CN104158754B - 基于热负载均衡的数据中心自适应性耗能管理方法 - Google Patents
基于热负载均衡的数据中心自适应性耗能管理方法 Download PDFInfo
- Publication number
- CN104158754B CN104158754B CN201410322951.0A CN201410322951A CN104158754B CN 104158754 B CN104158754 B CN 104158754B CN 201410322951 A CN201410322951 A CN 201410322951A CN 104158754 B CN104158754 B CN 104158754B
- Authority
- CN
- China
- Prior art keywords
- rack
- power
- model
- power consumption
- server
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 32
- 238000005265 energy consumption Methods 0.000 claims description 26
- 230000003044 adaptive effect Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 230000002093 peripheral effect Effects 0.000 claims 1
- 238000001816 cooling Methods 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 description 3
- 238000005057 refrigeration Methods 0.000 description 3
- 102100038367 Gremlin-1 Human genes 0.000 description 2
- 101001032872 Homo sapiens Gremlin-1 Proteins 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 208000016440 hereditary mixed polyposis syndrome 1 Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Air Conditioning Control Device (AREA)
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Up(k);3)从Up(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mj;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
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 RoomAir Conditioner,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Up(k);
3)从Up(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mj;
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:
根据排队论,对任务请求的平均处理延时为:
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:
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:
Y=WX,
其中U=[P1,...,PM,P,...,PF]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:
将其变换为矩阵形式,为
其中,
Ψ1=(IM×M OM×F),
(2)负载限制
能够被服务器服务的负载量为:
其中,PA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,
Pj≤Pmax,Pj∈Z+
Pmax是CRAC功率输入的最大允许值,将其变为矩阵形式为:
Ψ3U≤[Pmax]F×1,
其中,
Ψ3=(OF×M IF×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≤Pd,
其中,Ψ4=[1,…,1]1×(M+F).,Pd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:
其中,
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)=[UT(k),XT(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:
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,
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:
其中,PY和PU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)=xTQ(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:
Pj∈Z+,
其中:
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:
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:
根据排队论,对任务请求的平均处理延时为:
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:
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
Y=WX,
其中U=[P1,...,PM,P,...,PF]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
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:
将其变换为矩阵形式,为:
其中,
Ψ1=(IM×M OM×F),
2)负载限制
能够被服务器服务的负载量为
其中,PA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,
Pj≤Pmax,Pj∈Z+,
Pmax是CRAC功率输入的最大允许值。
将其变为矩阵形式为:
Ψ3U≤[Pmax]F×1,
其中,
Ψ3=(OF×M IF×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≤Pd,
其中,
Ψ4=[1,…,1]1×(M+F),Pd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:
其中,
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)=[UT(k),XT(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:
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,
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:
其中,PY和PU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)=xTQ(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:
Pj∈Z+,
其中
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:
本发明相关矩阵定义如下:
W′=diag(W W…W),
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 (7)
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Up(k),其中Up(k)是对真实控制量U(k)的p步预测函数;
3)从Up(k)中选出第一组输入U(k|k)作为真实的控制量U(k),其中,U(k|k)是对真实控制量U(k)的第一组预测值;
4)计算需要的活跃服务器个数mj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:Dj表示机架j处理延时限制,表示机架j的功率,μj表示机架j上服务处理速度,b0,b1表示功率消耗模型中适应性参数;
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:
其中,分别表示机架j的空气温度,机架j的周边温度,1/Kj表示机架j温度的时间常数,Cj表示机架j功率消耗同空气温度变化的系数,表示机架j的功率,
