CN102096460A

CN102096460A - 在数据中心动态分配功率的方法和设备

Info

Publication number: CN102096460A
Application number: CN2010106042141A
Authority: CN
Inventors: C·李; H·H·高; R·简
Original assignee: Intel Corp
Current assignee: Intel Corp
Priority date: 2009-12-14
Filing date: 2010-12-14
Publication date: 2011-06-15
Anticipated expiration: 2030-12-14
Also published as: US20110144818A1; JP2011123873A; CN102096460B; JP5207193B2; US8478451B2; EP2360552A2; US8914157B2; US20130283068A1; EP2360552A3

Abstract

一般来说，本发明的实施例涉及计算机系统的功率管理领域，更具体来说，涉及用于为服务器机架中的服务器动态分配功率的方法和设备。该方法包括：测量具有一个或多个服务器的计算机系统的功率消耗；估计这一个或多个服务器中的每个服务器的功率需求的概率分布，该估计基于所测量的功率消耗；经由所估计的概率分布估计性能损失；计算这一个或多个服务器中的每个服务器的功率封顶极限，该计算基于所估计的概率分布和性能损失；以及通过修改这一个或多个服务器中的每个服务器的之前的功率封顶极限来为这一个或多个服务器中的每个服务器动态分配功率封顶极限。

Description

在数据中心动态分配功率的方法和设备

技术领域

一般来说，本发明的实施例涉及计算机系统的功率管理领域，更具体来说，涉及用于为服务器机架中的服务器动态分配功率封顶极限(capping limit)的方法和设备。

背景技术

服务器机架是为特定功率消耗包络而设计的，包络取决于多种因素，例如服务器机架中的服务器的数量、服务器机架中的服务器的类型(例如，具有低功率CPU或高功率CPU的服务器)、放置服务器机架的房间的冷却系统、服务器机架中服务器的供电配电网络等。诸如服务器机架的计算机系统中的服务器执行多个应用，并且可具有多种多样的工作负荷。多种多样的工作负荷意味着，在给定时间，在相同机架中，由于不同工作负荷需要不同的处理器使用率，所以计算机系统中的一个服务器可能消耗与另一个服务器不同量的功率。服务器中的充分使用的处理器意味着没有浪费处理器的任何处理循环。

但是，由于服务器机架的总功率容量对服务器设置了功率极限，所以可能不能充分使用服务器。由服务器机架中的功率限制引起的这些未充分使用的服务器可表现出性能损失。性能损失定义为在没有任何功率消耗极限的情况下允许处理器处理时出现的处理器使用率。对服务器设置的功率极限还可源自由服务器本身对该服务器设置的内部功率极限。例如，服务器中的功率控制器单元可将服务器功率容量设置为基于处理器可靠性和寿命基准的保守极限。如果处理器(或容纳处理器的服务器)倾向于消耗超过保守极限的功率(一般经由处理器之中、之上或周围的热传感器进行监视)，则处理器进行节流(throttle)。节流意味着，减小处理器工作频率和/或电源电平以降低所消耗的功率以及由处理器生成的热量。

一种增加服务器的计算能力、同时减小服务器机架中的服务器的性能损失的方法是向服务器机架提供更好的温度冷却设施以及提升由每个服务器的功率控制器单元设置的功率极限。但是，这种减小性能损失的方法没有基于各个服务器的工作负荷考虑它们的功率消耗。这种方法还需要诸如更好的温度冷却设施的物理基础设施改变以及服务器机架内的服务器中的配电网络的重新设计。此外，确定服务器机架中的各个服务器的功率预算的探索性方法利用特定的功率指定方法，这些方法没有鉴于服务器的性能损失考虑服务器的可预见到的功率需求。

