CN104158754A - 基于热负载均衡的数据中心自适应性耗能管理方法 - Google Patents

Abstract

本发明公开一种基于热负载均衡的数据中心自适应性耗能管理方法，在每个采样时间内，采用以下步骤进行耗能管理：1)使用RLS模型估算服务器的功耗；2)在约束条件下对费用函数进行优化求解，得出最优的U_p(k)；3)从U_p(k)中选出第一组输入U(k|k)作为真实的控制量U(k)；4)计算需要的活跃服务器个数m_j；5)平均分配任务到每个机架。本发明方法，能够动态地分配服务器任务，使数据中心中服务器和冷却系统的总功率消耗降低。

Description

基于热负载均衡的数据中心自适应性耗能管理方法

技术领域

本发明涉及网络数据中心的耗能管理，更具体的说，涉及一种基于热负载均衡的数据中心自适应性耗能管理方法。

背景技术

最近几年，随着云计算的蓬勃发展。网络数据中心，作为其基础设施，承载着大量的计算、存储和应用等任务，需要消耗大量的能量来运行和冷却设备。随着云计算服务发展的越来越迅速，数据中心中的能耗越来越大。

数据中心中的服务器，作为处理和存储用户任务请求的所在，需要使用大量的能量，并散发大量能量。而由于电子设备的工作温度限制，需要使用冷却设备对数据中心中服务器产生的大量热能进行冷却。

当前，学术界和工业界对于数据中心中能量消耗的问题越来越感兴趣。不过，当前学术界的研究主要专注于

1、提高服务器的耗能效率，包括使用虚拟化技术，动态电压、频率切换等。

2、解决制冷系统中能量效率问题，主要是计算机房间空调系统(Computer Room AirConditioner，CRAC)制冷效率的提高。

3、其它提高方式。如通过动态负载来达到降温和计算功率的平衡；通过对IT设备、功率及降温设施的整合管理等。

然而，对于如何分配任务给服务器，使得服务器和冷却系统的总功率消耗降低，这个问题，却并没有涉及。

发明内容

针对上述现有技术中存在的技术问题，本发明提供一种基于热负载均衡的数据中心自适应性耗能管理方法，来动态地分配服务器任务，使数据中心中服务器和冷却系统的总功率消耗降低。考虑到问题可扩展性、实时性和应用性，对数据中心中的制冷系统和服务器模型进行了相应的设计和约束，并设计了一种任务分配算法，能够实时地将任务分配给各服务器。

为达到上述目的，本发明所采用的技术方案如下：

一种基于热负载均衡的数据中心自适应性耗能管理方法，在每个采样时间内，采用以下步骤进行耗能管理：

1)使用RLS模型估算服务器的功耗；

2)在约束条件下对费用函数进行优化求解，得出最优的U_p(k)；

3)从U_p(k)中选出第一组输入U(k|k)作为真实的控制量U(k)；

4)计算需要的活跃服务器个数m_j；

5)平均分配任务到每个机架。

所述步骤1)的方法是：

a)首先建立热量模型、功率消耗模型以及任务模型；

b)对数据中心功率控制，对所述功率消耗模型做处理能力、负载、功率输入、总功率的限制；

c)基于RLS的热量模型评估。

所述步骤a)中，热量模型的建立方法是：

根据热力学定理，机架j出口的空气温度与机架j输入空气温度，机架j功率消耗的关系为：

根据热力学定理，机架j输入空气温度，同机架j输出空气温度及CRACh输出空气温度的关系为：

同理，根据热力学定理，CRACh出口的空气温度，输入空气温度与CRACh功率消耗，机架j出口的空气温度间关系为：

功率消耗模型的建立方法是：

对于功率消耗模型，由于服务器的功率消耗主要依赖于服务器的两个参数，CPU使用率和频率，假定在每个服务器CPU频率一定的情况下，服务器的功率消耗则主要同CPU使用率相关，同时，假定可以采用开-关服务器以节省服务器能耗的策略，则机架j上功率消耗还和机架j上保持开状态的服务器个数相关，因此，可以对其功率建模为：

