CN104035868B - 对角加边模型分解协调计算的数据中心求解方法 - Google Patents

Abstract

本发明公开了一种对角加边模型分解协调计算的数据中心求解方法，在求解过程中，首先用已有的网络分块法对电力网络进行分块和设定虚拟机参数，建立能效优先的装箱模型，将对角加边模型分解协调算法计算流程中的每一个步骤设定为一个任务，通过服务器承载虚拟机，虚拟机承载任务的映射方式，用数据中心对对角加边模型分解协调算法进行求解，最后得到整个计算过程的时间和数据中心的能耗。本发明能够缩短对角加边模型分解协调算法的计算时间和降低数据中心能耗，并且，随着电力节点网络计算规模和复杂度的增加，采用数据中心计算的优势就越明显。

Description

对角加边模型分解协调计算的数据中心求解方法

技术领域

本发明涉及一种电力系统对角加边模型分解协调计算。特别是涉及一种对角加边模型分解协调计算的数据中心求解方法。

背景技术

随着超大规模区域互联电网的发展，电力系统中的潮流计算，节点电压计算，暂态计算，无功优化计算等对计算机的速度提出了更高的要求，当运算规模达到一定程度时，其计算时间变得越来越长，甚至有时很难用现有的计算方法对其求解。对角加边模型广泛应用于电力系统的各个方面，在对角加边模型的求解算法中，最常见的求解算法为分解协调并行算法，目前分解协调并行算法主要考虑单机并行或者简单调度的多机并行，效果较差，运算时间较长。

云计算数据中心是一种新型的互联网计算模式，随着虚拟化的提出，VM(VirtualMachine)迁移和加强技术为电力系统中复杂的计算提供了思路，数据中心拥有较多的物理机，可以将一个实际的电力系统复杂计算分解成多个小的任务，将任务映射到虚拟机，再将虚拟机放置于服务器中计算，通过这样的计算方式，复杂运算的运算时间将大大缩短。

在数据中心并行计算时，与计算加速比同等重要的是能耗问题。这是因为随着大数据、云计算的广泛应用，数据中心能耗变得惊人可观：2011年，世界数据中心的耗电量已达到6358亿度(中国为568亿度)；2012年耗电量增加到7202亿度(中国为664亿度)。因此，只有能量有效计算模型和映射方法才能被业界认同，并移植到数据中心中应用。虽然已有部分学者对数据中心节能问题进行研究，但多针对通用模型，还没有针对电力系统广泛应用的对角加边模型分解协调并行计算的数据中心映射研究。

发明内容

本发明所要解决的技术问题是，提供一种在求解过程中，建立能效优先的装箱模型，缩短电力系统对角加边模型分解协调计算时间和降低数据中心能耗的对角加边模型分解协调计算的数据中心求解方法。

本发明所采用的技术方案是：一种对角加边模型分解协调计算的数据中心求解方法，包括如下步骤：

1)通过已有的网络分块法将电力网络进行划分得到电力网络的分块；

2)将电力系统对角加边模型分解协调算法的计算流程中的每一个计算步骤设定为一个任务，确定整个计算过程的任务数；

3)获得数据中心服务器的MIPS大小和内存大小，设定虚拟机的个数以及虚拟机中CPU的MIPS大小和内存大小；

4)计算数据中心的IT设备总能耗E_total：

$E_{total}=\underset{i=1}{\overset{N}{\Σ}}{E}_{server}+\underset{j=1}{\overset{T}{\Σ}}{E}_{switch}---\left(1\right)$

式中，E_server为数据中心单台服务器的能耗，E_switch为数据中心单个交换机的能耗，N为数据中心服务器的使用台数，T为数据中心交换机的使用个数，其中，

单台服务器的能耗模型为：

$E_{server}=P_{baseline}{t}_{max}^{se}+P_{VM}\underset{k=1}{\overset{M}{\Σ}}{t}_k---\left(2\right)$

式中：P_baseline表示服务器的空载运行时的功耗，表示服务器的持续运行时间，P_VM表示服务器中一个虚拟机的功耗，t_k表示服务器中一个虚拟机的运行时间，M表示服务器上虚拟机的数量；

单个交换机的能耗模型为：

$E_{switch}=P_{switch}{t}_{max}^{sw}---\left(3\right)$

式中：P_switch表示交换机运行功耗，t^sw _max表示交换机运行时间；

5)将服务器的能耗模型归结为装箱模型，并给出服务器的最小能耗模型：

虚拟机的集合为： 和分别表示单个虚拟机的MIPS大小和内存大小，单台服务器的容量为 和分别表示单台服务器的MIPS大小和内存大小，数据中心服务器的总能耗模型如下：