发明内容

本发明涉及一种方法，包括：

测量具有一个或多个服务器的计算机系统的功率消耗；

估计所述一个或多个服务器中的每个服务器的功率需求的概率分布，所述估计基于所述测量的功率消耗；

经由所述估计的概率分布估计性能损失；

计算所述一个或多个服务器中的每个服务器的功率封顶极限，所述计算基于所述估计的概率分布和所述性能损失；以及

通过修改所述一个或多个服务器中的每个服务器的之前的功率封顶极限来为所述一个或多个服务器中的每个服务器动态地分配功率封顶极限。

本发明涉及一种其上存储有计算机可执行指令的计算机可读存储介质，所述指令在执行时使计算机执行一种方法，所述方法包括：

测量具有一个或多个服务器的计算机系统的功率消耗；

经由所述估计的概率分布估计性能损失；

为所述一个或多个服务器中的每个服务器动态地分配所述功率封顶极限。

本发明涉及一种设备，包括：

具有一个或多个服务器的服务器机架；

经由网络接口与所述服务器机架耦合的处理器，所述处理器具有用于执行包括以下步骤的方法的逻辑：

测量所述服务器机架的功率消耗；

经由所述估计的概率分布估计性能损失；

为所述服务器机架的所述一个或多个服务器中的每个服务器动态分配所述功率封顶极限。

附图说明

根据以下给出的详细描述以及本发明的各种实施例的附图，将能更全面地了解本发明的实施例，但是，这些附图不应视为是将本发明局限于特定实施例，而是它们只是为了说明和理解的目的。

图1是根据本发明一个实施例通过计算功率需求的概率分布来计算功率封顶极限的流程图。

图2A是示出在对服务器机架中的服务器运用从动态分配器动态分配的功率封顶极限之前服务器的功率需求的方框图。

图2B是示出根据本发明一个实施例在对服务器机架中的服务器运用从动态分配器动态分配的功率封顶极限之后服务器的功率需求的方框图。

图3是示出根据本发明一个实施例经由动态功率分配器的性能损失的相对减小的表格。

图4示出根据本发明一个实施例具有与动态功率分配器耦合的服务器机架的设备。

图5示出根据本发明一个实施例用于为服务器动态分配功率封顶极限的设备。

具体实施方式

本发明的实施例涉及用于为服务器机架中的服务器动态分配功率封顶极限的方法和设备。在一个实施例中，按有规律的间隔监视服务器机架中的每个服务器的实际功率消耗，并基于计算服务器机架中的每个服务器的功率需求的概率分布和所估计的性能损失来估计功率需求。在一个实施例中，迭代地估计服务器机架中的每个服务器的新的功率封顶极限，并将新的功率封顶极限动态地分配给服务器以实现服务器性能损失的减小。

本说明书中提到“实施例”、“一个实施例”、“一些实施例”或“其它实施例”时表示，结合这些实施例描述的特定特征、结构或特性包含在至少一些实施例中，但不一定包含在所有实施例中。各个地方出现“实施例”、“一个实施例”或“一些实施例”时不一定都指相同的实施例。如果本说明书陈述“可能(may/might)”或“可(could)”包含某个组件、特征、结构或特性，则不是必需包含该特定组件、特征、结构或特性。如果本说明书或权利要求书提到“一或一个(a/an)”要素，则这不表示只有一个这样的要素。如果本说明书或权利要求书提到“另外”要素，则这不排除有多于一个这样的另外要素。

图1示出根据本发明一个实施例通过计算计算机系统中的服务器的功率需求的概率分布来计算功率封顶极限的流程图100。在方框101，确定计算机系统的总功率极限。在一个实施例中，计算机系统是服务器机架，在该机架中贮存有一个或多个服务器。在一个实施例中，计算机系统的总功率极限基于对于特定配电网络的计算机系统的总功率容量和该计算机系统的温度冷却系统。