任务模型的建立方法是：

考虑Web服务器架构产生的数据请求，前段Web服务器从客户端接收用户请求后，将这些请求分配到不同机架的服务器上进行处理，其中，总请求数为：

$L=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\λ}}_{\text{j}}$

根据排队论，对任务请求的平均处理延时为：

$D_j^a=\frac{1}{m_j{\mathrm{\μ}}_j-{\mathrm{\λ}}_j},$

考虑到实时性，需要对任务的平均处理延迟进行限制，即其最大值在一定范围内：

$D_j^a\≤D_j.$

所述步骤b)对功率消耗模型做处理能力、负载、功率输入、总功率的限制的方法是：

对于一般的连续系统而言，其状态空间模型为：

$\stackrel{\·}{X}=\mathrm{AX}+\mathrm{BU},$

Y＝WX，

其中 $X=[T_{\mathrm{out}}^1,...,T_{\mathrm{out}}^M,T_{\mathrm{out}}^1,...,T_{\mathrm{out}}^F{]}^T,Y=[T_{\mathrm{in}}^1,...,T_{\mathrm{in}}^M{]}^T,$ U＝[P₁,...,P_M,P,...,P_F]^T，对离散系统而言，其状态模型为：

X(k)＝ΦX(k-1)+GU(k-1)，

Y(k)＝WX(k)，

其中，是系统的第k个采样周期，该离散系统的模型参数为在该离散系统中，涉及对处理能力、负载、功率输入、总功率限制如下；

(1)处理能力限制

根据任务模型中对服务延迟的限制，将公式变形为：

$\begin{array}{c}{\mathrm{\λ}}_j\≤{\mathrm{\μ}}_j(m_j-\frac{1}{{\mathrm{\μ}}_j{D}_j}),\\ \≤{\mathrm{\μ}}_j(M_j-\frac{1}{{\mathrm{\μ}}_j{D}_j})\end{array}$

将其变换为矩阵形式，为

其中，

Ψ₁＝(I_M×M  O_M×F)，

(2)负载限制

能够被服务器服务的负载量为：

其中，P_A是对应于每个请求的平均功率；

(3)功率输入限制

首先，每个机架的服务器和CRAC的输入功率都是非负的，同时CRAC的输入功率必须是整数级的，可以对其限制为：

U≥O_(M+F)×1，

P_j≤P_max，P_j∈Z⁺

P_max是CRAC功率输入的最大允许值,将其变为矩阵形式为：

Ψ₃U≤[P_max]_F×1，

其中，

Ψ₃＝(O_F×M  I_F×F)；

(4)总功率限制

机架服务器和CRAC的总功率需求为：

将其变换为矩阵形式为：

Ψ₄U≤P_d，

其中，Ψ₄＝[1，…，1]_1×(M+F).，P_d是总功率需求的上界。

所述步骤c)基于RLS的热量模型评估的方法是：使用计算流体力学CFD分析方法，将功率消耗建模为多输入多输出线性模型：

$\stackrel{\‾}{A}\left(q^{-1}\right)X\left(k\right)=\stackrel{\‾}{B}\left(q^{-1}\right)U\left(k\right),$

其中，

$\begin{array}{c}\stackrel{\‾}{A}\left(q^{-1}\right)=I-{\mathrm{Aq}}^{-1},\\ \stackrel{\‾}{B}\left(q^{-1}\right)={\mathrm{Bq}}^{-1},\end{array}$

基于RLS模型，对系统模型进行重写，将其形式变为：

X(k+1)＝A(k)φ(k)

其中，

φ(k)＝[U^T(k)，X^T(k)]^T，

X(k)＝[B，A]，

使用RLS模型，主要用于计算系统矩阵A和B，由于使用的RLS模型，依赖于时间变量，考虑其根据时间的迭代过程为：

$E(k+1)=X(k+1)-\hat{X}\left(k\right)\mathrm{\φ}\left(k\right),$ $\hat{X}(k+1)=\hat{X}\left(k\right)+\frac{E(k+1){\left(\mathrm{\φ}\right)}^T\left(k\right)P(k-1)}{\stackrel{\‾}{\mathrm{\λ}}+{\left(\mathrm{\φ}\right)}^T\left(k\right)P(k-1)\mathrm{\φ}\left(k\right)},$

$\begin{array}{c}{P}^{-1}\left(k\right)=P^{-1}(k-1)+(1+(\stackrel{\‾}{\mathrm{\λ}}-1)\\ \frac{{\left(\mathrm{\φ}\right)}^{T}P(k-1)\mathrm{\φ}\left(k\right)}{[{\left(\mathrm{\φ}\right)}^T\left(k\right)\mathrm{\φ}\left(k\right){]}^2})\mathrm{\φ}\left(k\right){\left(\mathrm{\φ}\right)}^T\left(k\right)\end{array},$

其中表示模型的估计量，E(k+1)表示估测误差向量，P(k)为协方差矩阵，为遗忘因子， $0<\stackrel{\&OverBar;}{\mathrm{\&lambda;}}<1.$