$min\underset{i=1}{\Σ}{E}_{server}{H}_i---\left(4\right)$

对数据中心服务器的总能耗模型的约束如下：

$\underset{j=1}{\overset{M}{\Σ}}{R}_j^{MIPS}\·X_{j,i}\≤C_i^{MIPS},\∀i\∈\{1,2,3...\}---\left(5\right)$

$\underset{j=1}{\overset{M}{\Σ}}{R}_j^{MEM}\·X_{j,i}\≤C_i^{MEM},\∀i\∈\{1,2,3...\}---\left(6\right)$

X_j,i＝0 or 1 (7)

H_i＝0 or 1 (8)

式中，X_j,i＝1表示虚拟机j放置于服务器i中，X_j,i＝0表示虚拟机j未放置于服务器i中；H_i＝1表示服务器i被使用，H_i＝0表示服务器i未被使用；

6)采用最佳适应算法或降序最佳适应算法对数据中心服务器的总能耗模型求解；

7)将步骤3)中所设定的虚拟机装入数据中心的服务器中；

8)将步骤2)中的每一个任务对应装入数据中心服务器中的一个虚拟机里。

步骤7)中是根据步骤5)中所述的对数据中心服务器的总能耗模型的约束进行的装箱的。

步骤8)中所述的将每一个任务对应装入数据中心服务器中的一个虚拟机里，是采用无差别顺序放置方法或者是采用如下所述的绑定方法进行：

(1)根据对角加边模型的分块情况以及任务的指令长度，将计算协调量后的执行过程中每一个块的计算步骤所代表的任务进行绑定，从而实现不同块的并行计算，节省计算时间；

(2)对于计算协调量前的各任务，将有输入输出关系的任务组放置在相邻虚拟机中，减少交互数据量，降低通信开销。

本发明的对角加边模型分解协调计算的数据中心求解方法，能够将广泛应用于电力系统的对角加边模型分解协调算法通过数据中心中进行求解，与传统的在单机多进程和多机简单调度的计算模式相比，本发明能够缩短分解协调算法的计算时间和降低数据中心能耗，并且，随着电力节点网络计算规模和复杂度的增加，采用数据中心计算的优势就越明显。

附图说明

图1是对角加边模型分解协调计算的数据中心求解方法具体流程图；

图2是对角加边模型分解协调算法与数据中心映射过程图；

图3是对角加边模型分解协调算法的工作流图。

具体实施方式

下面结合实施例和附图对本发明的对角加边模型分解协调计算的数据中心求解方法做出详细说明。

本发明的对角加边模型分解协调计算的数据中心求解方法，包括如下步骤：

1)通过已有的网络分块法将电力网络进行划分得到电力网络的分块；

可以采用节点撕裂法，或支路切割法，或统一的网络分块法对电力网络进行分块。

2)将电力系统对角加边模型分解协调算法的计算流程中的每一个计算步骤设定为一个任务，确定整个计算过程的任务数；

3)根据对角加边模型分解协调算法的分块以及数据中心服务器的MIPS大小和内存大小，设定虚拟机的个数以及虚拟机中CPU的MIPS大小和内存大小，例如，在计算IEEE118节点图时，设定服务器的MIPS为2580，内存为512MB，设定虚拟机MIPS大小在[700,900]产生，虚拟内存为128MB；

4)计算数据中心的IT设备总能耗E_total：

$E_{total}=\underset{i=1}{\overset{N}{\Σ}}{E}_{server}+\underset{j=1}{\overset{T}{\Σ}}{E}_{switch}---\left(1\right)$

式中，E_server为数据中心单台服务器的能耗，E_switch为数据中心单个交换机的能耗，N为数据中心服务器的使用台数，T为数据中心交换机的使用个数，其中，

单台服务器的能耗模型为：

$E_{server}=P_{baseline}{t}_{max}^{se}+P_{VM}\underset{k=1}{\overset{M}{\Σ}}{t}_k---\left(2\right)$

式中：P_baseline表示服务器的空载运行时的功耗，t^se _max表示服务器的持续运行时间，P_VM表示服务器中一个虚拟机的功耗，t_k表示服务器中一个虚拟机的运行时间，M表示服务器上虚拟机的数量；