在方框102，测量计算机系统的功率消耗。在一个实施例中，经由每个服务器中的功率控制器执行测量。在一个实施例中，功率控制器基于在给定电源电压电平提供给服务器中的处理器(或多个处理器)的电流量来提供服务器的当前功率消耗。在一个实施例中，功率控制器还将新的功率封顶极限传送给服务器中的处理器(或多个处理器)。在一个实施例中，服务器上的功率控制器直接从服务器的电源部件读取功率消耗，然后，如果越过功率消耗和/或温度阈值，则利用反馈控制回路对CPU进行节流。在该实施例中，功率控制器不需要知道CPU的功率消耗便可监视和控制服务器的功率消耗。

在一个实施例中，将所测量的计算机系统中的每个服务器的功率消耗和所确定的计算机系统的功率极限提供给动态功率分配器。在一个实施例中，动态功率分配器位于远程位置，并且配置成基于计算每个服务器的功率需求的概率分布和所估计的性能损失来计算每个服务器的功率封顶极限。

在方框103，估计所有服务器(一个或多个)的功率需求的概率分布。概率分布将计算机系统中的每个服务器在每个时间步长t的功率需求的行为建模。在一个实施例中，时间步长t可由用户或另一个计算机器来配置。在一个实施例中，时间步长t为30秒。在一个实施例中，服务器的功率需求是在没有功率封顶的情况下维持服务器工作负荷的功率消耗。

本文论述的数学表达式是出于说明的目的。本发明的实施例不限于这些数学表达式。

在方框104，估计计算机系统中的每个服务器的性能损失。性能损失定义为在没有任何功率封顶极限的情况下允许处理器处理时出现的处理器使用率。在一个实施例中，配置成在功率封顶极限之下操作的服务器的性能损失同功率需求与功率封顶极限之间的差距正相关。服务器的功率封顶极限是服务器的功率消耗的上限，服务器处理器在功率封顶极限附近或者在功率封顶极限进行节流。在一个实施例中，对服务器(包括服务器中的CPU)进行节流的瞬间是服务器的功率封顶极限。

在一个实施例中，计算机系统中的所有服务器在时间步长t时的功率需求的概率分布表示为：

P (D_{i}^{(t)} = d_{i}^{(t)})

其中

表示时间步长t时的功率需求的随机变量，

表示功率需求的随机变量的值，并且‘i’在计算机系统中的服务器的1到n数量范围内。

在一个实施例中，经由关于概率分布

预期每个服务器的功率需求与功率封顶极限

之间的差距(差)来计算计算机系统中的每个服务器的性能损失。在一个实施例中，每个服务器的功率需求

与功率封顶极限

之间的差距表示为：

对于

d_{i}^{(t)} > c_{i}^{(t)}, D_{i}^{(t)} - c_{i}^{(t)} (i = 1, . . ., n)

在一个实施例中，利用需求二元(demand bigram)模型和功率封顶模型来将计算机系统中的服务器的性能损失建模。在一个实施例中，需求二元模型可以表示为

为了不使本发明的实施例晦涩难懂，假设，服务器在当前时间步长t时的功率需求与前一时间步长t-1时的功率需求高度相关。各个时间步长的这种高度相关性导致一阶Markov链。在其它实施例中，服务器在当前时间步长t时的功率需求取决于除了前一时间步长t-1时的功率需求以外的更多信息。例如，在一个实施例中，更多信息包括之前几个时间步长的功率需求值以预测下一个时间步长中的功率需求是否有增加。在该实施例中，需要更高阶的Markov链以估计服务器的性能损失。

在一个实施例中，如果当前时间步长功率需求

的值接近前一时间步长功率需求

则需求二元模型在估计服务器的性能损失(稍后论述)时指定较高概率(即，高于平均值)。在一个实施例中，如果当前时间步长功率需求

的值与前一时间步长功率需求

不相近，则需求二元模型在估计服务器的性能损失(稍后论述)时指定较低概率(即，低于平均值)。在一个实施例中，功率需求的概率分布表示为具有平均值

的高斯分布。

在一个实施例中，如果服务器的功率需求低于服务器的功率封顶极限，则服务器的所得功率消耗的值将接近功率需求的值。在一个实施例中，如果服务器的功率需求高于服务器的功率封顶极限，则服务器的所得功率消耗接近服务器的功率封顶极限的值。