所述步骤2)的方法是：使用模型预测控制MPC控制方法进行控制，MPC控制器通过计算控制输入U(k)来最小化下列费用函数：

$\begin{array}{c}J\left(k\right)=\underset{s=1}{\overset{P_Y}{\mathrm{\&Sigma;}}}\left|\right|Y(k+s|k)-Y_T(k+s|k){\left|\right|}_{Q\left(s\right)}^2\\ +\underset{s=0}{\overset{P_U-1}{\mathrm{\&Sigma;}}}\left|\right|U(k+s|k){\left|\right|}_{R\left(s\right)}^2\end{array},$

其中，P_Y和P_U是状态和输入的预测长度范围，X(k+s|k)是之后第s个采样间隔的状态预测，和U(k+s|k)都是类似的，Q(s)和R(s)是用来对时间误差和输入功率的补偿矩阵，其中||x||_Q(s)＝x^TQ(s)x，该费用函数主要为最小化温度追踪误差和功率需求，即：使功率需求较小的同时，使得不同时间间隔间的温度变化较小，因此，需要在每一个时间间隔中，对该费用函数求解最小值，并满足相应约束条件如下：

${\stackrel{\&OverBar;}{\mathrm{\&Psi;}}}_{2}U=[{\mathrm{LP}}_A{]}_{P_U\&times;1},$

$U_p\left(k\right)\&GreaterEqual;O_{P_U(M+F)\&times;1},$ ${\stackrel{\&OverBar;}{\mathrm{\&Psi;}}}_3{U}_p\left(k\right)\&le;[P_{\max }{]}_{P_{U}F\&times;1},$

${\stackrel{\&OverBar;}{\mathrm{\&Psi;}}}_4{U}_p\left(k\right)\&le;[P_d{]}_{P_U\&times;1}\text{,}$

P_j∈Z⁺，

其中：

${\stackrel{\&OverBar;}{\mathrm{\&Psi;}}}_1=\mathrm{diag}\left[{\mathrm{\&Psi;}}_1\right],{\stackrel{\&OverBar;}{\mathrm{\&Psi;}}}_2=\mathrm{diag}\left[{\mathrm{\&Psi;}}_2\right],{\stackrel{\&OverBar;}{\mathrm{\&Psi;}}}_3=\mathrm{diag}\left[{\mathrm{\&Psi;}}_3\right],{\stackrel{\&OverBar;}{\mathrm{\&Psi;}}}_4=\mathrm{diag}[{\mathrm{\&Psi;}}_4{]}^{-},$

Q＝diag[Q(s)]，R＝dian[R(s)]。

所述步骤4)的方法是：在满足处理能力约束的情况下，应尽可能地减少保持开状态的处理器，因此，设定每次保持开状态的处理器个数为：

并满足限制：

所述步骤5)的方法是：假定每个任务的分配，在各个服务器上是均一的，因此，每个机架上分到的任务数为：

并满足约束： $\underset{i=1}{\overset{m_j}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_{\mathrm{ij}}={\mathrm{\&lambda;}}_j.$

本发明方法，对于数据中心中服务器和CRAC系统的耗能进行优化管理，在提供数据中心中服务器和CRAC温度较小变动、满足任务处理约束等各项约束的同时，降低总能耗。其有益效果如下：

1.当使服务器室温度保持在某一定值附近时，温度变化较已有方法平稳；

2.能够有效地对热负载做负载均衡，使得热负载的负载峰值降低；

3.在服务器室设定温度变化时，我们能够降低总能耗。在具体实施例中，我们能够达到在提高5摄氏度时，总功率消耗能够降低5％以上，CRAC能够降低15％以上的功率消耗。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1是本发明方法的系统模型图；

图2是本发明实施例中周围温度同时间的关系；

图3是本发明实施例中峰值功率开-关服务器方法同MPC方法对比；

图4是本发明实施例中功率减少同设定温度升高的关系。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

本发明基于热负载均衡的数据中心自适应性耗能管理方法，其基本结构如图1所示，其中，CRAC和服务器主要在数据中心的服务器室中。

在该结构中，在一个时间周期内，对服务器室中采集的温度、功率，进行热量模型评估，综合到达负载，进行自适应性控制，自适应性控制的输出为对服务器室中各服务器中任务负载量以及CRAC的温度调节控制。并在下一个时间周期，对服务器室的温度和功率数据进行采集，进行下一轮迭代。

本发明方法通过使用建模的方式进行分析。

参数表如下：

在本方法中，主要涉及三种模型的建立，热量模型，功率消耗模型以及任务模型。

1.热量模型

在数据中心中，服务器都储存在一个个机柜中，对于数据中心的制冷系统而言，制冷系统产生的冷空气进入服务器机柜，吸收热量后，从机柜的空气出口端排出。然后，这被加热后的空气，进入CRAC系统，循环利用。