单个交换机的能耗模型为：

$E_{switch}=P_{switch}{t}_{max}^{sw}---\left(3\right)$

式中：P_switch表示交换机运行功耗，t^sw _max表示交换机运行时间；

5)由于数据中心服务器能耗占据IT设备总能耗的80％左右，根据分层序列法我们可以先求得服务器的能耗后，再计算交换机的能耗，最后得到数据中心的IT设备总能耗，因此可以使服务器的能耗降为最小，并将服务器的能耗模型归结为装箱模型，达到降低总能耗的目的。将服务器的能耗模型归结为装箱模型，并给出服务器的最小能耗模型：

虚拟机的集合为： 和分别表示单个虚拟机的MIPS大小和内存大小，单台服务器的容量为 和分别表示单台服务器的MIPS大小和内存大小，数据中心服务器的总能耗模型如下：

$min\underset{i=1}{\Σ}{E}_{server}{H}_i---\left(4\right)$

对数据中心服务器的总能耗模型的约束如下：

$\underset{j=1}{\overset{M}{\Σ}}{R}_j^{MIPS}\·X_{j,i}\≤C_i^{MIPS},\∀i\∈\{1,2,3...\}---\left(5\right)$

$\underset{j=1}{\overset{M}{\Σ}}{R}_j^{MEM}\·X_{j,i}\≤C_i^{MEM},\∀i\∈\{1,2,3...\}---\left(6\right)$

X_j,i＝0 or 1 (7)

H_i＝0 or 1 (8)

式中，X_j,i＝1表示虚拟机j放置于服务器i中，X_j,i＝0表示虚拟机j未放置于服务器i中；H_i＝1表示服务器i被使用，H_i＝0表示服务器i未被使用；

6)采用最佳适应算法或降序最佳适应算法对数据中心服务器的总能耗模型求解，其中：

最佳适应算法：最佳适应算法是按顺序依次将物品放入箱子，首先将第一个物品放入第一个箱子中，接着考虑第二个物品，如果第一个箱子能够放下第二个物品，就将第二个物品放入第一个箱子，如果不能放下，就重新开启一个箱子，依次按顺序，当第i个物品放入时，将其放在所有能够容纳该物品并且放入之后剩余空间最小的箱子中，当所有的箱子都不满足要求时，重新开启一个箱子。

降序最佳适应算法：在进行装箱之前，先将物品按其大小进行降序排序，接着将第一个物品放入第一个箱子，然后考虑第二个物品，如果第一个箱子能放下第二个物品，就将第二个物品放入第一个箱子，如果不能放下，就重新开启一个箱子，依次按顺序，当第i个物品放入时，将其放在所有能够容纳该物品并且放入之后剩余空间最小的箱子中，当所有的箱子都不满足要求时，重新开启一个箱子；

7)将步骤3)中设定好的虚拟机装入数据中心的服务器中，具体是根据步骤5)中所述的对数据中心服务器的总能耗模型的约束进行的装箱的；

8)将步骤2)中的每一个任务对应装入数据中心服务器中的一个虚拟机里，任务映射到数据中心服务器，如图2所示，所述的将每一个任务装入一个虚拟机里是采用无差别顺序放置方法或者是采用如下所述的绑定放置方法进行：

(1)如图3所示，根据对角加边模型的分块情况以及任务的指令长度，将计算协调量(X_t)后的执行过程中每一个块的计算步骤所代表的任务(3-乘法运算、2-加法运算和4-乘法运算)进行绑定，从而实现不同块的并行计算，节省计算时间；

(2)对于计算协调量(X_t)前的各任务，将有输入输出关系的任务组放置在相邻虚拟机中，减少交互数据量，降低通信开销；

具体可根据对角加边模型的分解协调算法的计算流程得到其工作流图，工作流图如图3所示，图中矩形是一个任务，表示一个计算步骤，椭圆是数据，指向任务的为该任务的输入数据，任务指出的箭头表示该任务计算输出结果，由于每个数据都连接某个任务的出箭头和另一个任务的入箭头，因此也就是这两个任务间的通信数据。

以IEEE118节点系统为例，将系统分成3个子区域，3个子区域的节点数分别为35、35、48，虚拟边界网络的节点数为7。得到运行时间和数据中心IT设备的总能耗：

(1)计算环境：数据中心为Fat-tree结构，包含54台服务器，45台6口的交换机。每台服务器配置为CPU：Pentium4(2.8GHz)，内存：512Mb，基线功耗：145w，加载虚拟机运算功耗：10w，交换机选用华为S3552F-EA三层交换机，运行功率：54w。交换机端口速率在[0,8]Mb之间波动；

(2)根据电力系统节点网络的分块计算出每一步的指令长度和通信间的数据量大小，指令长度的计算公式为：指令长度＝操作码的长度+操作数地址×操作数地址个数，计算的数据为浮点型，从而得到表一。