基于以上两个实施例，可通过以下概率模型来表示服务器的功率消耗的概率分布：

P (ρ_{i}^{(t)} | d_{i}^{(t)}, c_{i}^{(t)})

在一个实施例中，利用功率封顶模型来估计服务器的性能损失。功率封顶模型的实例可在数学上表示为：

如果

d < c - δ, P (ρ | d, c) = \{\begin{matrix} 1, & ρ = d \\ 0, & ρ &NotEqual; d \end{matrix}

如果

如果

其中d是服务器的功率需求，c是服务器的功率封顶极限，ρ是服务器功率需求的概率分布，δ是用于表征服务器的功率封顶极限的可能波动的小数(如0.1)，β是具有用于表征服务器的功率消耗封顶故障的可能影响的小值(如0.1)的平滑参数，并且C_max是c的最大允许值。以上表达式说明，如果服务器的功率需求远小于服务器的功率封顶极限，则服务器的功率消耗将等于服务器的功率需求，并且如果服务器的功率需求接近或大于服务器的功率封顶极限，则服务器的功率消耗将围绕服务器的功率封顶极限波动。

在一个实施例中，运用贝叶斯定理来估计/计算服务器的功率需求的概率分布和/或估计服务器的性能损失。在一个实施例中，贝叶斯定理利用需求二元模型和功率封顶模型以及服务器在每个时间步长的功率消耗历史来计算服务器的功率需求的概率分布。

在一个实施例中，考虑到服务器的性能损失，利用迭代方法来估计服务器的功率需求的概率分布。在一个实施例中，这种迭代方法可在数学上表示为：

h_{i}^{(t)} = (ρ_{i}^{(t - 1)}, c_{i}^{(t - 1)}, h_{i}^{(t - 1)})

\hat{P} (d_{i}^{(t - 1)} | h_{i}^{(t)}) = \hat{P} (d_{i}^{(t - 1)} | ρ_{i}^{(t - 1)}, c_{i}^{(t - 1)}, h_{i}^{(t - 1)}) = \frac{P (ρ_{i}^{(t - 1)} | d_{i}^{(t - 1)}, c_{i}^{(t - 1)}) \hat{P} (d_{i}^{(t - 1)} | h_{i}^{(t - 1)})}{\underset{d}{Σ} P (ρ_{i}^{(t - 1)} | d, c_{i}^{(t - 1)}) \hat{P} (d | h_{i}^{(t - 1)})}

\hat{P} (d_{i}^{(t)} | h_{i}^{(t)}) = \underset{d_{i}^{(t - 1)}}{Σ} P (d_{i}^{(t)} | d_{i}^{(t - 1)}) \hat{P} (d_{i}^{(t - 1)} | ρ_{i}^{(t - 1)}, c_{i}^{(t - 1)}, h_{i}^{(t - 1)})

= \underset{d_{i}^{(t - 1)}}{Σ} P (d_{i}^{(t)} | d_{i}^{(t - 1)}) \frac{P (ρ_{i}^{(t - 1)} | d_{i}^{(t - 1)}, c_{i}^{(t - 1)}) \hat{P} (d_{i}^{(t - 1)} | h_{i}^{(t - 1)})}{\underset{d}{Σ} P (ρ_{i}^{(t - 1)} | d, c_{i}^{(t - 1)}) \hat{P} (d | h_{i}^{(t - 1)})}

其中

表示经由服务器的之前测量的功率消耗服务器的前一封顶极限以及之前历史递归计算的服务器i在时间步长t的当前历史，其中

是通过确定/计算服务器的功率需求的概率分布和之前的服务器历史(即，根据贝叶斯定理估计的服务器的功率需求)而在前一时间步长(t-1)期间计算的功率需求估计，并且其中