根据热力学定理，机架j出口的空气温度与机架j输入空气温度，机架j功率消耗的关系为：

根据热力学定理，机架j输入空气温度，同机架j输出空气温度及CRACh输出空气温度的关系为：

同理，根据热力学定理，CRACh出口的空气温度，输入空气温度与CRACh功率消耗，机架j出口的空气温度间关系为：

2.功率消耗模型

对于功率消耗模型，由于服务器的功率消耗主要依赖于服务器的两个参数，CPU使用率和频率。假定在每个服务器CPU频率一定的情况下，服务器的功率消耗则主要同CPU使用率相关，同时，假定可以采用开-关服务器以节省服务器能耗的策略，则机架j上功率消耗还和机架j上保持开状态的服务器个数相关。因此，可以对其功率建模为：

3.任务模型

在我们的模型中，主要考虑Web服务器架构产生的数据请求。前段Web服务器从客户端接收用户请求后，将这些请求分配到不同机架的服务器上进行处理。其中，总请求数为：

$L=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_{\text{j}},$

根据排队论，对任务请求的平均处理延时为：

$D_j^a=\frac{1}{m_j{\mathrm{\&mu;}}_j-{\mathrm{\&lambda;}}_j},$

在模型中，考虑到实时性，需要对任务的平均处理延迟进行限制，即其最大值在一定范围内：

$D_j^a\&le;D_j.$

通过对模型的建构，建立任务请求分配的自适应性耗能控制方法。主要有以下几个步骤

1.对数据中心功率控制

首先，对于数据中心功率模型做相应限制。

对于一般的连续系统而言，其状态空间模型为

$\stackrel{\&CenterDot;}{X}=\mathrm{AX}+\mathrm{BU},$

Y＝WX，

其中 $X=[T_{\mathrm{out}}^1,...,T_{\mathrm{out}}^M,T_{\mathrm{out}}^1,...,T_{\mathrm{out}}^F{]}^T,Y=[T_{\mathrm{in}}^1,...,T_{\mathrm{in}}^M{]}^T,$ U＝[P₁,...,P_M,P,...,P_F]^T。

考虑该方法中涉及的系统为离散系统，其状态模型为：

X(k)＝ΦX(k-1)+GU(k-1)，

Y(k)＝WX(k)，

其中，是系统的第k个采样周期。该离散系统的模型参数为 $\mathrm{\&Phi;}=e^{{\mathrm{AT}}_s},G={\&Integral;}_0^{T_s}{e}^{\mathrm{At}}\mathrm{Bdt},$

在该离散系统中，需要涉及对处理能力、负载、功率输入、总功率限制。

1)处理能力限制

根据任务模型中对服务延迟的限制，将公式变形为：

$\begin{array}{c}{\mathrm{\&lambda;}}_j\&le;{\mathrm{\&mu;}}_j(m_j-\frac{1}{{\mathrm{\&mu;}}_j{D}_j}),\\ \&le;{\mathrm{\&mu;}}_j(M_j-\frac{1}{{\mathrm{\&mu;}}_j{D}_j}),\end{array}$

将其变换为矩阵形式，为：

其中，

Ψ₁＝(I_M×M  O_M×F)，

2)负载限制

能够被服务器服务的负载量为

其中，P_A是对应于每个请求的平均功率。

3)功率输入限制

首先，每个机架的服务器和CRAC的输入功率都是非负的，同时CRAC的输入功率必须是整数级的，可以对其限制为：

U≥O_(M+F)×1，

P_j≤P_max，P_j∈Z⁺，

P_max是CRAC功率输入的最大允许值。

将其变为矩阵形式为：

Ψ₃U≤[P_max]_F×1，

其中，

Ψ₃＝(O_F×M  I_F×F)。

4)总功率限制

机架服务器和CRAC的总功率需求为：

将其变换为矩阵形式为：

Ψ₄U≤P_d，

其中，

Ψ₄＝[1，…，1]_1×(M+F)，P_d是总功率需求的上界。

2.基于最小二乘回归(Recursive Least Square，RLS)的热量模型评估

在该方法中，使用计算流体力学(Computational fluid dynamics,CFD)分析方法。将功率消耗建模为多输入多输出线性模型：

$\stackrel{\&OverBar;}{A}\left(q^{-1}\right)X\left(k\right)=\stackrel{\&OverBar;}{B}\left(q^{-1}\right)U\left(k\right),$

其中，

$\begin{array}{c}\stackrel{\&OverBar;}{A}\left(q^{-1}\right)=I-{\mathrm{Aq}}^{-1},\\ \stackrel{\&OverBar;}{B}\left(q^{-1}\right)={\mathrm{Bq}}^{-1},\end{array}$

基于RLS模型，对系统模型进行重写，将其形式变为：

X(k+1)＝A(k)φ(k)

