任务负载，a为CPU的相对性能值(该值会受到CPU的处理频率、内核数量额的影响)，T为任务的执行时间，Scpu为CPU的负载，其中，Scpu＝∑CPU使用率×t，其中，t为时间片长度，且T＝∑t。

并且，第二确定模块3用于根据以下公式确定同一任务下次运行时的负载：Snext＝(k×Sold+Snow)/(k+1)，其中，Snext为任务下次运行时的负载，Sold为任务之前运行时的负载，Snow为任务的当前负载，k为任务之前运行与本次运行的相关性系数。

对于一些网络任务，第二确定模块3还用于确定需要分析的时间段以及时间段中的多个时间周期的长度，并选择时间段中任务最大的多个负载值，利用自相关函数根据多个负载值之间的时间间隔计算多个负载值的相关性，并由此确定任务下次运行时的负载。

其具体过程可以参照方法实施例中结合图2和图3所描述的处理，这里不再重复。

针对负载及服务器的具体运行情况，分析其最优化的负载分布，根据前面提到的功耗分析技术得出优化后的耗电情况，通过与实际的功耗进行比较，能够客观、公正、真实地衡量各种规格、型号的服务器在能源利用效率方面的性能指标。

通过上述装置，能够确定设备(例如，服务器)上针对某个任务的能效比，以统一尺度进行服务器能效评价，避免了能效评价对应用的局限性；根据得到的能效比，能够针对负载及服务器的具体运行情况，分析设备任务节点最优化的负载分布，通过与实际的功耗进行比较，能够客观、公正、真实地衡量各种规格、型号的服务器在能源利用效率方面的性能指标，以便于优化计算资源的配置，提高资源利用率，减少应用处理时间。

综上所述，借助于本发明的上述技术方案，通过确定设备(例如，服务器)上针对某个任务的能效比，以统一尺度进行服务器能效评价，避免了能效评价对应用的局限性；根据得到的能效比，能够针对负载及服务器的具体运行情况，分析设备任务节点最优化的负载分布，通过与实际的功耗进行比较，能够客观、公正、真实地衡量各种规格、型号的服务器在能源利用效率方面的性能指标，以便于优化计算资源的配置，提高资源利用率，减少应用处理时间；并且使得能效评价应能适应应用的变化，能关注到系统的占地面积、维护成本、可靠性、可用性、好用性、总体拥有成本、可编程性、可移植性等各影响因素的层次关系。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

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。

Claims (8)

1.一种设备能效的确定方法，其特征在于，包括：

根据CPU的性能对任务负载进行归一化处理；

根据归一化处理结果确定正在运行的任务的当前负载；

根据所述任务之前运行时的负载以及所述当前负载确定所述任务下次运行时的负载，并结合所述任务的功率消耗确定所述设备的能效比。

2.根据权利要求1所述的方法，其特征在于，根据以下公式对任务负载进行归一化处理：

S＝∑a Scpu/(∑a×T)，其中，S为归一化后的任务负载，a为CPU的相对性能值，T为任务的执行时间，Scpu为CPU的负载，其中，Scpu＝∑CPU使用率×t，其中，t为时间片长度，且T＝∑t。

3.根据权利要求1所述的方法，其特征在于，根据以下公式确定所述任务下次运行时的负载：

Snext＝(k×Sold+Snow)/(k+1)，其中，Snext为所述任务下次运行时的负载，Sold为所述任务之前运行时的负载，Snow为所述任务的当前负载，k为所述任务之前运行与本次运行的相关性系数。

4.根据权利要求1所述的方法，其特征在于，根据所述任务之前运行时的负载以及所述当前负载确定所述任务下次运行时的负载的处理进一步包括：

确定需要分析的时间段以及所述时间段中的多个时间周期的长度；

选择所述时间段中所述任务最大的多个负载值，利用自相关函数根据所述多个负载值之间的时间间隔计算所述多个负载值的相关性，并由此确定所述任务下次运行时的负载。

5.一种设备能效的确定装置，其特征在于，包括：

归一化处理模块，用于根据CPU的性能对任务负载进行归一化处理；

第一确定模块，用于根据归一化处理结果确定正在运行的任务的当前负载；

第二确定模块，用于根据所述任务之前运行时的负载以及所述当前负载确定所述任务下次运行时的负载，并结合所述任务的功率消耗确定所述设备的能效比。

6.根据权利要求5所述的装置，其特征在于，所述归一化处理模块用于根据以下公式对任务负载进行归一化处理：

S＝∑a Scpu/(∑a×T)，其中，S为归一化后的任务负载，a为CPU的相对性能值，T为任务的执行时间，Scpu为CPU的负载，其中，Scpu＝∑CPU使用率×t，其中，t为时间片长度，且T＝∑t。

7.根据权利要求5所述的装置，其特征在于，所述第二确定模块用于根据以下公式确定所述任务下次运行时的负载：

Snext＝(k×Sold+Snow)/(k+1)，其中，Snext为所述任务下次运行时的负载，Sold为所述任务之前运行时的负载，Snow为所述任务的当前负载，k为所述任务之前运行与本次运行的相关性系数。

8.根据权利要求5所述的装置，其特征在于，所述第二确定模块还用于确定需要分析的时间段以及所述时间段中的多个时间周期的长度，并选择所述时间段中所述任务最大的多个负载值，利用自相关函数根据所述多个负载值之间的时间间隔计算所述多个负载值的相关性，并由此确定所述任务下次运行时的负载。

Images