是估计的服务器的功率需求，它接着用于经由稍后论述的爬山法对服务器的功率封顶极限求解。在一个实施例中，服务器的之前的功率消耗

表示当服务器的处理器执行节流时服务器的功率消耗。在一个实施例中，当容纳处理器的服务器的功率需求超过功率封顶极限时，处理器进行节流。

返回参考图1，在方框105，为诸如服务器机架的计算机系统的每个服务器计算功率封顶极限。在一个实施例中，通过基于所估计/计算的功率需求的概率分布对优化模型求解来计算功率封顶极限。在一个实施例中，优化模型在数学上表示为：

ΔL {oss}_{i}^{(t)} (c_{i}^{(t)}) = {Loss}_{i}^{(t)} (c_{i}^{(t)}) - {Loss}_{i}^{(t)} (c_{i}^{(t)} + 1) = Σ_{d_{i}^{(t)} = c_{i}^{(t)} + 1}^{c_{i, \max}} P (D_{i}^{(t)} = d_{i}^{(t)})

其中

表示服务器i在时间t时的性能损失。

在一个实施例中，在处理器上实现爬山法以对优化模型求解。一旦达到关于这些约束的最优解，爬山法便停止对优化模型求解。在一个实施例中，约束包括树层级形式的一组服务器。在一个实施例中，树层级包括具有多排机架和用于贮存这些机架的房间的数据中心。在一个实施例中，爬山法的时间复杂性为大O(n log(n))。在一个实施例中，利用以下伪代码来实现爬山法以在处理器上执行：

初始化

循环

对于每个服务器i，如果增大

不会违反任何约束，则I←I∪{i}

如果

则返回

i^{*} &LeftArrow; \underset{i}{\arg \min} Σ_{d_{i}^{(t)} = c_{i}^{(t)} + 1}^{c_{i, \max}} \hat{P} (d_{i}^{(t)} | h_{i}^{(t)})

c_{i^{*}}^{(t)} &LeftArrow; c_{i^{*}}^{(t)} + 1

结束循环

在方框106，将所计算的功率封顶极限动态地分配给计算机系统中的每个服务器。在一个实施例中，每个服务器的功率控制器(见图5)为计算机系统中的每个服务器动态地分配和/或实施新的功率封顶极限。在一个实施例中，动态分配给计算机系统中的每个服务器的功率封顶极限之和不大于在方框101处确定的计算机系统的总功率极限。

图2A是示出根据本发明一个实施例在对服务器机架中的服务器运用动态分配的功率封顶极限之前服务器的功率需求的方框图200。x轴表示服务器(1，...N)，而y轴表示以瓦特为单位的功率消耗。每个方框表示相对于服务器机架的功率极限的功率消耗。图2A中的这个功率极限用虚线示出，这个功率极限是总功率极限除以N。功率极限虚线下方的方框中的阴影区域是特定服务器的未用功率。未用功率区域表示给定工作负荷在时间t时未充分使用的服务器。这意味着，该服务器可承担比它的当前工作负荷更多的工作。服务器1、3和N都是未充分使用的服务器的实例。但是，服务器2是充分使用的，并且遭受性能损失。功率极限虚线以上的阴影区域表示性能损失，即，在没有功率封顶极限的情况下服务器执行应用所消耗的功率。

图2B是示出根据本发明一个实施例在对服务器机架中的服务器运用动态分配的功率封顶极限之后服务器的功率需求的方框图210。x轴表示服务器(1，...N)，而y轴表示以瓦特为单位的功率消耗。在这个实例中，执行参考图1论述的方法的动态功率分配器根据其功率需求为机架中的每个服务器动态地分配新的功率封顶极限。基于图2A中的服务器的功率需求，为服务器动态分配新的功率封顶极限，如图2B所示。通过为服务器2分配较高的功率封顶极限、同时降低服务器1、3和N的功率封顶极限，减小了服务器2的性能损失(在这个实例中，与图2A中的服务器2相比为0)。