其中，

φ(k)＝[U^T(k)，X^T(k)]^T，

X(k)＝[B，A]，

使用RLS模型，主要用于计算系统矩阵A和B。由于使用的RLS模型，依赖于时间变量，考虑其根据时间的迭代过程为：

$E(k+1)=X(k+1)-\hat{X}\left(k\right)\mathrm{\&phi;}\left(k\right),$

$\hat{X}(k+1)=\hat{X}\left(k\right)+\frac{E(k+1){\left(\mathrm{\&phi;}\right)}^T\left(k\right)P(k-1)}{\stackrel{\&OverBar;}{\mathrm{\&lambda;}}+{\left(\mathrm{\&phi;}\right)}^T\left(k\right)P(k-1)\mathrm{\&phi;}\left(k\right)},$ $\begin{array}{c}{P}^{-1}\left(k\right)=P^{-1}(k-1)+(1+(\stackrel{\&OverBar;}{\mathrm{\&lambda;}}-1)\\ \frac{{\left(\mathrm{\&phi;}\right)}^{T}P(k-1)\mathrm{\&phi;}\left(k\right)}{[{\left(\mathrm{\&phi;}\right)}^T\left(k\right)\mathrm{\&phi;}\left(k\right){]}^2})\mathrm{\&phi;}\left(k\right){\left(\mathrm{\&phi;}\right)}^T\left(k\right)\end{array},$

其中表示模型的估计量，E(k+1)表示估测误差向量，P(k)为协方差矩阵，为遗忘因子， $0<\stackrel{\&OverBar;}{\mathrm{\&lambda;}}<1.$

3.自适应性耗能最优设计

使用模型预测控制(Model Predictive Control，MPC)控制方法进行控制，MPC控制器通过计算控制输入来最小化下列费用函数：

$\begin{array}{c}J\left(k\right)=\underset{s=1}{\overset{P_Y}{\mathrm{\&Sigma;}}}\left|\right|Y(k+s|k)-Y_T(k+s|k){\left|\right|}_{Q\left(s\right)}^2\\ +\underset{s=0}{\overset{P_U-1}{\mathrm{\&Sigma;}}}\left|\right|U(k+s|k){\left|\right|}_{R\left(s\right)}^2\end{array},$

其中，P_Y和P_U是状态和输入的预测长度范围。X(k+s|k)是之后第s个采样间隔的状态预测，和U(k+s|k)都是类似的。Q(s)和R(s)是用来对时间误差和输入功率的补偿矩阵。其中||x||_Q(s)＝x^TQ(s)x。

该费用函数主要为最小化温度追踪误差和功率需求。即使功率需求较小的同时，使得不同时间间隔间的温度变化较小。

因此，该自适应方法中，需要在每一个时间间隔中，对该费用函数求解最小值，并满足相应约束条件。约束条件整理如下：

${\stackrel{\&OverBar;}{\mathrm{\&Psi;}}}_{2}U=[{\mathrm{LP}}_A{]}_{P_U\&times;1},$

$U_p\left(k\right)\&GreaterEqual;O_{P_U(M+F)\&times;1},$

${\stackrel{\&OverBar;}{\mathrm{\&Psi;}}}_3{U}_p\left(k\right)\&le;[P_{\max }{]}_{P_{U}F\&times;1},$

${\stackrel{\&OverBar;}{\mathrm{\&Psi;}}}_4{U}_p\left(k\right)\&le;[P_d{]}_{P_U\&times;1}\text{,}$

P_j∈Z⁺，

其中

${\stackrel{\&OverBar;}{\mathrm{\&Psi;}}}_1=\mathrm{diag}\left[{\mathrm{\&Psi;}}_1\right],{\stackrel{\&OverBar;}{\mathrm{\&Psi;}}}_2=\mathrm{diag}\left[{\mathrm{\&Psi;}}_2\right],{\stackrel{\&OverBar;}{\mathrm{\&Psi;}}}_3=\mathrm{diag}\left[{\mathrm{\&Psi;}}_3\right],{\stackrel{\&OverBar;}{\mathrm{\&Psi;}}}_4=\mathrm{diag}[{\mathrm{\&Psi;}}_4{]}^{-},$

Q＝diag[Q(s)]，R＝diag[R(s)]。

4.服务器开-关控制

在能够处理任务请求的情况下，服务器开的数量越少，总耗能变越少，因此，在满足处理能力约束的情况下，应尽可能地减少保持开状态的处理器。因此，设定每次保持开状态的处理器个数为：