表一IEEE118节点系统数据

所述的数据中心IT设备的总能耗是根据步骤4)中给出的总能耗计算公式得到的。

虚拟机放入服务器采用了最佳适应算法和降序最佳适应算法，任务放入虚拟机采用了顺序放置和绑定放置，因此组合产生四种算法，即无差别顺序放置-最佳适应算法，无差别顺序放置-降序最佳适应算法，绑定放置-最佳适应算法，绑定放置-降序最佳适应算法。采用本发明中所述的4种不同算法计算得到的计算时间和能耗。

表二IEEE118节点数据中心运算结果

Claims (3)

1.一种对角加边模型分解协调计算的数据中心求解方法，其特征在于，包括如下步骤：

1)通过已有的网络分块法将电力网络进行划分得到电力网络的分块；

2)将电力系统对角加边模型分解协调算法的计算流程中的每一个计算步骤设定为一个任务，确定整个计算过程的任务数；

3)获得数据中心服务器的MIPS大小和内存大小，设定虚拟机的个数以及虚拟机中CPU的MIPS大小和内存大小；

4)计算数据中心的IT设备总能耗E_total：

$E_{total}=\underset{i=1}{\overset{N}{\Σ}}{E}_{server}+\underset{j=1}{\overset{T}{\Σ}}{E}_{switch}---\left(1\right)$

式中，E_server为数据中心单台服务器的能耗，E_switch为数据中心单个交换机的能耗，N为数据中心服务器的使用台数，T为数据中心交换机的使用个数，其中，

单台服务器的能耗模型为：

$E_{server}=P_{baseline}{t}_{max}^{se}+P_{VM}\underset{k=1}{\overset{M}{\Σ}}{t}_k---\left(2\right)$

式中：P_baseline表示服务器的空载运行时的功耗，t^se _max表示服务器的持续运行时间，P_VM表示服务器中一个虚拟机的功耗，t_k表示服务器中一个虚拟机的运行时间，M表示服务器上虚拟机的数量；

单个交换机的能耗模型为：

$E_{switch}=P_{switch}{t}_{max}^{sw}---\left(3\right)$

式中：P_switch表示交换机运行功耗，t^sw _max表示交换机运行时间；

5)将服务器的能耗模型归结为装箱模型，并给出服务器的最小能耗模型：

虚拟机的集合为： 和分别表示单个虚拟机的MIPS大小和内存大小，单台服务器的容量为 和分别表示单台服务器的MIPS大小和内存大小，数据中心服务器的总能耗模型如下：

$min\underset{i=1}{\Σ}{E}_{server}{H}_i---\left(4\right)$

对数据中心服务器的总能耗模型的约束如下：

$\underset{j=1}{\overset{M}{\Σ}}{R}_j^{MIPS}\·X_{j,i}\≤C_i^{MIPS},\∀i\∈\{1,2,\mathrm{3...}\}---\left(5\right)$

$\underset{j=1}{\overset{M}{\Σ}}{R}_j^{MEM}\·X_{j,i}\≤C_i^{MEM},\∀i\∈\{1,2,\mathrm{3...}\}---\left(6\right)$

X_j,i＝0 or 1 (7)

H_i＝0 or 1 (8)

式中，X_j,i＝1表示虚拟机j放置于服务器i中，X_j,i＝0表示虚拟机j未放置于服务器i中；H_i＝1表示服务器i被使用，H_i＝0表示服务器i未被使用；

6)采用最佳适应算法或降序最佳适应算法对数据中心服务器的总能耗模型求解；

7)将步骤3)中所设定的虚拟机装入数据中心的服务器中；

8)将步骤2)中的每一个任务对应装入数据中心服务器中的一个虚拟机里。

2.根据权利要求1所述的对角加边模型分解协调计算的数据中心求解方法，其特征在于，步骤7)中是根据步骤5)中所述的对数据中心服务器的总能耗模型的约束进行的装箱的。

3.根据权利要求1所述的对角加边模型分解协调计算的数据中心求解方法，其特征在于，步骤8)中所述的将每一个任务对应装入数据中心服务器中的一个虚拟机里，是采用无差别顺序放置方法或者是采用如下所述的绑定方法进行：

(1)根据对角加边模型的分块情况以及任务的指令长度，将计算协调量后的执行过程中每一个块的计算步骤所代表的任务进行绑定，从而实现不同块的并行计算，节省计算时间；

(2)对于计算协调量前的各任务，将有输入输出关系的任务组放置在相邻虚拟机中，减少交互数据量，降低通信开销。