图3是示出根据本发明一个实施例经由动态功率分配器的性能损失的相对减小的表格。在这个实例中，比较了两种功率管理系统。第一种系统是静态系统，其中为机架中的每个服务器提供固定的功率封顶极限，而与服务器的工作负荷无关。第二种功率管理系统是本文在各个实施例中描述的动态功率分配器。第一种系统用作动态功率分配器的基本参考。在这个实施例中，将多种多样的工作负荷集合提供给服务器机架(计算机系统)，并计算机架中的每个服务器的性能损失。

在这个实施例中，与基于静态功率分配器的第一种系统的性能损失相比，基于动态分配器的第二种系统的性能损失减小60.8％。利用动态分配器的相对较低的性能损失是因为，动态分配器能够基于每个服务器的多种多样的工作负荷有规律地为每个服务器计算和分配定制的功率封顶极限。

图4示出根据本发明一个实施例具有与动态功率分配器403耦合的服务器机架401的设备400。在一个实施例中，服务器机架401包括一个或多个服务器405_1-N。在一个实施例中，服务器机架具有基于电源404、温度冷却系统(未示出)和服务器405_1-N的数量的功率消耗极限。在一个实施例中，动态功率分配器403由处理器402执行。在一个实施例中，处理器402经由通信网络406与服务器机架403耦合。

在一个实施例中，如图1中的流程图所示，动态功率分配器403计算每个服务器405_1-N在每个时间步长的功率封顶极限。时间步长t可由用户或如407所示的机器(硬件和/或软件)配置。

图5示出根据本发明一个实施例用于为服务器501动态分配功率封顶极限的设备500。在一个实施例中，服务器501与处理器502耦合，处理器502具有用于执行图1中的动态功率分配流程图的指令和逻辑503。在一个实施例中，服务器501包括与功率控制器505和存储器506耦合的CPU 504。在一个实施例中，服务器的功率封顶极限由功率控制器505设置。在一个实施例中，功率控制器505向动态功率分配器503提供所测量的服务器501的功率消耗。在一个实施例中，一旦动态功率分配器503为服务器计算了新的功率封顶极限，它便将那些新的功率封顶极限传送给功率控制器501。然后，服务器501在动态分配的新功率封顶极限之下进行操作，由此提供减小的性能损失和更大的计算能力。

还提供作为用于存储计算机可执行指令的机器可读介质(又称为计算机可读介质)的实施例的要素(例如，图1中的动态功率分配器)。机器可读介质可包括但不限于闪速存储器、光盘、CD-ROM、DVD ROM、RAM、EPROM、EEPROM、磁或光卡、或适于存储电子或计算机可执行指令的其它类型的机器可读介质。例如，本发明的实施例可作为计算机程序(如BIOS)下载，该计算机程序可经由通信链路(例如，调制解调器或网络连接)通过数据信号从远程计算机(如服务器)传送到请求计算机(如客户端)。

尽管结合其具体实施例描述了本发明，但根据以上描述，本领域技术人员将明白修改和改变。

例如，在一个实施例中，在估计/计算功率需求的概率分布之后，可利用的空间中的穷举搜索来对优化模型求解以便为服务器机架中的服务器确定最优功率封顶极限。本发明的实施例意在涵盖落在随附权利要求的广泛范围内的所有这些备选、修改和改变。