并满足限制

5.在每个机架上，任务的平均分配

在该方法中，假定每个任务的分配，在各个服务器上是均一的，因此，每个机架上分到的任务数为：

并满足约束：

$\underset{i=1}{\overset{m_j}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_{\mathrm{ij}}={\mathrm{\&lambda;}}_j.$

本发明相关矩阵定义如下：

$A=\left(\begin{array}{cc}{A}_{11}& A_{12}\\ A_{21}& A_{22}\end{array}\right),$

$Y^{\&prime;}\left(k\right)=\left(\begin{array}{c}Y(k+1|k)\\ Y(k+2|k)\\ .\\ .\\ .\\ Y(k+P_Y|k)\end{array}\right),\stackrel{\&OverBar;}{X}\left(k\right)=\left(\begin{array}{c}\mathrm{\&Phi;X}\left(k\right)\\ {\mathrm{\&Phi;}}^{2}X\left(k\right)\\ .\\ .\\ .\\ {\mathrm{\&Phi;}}^{P_Y}X\left(k\right)\end{array}\right),$

W′＝diag(W W…W)，

$U_p\left(k\right)=\left(\begin{array}{c}U\left(k\right|k)\\ U(k+1|k)\\ .\\ .\\ .\\ U(k+P_U-1|k)\end{array}\right).$

下面结合具体实施例对本发明做进一步详细的描述。

在该实施例中，设置了3个机架和3个CRAC，任务的产生率为每秒其中，rand表示一个0到1之间的随机数。任务处理时间延迟上限设置为10ms，每个服务器的处理速度设置为2请求/秒，每个服务器在休眠状态(开-关状态中的关状态)和开状态的功率消耗分别为150W和285W。机架的其它设置请参照表2。

对于机架和CRAC的热动态参数设置为参照表1和表3，服务器间设定温度为25摄氏度。温度误差最大限定为±1摄氏度。

表1 本发明实施例中部分参数

节点

机架1

机架2

机架3

CRAC1

CRAC2

CRAC

机架1

g11＝0.01

g12＝0.02

g13＝0.06

H11＝0.80

H12＝0.07

H13＝0.04

机架2

g21＝0.03

g22＝0.01

g23＝0.05

H21＝0.04

H22＝0.85

H23＝0.02

机架3

g31＝0.04

g32＝0.04

g12＝0.01

H31＝0.04

H32＝0.03

H33＝0.84

CRAC1

H11＝0.85

H12＝0.07

H13＝0.03

G11＝0.01

G12＝0.01

G13＝0.04

CRAC2

H21＝0.04

H22＝0.88

H23＝0.02

G21＝0.01

G22＝0.01

G23＝0.04

CRAC3

H31＝0.07

H32＝0.02

H33＝0.81

G31＝0.05

G32＝0.04

G33＝0.01

表2 本发明实施例中每个机架的参数设置

表3 本发明实施例中部分参数设置

上述实施例中，同现有的开-关服务器进行降低功率峰值的方式进行对比，在图3中可以看到，MPC方法在峰值功率的降低上，比现有的开-关服务器方式能够获得更加稳定及更低的峰值功率。

在图2中可以看到，上述实施例中，各个机柜的温度都能够稳定在设定温度25摄氏度左右，并且每个时间间隔的变化幅度较平稳。

在实施例中，服务器机房的温度设定，从25摄氏度提高至30摄氏度，数据中心总功率消耗降低量如图4中所示。当温度设定达到30摄氏度时，总功率消耗能够降低5％以上，CRAC能够降低15％以上的功率消耗。

尽管本发明的内容已经通过上述实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (8)

1.一种基于热负载均衡的数据中心自适应性耗能管理方法，其特征在于，在每个采样时间内，采用以下步骤进行耗能管理：

1)使用RLS模型估算服务器的功耗；

2)在约束条件下对费用函数进行优化求解，得出最优的U_p(k)；

3)从U_p(k)中选出第一组输入U(k|k)作为真实的控制量U(k)；

4)计算需要的活跃服务器个数m_j；

5)平均分配任务到每个机架。

2.根据权利要求1所述的基于热负载均衡的数据中心自适应性耗能管理方法，其特征在于，所述步骤1)的方法是：

a)首先建立热量模型、功率消耗模型以及任务模型；

b)对数据中心功率控制，对所述功率消耗模型做处理能力、负载、功率输入、总功率的限制；

c)基于RLS的热量模型评估。

3.根据权利要求2所述的基于热负载均衡的数据中心自适应性耗能管理方法，其特征在于，所述步骤a)中，热量模型的建立方法是：

根据热力学定理，机架j出口的空气温度与机架j输入空气温度，机架j功率消耗的关系为：

根据热力学定理，机架j输入空气温度，同机架j输出空气温度及CRACh输出空气温度的关系为：

同理，根据热力学定理，CRACh出口的空气温度，输入空气温度与CRACh功率消耗，机架j出口的空气温度间关系为：

功率消耗模型的建立方法是：

对于功率消耗模型，由于服务器的功率消耗主要依赖于服务器的两个参数，CPU使用率和频率，假定在每个服务器CPU频率一定的情况下，服务器的功率消耗则主要同CPU使用率相关，同时，假定可以采用开-关服务器以节省服务器能耗的策略，则机架j上功率消耗还和机架j上保持开状态的服务器个数相关，因此，可以对其功率建模为：