Claims

1.一种方法，包括：

测量具有一个或多个服务器的计算机系统的功率消耗；

经由所述估计的概率分布估计性能损失；

2.如权利要求1所述的方法，还包括：

确定所述计算机系统的总功率极限，其中为所述一个或多个服务器中的每个服务器动态分配的功率封顶极限之和不大于所述总功率极限。

3.如权利要求1所述的方法，其中基于贝叶斯定理估计所述功率需求的概率分布。

4.如权利要求3所述的方法，其中基于所述贝叶斯定理估计所述性能损失。

5.如权利要求4所述的方法，其中所述贝叶斯定理基于需求二元模型和功率封顶模型。

6.如权利要求1所述的方法，其中所述估计的性能损失基于：

所述一个或多个服务器中的每个服务器的之前的功率需求；以及

当所述服务器中的任一服务器执行节流时所述一个或多个服务器中的每个服务器的功率消耗。

7.如权利要求6所述的方法，其中当所述一个或多个服务器中的任一服务器的功率需求超过预定功率电平阈值时执行所述节流。

8.如权利要求7所述的方法，其中所述预定功率电平阈值是可配置的。

9.如权利要求1所述的方法，其中计算所述功率封顶极限基于爬山法。

10.如权利要求1所述的方法，其中测量所述功率消耗由所述一个或多个服务器中的每个服务器的功率控制器来执行。

11.如权利要求1所述的方法，其中修改所述一个或多个服务器中的每个服务器的之前的功率封顶极限经由所述服务器的功率控制器单元来执行。

12.如权利要求1所述的方法，其中所述测量、所述概率分布和性能损失的所述估计、所述计算和所述动态分配在出现可配置时间步长时执行。

13.一种其上存储有计算机可执行指令的计算机可读存储介质，所述指令在执行时使计算机执行一种方法，所述方法包括：

测量具有一个或多个服务器的计算机系统的功率消耗；

经由所述估计的概率分布估计性能损失；

14.如权利要求13所述的计算机可读存储介质，其上还存储有其它计算机可执行指令，所述其它指令在执行时使所述计算机执行另一种方法，所述方法包括：

15.如权利要求13所述的计算机可读存储介质，其中基于贝叶斯定理估计所述功率需求的概率分布。

16.如权利要求15所述的计算机可读存储介质，其中基于所述贝叶斯定理估计所述性能损失。

17.如权利要求16所述的计算机可读存储介质，其中所述贝叶斯定理基于需求二元模型和功率封顶模型。

18.如权利要求13所述的计算机可读存储介质，其中所述估计的性能损失基于：

19.如权利要求18所述的计算机可读存储介质，其中当所述一个或多个服务器中的任一服务器的功率需求超过预定功率电平阈值时执行所述节流。

20.如权利要求19所述的计算机可读存储介质，其中所述预定功率电平阈值是可配置的。

21.如权利要求13所述的计算机可读存储介质，其中计算所述功率封顶极限基于爬山法。

22.如权利要求13所述的计算机可读存储介质，其中测量所述功率消耗由所述一个或多个服务器中的每个服务器的功率控制器来执行。

23.如权利要求13所述的计算机可读存储介质，其中为所述一个或多个服务器中的每个服务器动态分配所述功率封顶极限包括：

经由所述服务器的功率控制器单元修改所述一个或多个服务器中的每个服务器的之前的功率封顶极限。

24.如权利要求13所述的计算机可读存储介质，其中所述测量、所述概率分布和性能损失的所述估计、所述计算和所述动态分配在出现可配置时间步长时执行。

25.一种设备，包括：

具有一个或多个服务器的服务器机架；

测量所述服务器机架的功率消耗；

经由所述估计的概率分布估计性能损失；

26.如权利要求25所述的设备，其中所述处理器的所述逻辑还执行包括以下步骤的方法：

27.如权利要求25所述的设备，其中基于贝叶斯定理估计所述功率需求的概率分布。

28.如权利要求27所述的设备，其中所述贝叶斯定理基于需求二元模型和功率封顶模型。

29.如权利要求25所述的设备，其中所述估计的性能损失基于：

当所述服务器中的任一服务器执行节流时所述一个或多个服务器中的每个服务器的功率消耗，其中当所述一个或多个服务器中的任一服务器的功率需求超过预定功率电平阈值时执行所述节流。

30.如权利要求25所述的设备，其中计算所述功率封顶极限基于爬山法，测量所述功率消耗由所述一个或多个服务器中的每个服务器的功率控制器来执行，并且为所述一个或多个服务器中的每个服务器动态分配所述功率封顶极限包括经由所述服务器的功率控制器单元修改所述一个或多个服务器中的每个服务器的之前的功率封顶极限。