任务模型的建立方法是：

考虑Web服务器架构产生的数据请求，前段Web服务器从客户端接收用户请求后，将这些请求分配到不同机架的服务器上进行处理，其中，总请求数为：

$L=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_{\text{j}}$

根据排队论，对任务请求的平均处理延时为：

$D_j^a=\frac{1}{m_j{\mathrm{\&mu;}}_j-{\mathrm{\&lambda;}}_j},$

考虑到实时性，需要对任务的平均处理延迟进行限制，即其最大值在一定范围内：

$D_j^a\&le;D_j.$

4.根据权利要求3所述的基于热负载均衡的数据中心自适应性耗能管理方法，其特征在于，所述步骤b)对功率消耗模型做处理能力、负载、功率输入、总功率的限制的方法是：

对于一般的连续系统而言，其状态空间模型为：

$\stackrel{\&CenterDot;}{X}=\mathrm{AX}+\mathrm{BU},$

Y＝WX，

其中 $X=[T_{\mathrm{out}}^1,...,T_{\mathrm{out}}^M,T_{\mathrm{out}}^1,...,T_{\mathrm{out}}^F{]}^T,Y=[T_{\mathrm{in}}^1,...,T_{\mathrm{in}}^M{]}^T,$ U＝[P₁，...，P_M，P，...，P_F]^T，

对离散系统而言，其状态模型为：

X(k)＝ΦX(k-1)+GU(k-1)，

Y(k)＝WX(k)，

其中，是系统的第k个采样周期，该离散系统的模型参数为在该离散系统中，涉及对处理能力、负载、功率输入、总功率限制如下；

(1)处理能力限制

根据任务模型中对服务延迟的限制，将公式变形为：

$\begin{array}{c}{\mathrm{\&lambda;}}_j\&le;{\mathrm{\&mu;}}_j(m_j-\frac{1}{{\mathrm{\&mu;}}_j{D}_j}),\\ \&le;{\mathrm{\&mu;}}_j(M_j-\frac{1}{{\mathrm{\&mu;}}_j{D}_j})\end{array}$

将其变换为矩阵形式，为：

其中，

Ψ₁＝(I_M×M  O_M×F)，

(2)负载限制

能够被服务器服务的负载量为：

其中，P_A是对应于每个请求的平均功率；

(3)功率输入限制

首先，每个机架的服务器和CRAC的输入功率都是非负的，同时CRAC的输入功

率必须是整数级的，可以对其限制为：

U≥O_(M+F)×1，

P_j≤P_max，P_j∈Z⁺

P_max是CRAC功率输入的最大允许值,将其变为矩阵形式为：

Ψ₃U≤[P_max]_F×1，

其中，

Ψ₃=(O_F×M  I_F×F)；

(4)总功率限制

机架服务器和CRAC的总功率需求为：

将其变换为矩阵形式为：

Ψ₄U≤P_d，

其中，Ψ₄＝[1，…，1]_1×(M+F)·，P_d是总功率需求的上界。

5.根据权利要求4所述的基于热负载均衡的数据中心自适应性耗能管理方法，其特征在于，所述步骤c)基于RLS的热量模型评估的方法是：使用计算流体力学CFD分析方法，将功率消耗建模为多输入多输出线性模型：

$\stackrel{\&OverBar;}{A}\left(q^{-1}\right)X\left(k\right)=\stackrel{\&OverBar;}{B}\left(q^{-1}\right)U\left(k\right),$

其中，

$\begin{array}{c}\stackrel{\&OverBar;}{A}\left(q^{-1}\right)=I-{\mathrm{Aq}}^{-1},\\ \stackrel{\&OverBar;}{B}\left(q^{-1}\right)={\mathrm{Bq}}^{-1},\end{array}$

基于RLS模型，对系统模型进行重写，将其形式变为：

X(k+1)＝A(k)φ(k)

其中，

φ(k)＝[U^T(k)，X^T(k)]^T，

X(k)＝[B，A]，

使用RLS模型，主要用于计算系统矩阵A和B，由于使用的RLS模型，依赖于时间变量，考虑其根据时间的迭代过程为：

$E(k+1)=X(k+1)-\hat{X}\left(k\right)\mathrm{\&phi;}\left(k\right),$

$\hat{X}(k+1)=\hat{X}\left(k\right)+\frac{E(k+1){\left(\mathrm{\&phi;}\right)}^T\left(k\right)P(k-1)}{\stackrel{\&OverBar;}{\mathrm{\&lambda;}}+{\left(\mathrm{\&phi;}\right)}^T\left(k\right)P(k-1)\mathrm{\&phi;}\left(k\right)},$

$\begin{array}{c}{P}^{-1}\left(k\right)=P^{-1}(k-1)+(1+(\stackrel{\&OverBar;}{\mathrm{\&lambda;}}-1)\\ \frac{{\left(\mathrm{\&phi;}\right)}^{T}P(k-1)\mathrm{\&phi;}\left(k\right)}{[{\left(\mathrm{\&phi;}\right)}^T\left(k\right)\mathrm{\&phi;}\left(k\right){]}^2})\mathrm{\&phi;}\left(k\right){\left(\mathrm{\&phi;}\right)}^T\left(k\right)\end{array},$

其中表示模型的估计量，E(k+1)表示估测误差向量，P(k)为协方差矩阵，为遗忘因子， $0<\stackrel{\&OverBar;}{\mathrm{\&lambda;}}<1.$

6.根据权利要求1所述的基于热负载均衡的数据中心自适应性耗能管理方法，其特征在于，所述步骤2)的方法是：使用模型预测控制MPC控制方法进行控制，MPC控制器通过计算控制输入U(k)来最小化下列费用函数：

$\begin{array}{c}J\left(k\right)=\underset{s=1}{\overset{P_Y}{\mathrm{\&Sigma;}}}\left|\right|Y(k+s|k)-Y_T(k+s|k){\left|\right|}_{Q\left(s\right)}^2\\ +\underset{s=0}{\overset{P_U-1}{\mathrm{\&Sigma;}}}\left|\right|U(k+s|k){\left|\right|}_{R\left(s\right)}^2\end{array},$

其中，P_Y和P_U是状态和输入的预测长度范围，X(k+s|k)是之后第s个采样间隔的状态预测，和U(k+s|k)都是类似的，Q(s)和R(s)是用来对时间误差和输入功率的补偿矩阵，其中||x||_Q(s)＝x^TQ(s)x，该费用函数主要为最小化温度追踪误差和功率需求，即：使功率需求较小的同时，使得不同时间间隔间的温度变化较小，因此，需要在每一个时间间隔中，对该费用函数求解最小值，并满足相应约束条件如下：

${\stackrel{\&OverBar;}{\mathrm{\&Psi;}}}_{2}U=[{\mathrm{LP}}_A{]}_{P_U\&times;1},$

$U_p\left(k\right)\&GreaterEqual;O_{P_U(M+F)\&times;1},$ ${\stackrel{\&OverBar;}{\mathrm{\&Psi;}}}_3{U}_p\left(k\right)\&le;[P_{\max }{]}_{P_{U}F\&times;1},$

${\stackrel{\&OverBar;}{\mathrm{\&Psi;}}}_4{U}_p\left(k\right)\&le;[P_d{]}_{P_U\&times;1}\text{,}$

P_j∈Z⁺，

其中：

${\stackrel{\&OverBar;}{\mathrm{\&Psi;}}}_1=\mathrm{diag}\left[{\mathrm{\&Psi;}}_1\right],{\stackrel{\&OverBar;}{\mathrm{\&Psi;}}}_2=\mathrm{diag}\left[{\mathrm{\&Psi;}}_2\right],{\stackrel{\&OverBar;}{\mathrm{\&Psi;}}}_3=\mathrm{diag}\left[{\mathrm{\&Psi;}}_3\right],{\stackrel{\&OverBar;}{\mathrm{\&Psi;}}}_4=\mathrm{diag}[{\mathrm{\&Psi;}}_4{]}^{-},$

Q＝diag[Q(s)]，R=diag[R(s)]。

7.根据权利要求1所述的基于热负载均衡的数据中心自适应性耗能管理方法，其特征在于，所述步骤4)的方法是：在满足处理能力约束的情况下，应尽可能地减少保持开状态的处理器，因此，设定每次保持开状态的处理器个数为：

并满足限制：

8.根据权利要求1所述的基于热负载均衡的数据中心自适应性耗能管理方法，其特征在于，所述步骤5)的方法是：假定每个任务的分配，在各个服务器上是均一的，因此，每个机架上分到的任务数为：

并满足约束： $\underset{i=1}{\overset{m_j}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_{\mathrm{ij}}={\mathrm{\&lambda;}}_j.$