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CRAC h输出空气温度的关系为:
其中,分别表示对于一个机架j,其周边的机架l及CRAC h的输出空气温度同周边温度系数,表示机架j的周边温度,和表示机架j或CRAC h周边的输出空气温度,Hj,h
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:
其中Gh,g和Hh,j分别表示对于CRAC h,其周边的CRAC g及机架j的输出空气温度同周边温度系数,表示机架j的周边温度,Bh表示CRACh功率消耗同空气温度变化的系数,P表示CPU功率消耗,1/Ah表示CRACh温度的时间常数,表示CRACh周边温度,F表示CRAC个数,M表示服务器机架数目。
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:
其中,表示机架j上功率消耗,λ表示每秒负载到达数,mj表示机架j上用来处理客户端请求的开着的服务器个数,b0,b1表示功率消耗模型中适应性参数,
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:
其中,L表示总到达请求数,M表示服务器机架数目,λ表示每秒负载到达数,
根据排队论,对任务请求的平均处理延时为:
其中,表示机架j处理延时,mj表示机架j上用来处理客户端请求的开着的服务器个数,λ表示每秒负载到达数,μj表示机架j上服务处理速度,
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:
其中,Dj表示机架j处理延时限制,表示机架j处理延时。
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:
Y=WX,
其中为系统输入,为系统输出,U=[P1,...,PM,P,...,PF]T为系统扰动,A,B,W为系统参数,F表示CRAC个数,
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Ts为一个采样间隔,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:
其中,Dj表示机架j处理延时限制,mj表示机架j上用来处理客户端请求的开着的服务器个数,λ表示每秒负载到达数,μj表示机架j上服务处理速度。Mj表示机架j上服务器个数,
将其变换为矩阵形式,为:
其中,系统参数Ψ1,约束向量第j个约束向量值分别为
Ψ1=(IM×M OM×F),
(2)负载限制
能够被服务器服务的负载量为:
其中,PA是对应于每个请求的平均功率;L为总到达请求数,Ψ2为系统参数,表示机架j上功率消耗,M表示服务器机架数目,
(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,
Pj≤Pmax,Pj∈Z+
Pmax是CRAC功率输入的最大允许值,将其变为矩阵形式为:
Ψ3U≤[Pmax]F×1,
其中系统参数
Ψ3=(OF×M IF×F);
(4)总功率限制
机架服务器和CRAC的总功率需求Ptotal为:
其中,和Ph分别表示机架j和CRAC h的功率,H为CRAC的个数,
将其变换为矩阵形式为:
Ψ4U≤Pd,
其中,系统参数Ψ4=[1,…,1]1×(M+F)·,Pd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:
其中,
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)
其中系统参数和输入为,
φ(k)=[UT(k),XT(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:
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,
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:
其中,PY和PU是状态和输入的预测长度范围,X(k+s|k)是X(k)之后第s个采样间隔的状态预测,Yr(k|+s|k)表示Yr(k)之后第s个采样间隔的参考系统输出状态预测,U(k+s|k)表示U(k)之后第s个采样间隔的系统扰动状态预测,Y(k+s|k)表示Y(k)之后第s个采样间隔的系统输出状态预测,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)=xTQ(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:
Pj∈Z+,
其中:
Q=diag[Q(s)],R=diag[R(s)],均为系统参数。
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:其中,λij表示每个机架上分到的任务数。mj表示机架j上用来处理客户端请求的开着的服务器个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410322951.0A CN104158754B (zh) | 2014-07-08 | 2014-07-08 | 基于热负载均衡的数据中心自适应性耗能管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410322951.0A CN104158754B (zh) | 2014-07-08 | 2014-07-08 | 基于热负载均衡的数据中心自适应性耗能管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104158754A CN104158754A (zh) | 2014-11-19 |
CN104158754B true CN104158754B (zh) | 2017-07-11 |
Family
ID=51884162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410322951.0A Active CN104158754B (zh) | 2014-07-08 | 2014-07-08 | 基于热负载均衡的数据中心自适应性耗能管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104158754B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10671131B2 (en) * | 2015-06-05 | 2020-06-02 | Apple Inc. | Predictive control systems and methods |
JP6807556B2 (ja) * | 2015-10-01 | 2021-01-06 | パナソニックIpマネジメント株式会社 | 空調制御方法、空調制御装置及び空調制御プログラム |
CN105757765B (zh) * | 2016-03-16 | 2018-08-24 | 上海上塔软件开发有限公司 | 一种电采暖设备的加热特性建模与能效评估方法 |
CN106507640B (zh) * | 2016-10-13 | 2018-12-04 | 内蒙古工业大学 | 一种绿色数据中心温度感知的服务器管理方法 |
CN108334406A (zh) * | 2017-12-14 | 2018-07-27 | 上海交通大学 | 基于区域气温差异化的跨数据中心节能负载均衡方法 |
US10817033B2 (en) * | 2017-12-14 | 2020-10-27 | Schneider Electric It Corporation | Method and system for predicting effect of a transient event on a data center |
CN109375994B (zh) * | 2018-09-10 | 2021-07-13 | 西安交通大学 | 基于rbf神经网络的数据中心任务温度预测及调度方法 |
CN110008515B (zh) * | 2019-03-07 | 2021-07-13 | 青海大学 | 一种可再生能源数据中心管理方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102759984A (zh) * | 2012-06-13 | 2012-10-31 | 上海交通大学 | 虚拟化服务器集群的电源和性能管理系统 |
-
2014
- 2014-07-08 CN CN201410322951.0A patent/CN104158754B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102759984A (zh) * | 2012-06-13 | 2012-10-31 | 上海交通大学 | 虚拟化服务器集群的电源和性能管理系统 |
Non-Patent Citations (3)
Title |
---|
a cyber-physical systems approach to data center modeling and control for energy efficiency;L. Parolini等;《IEEE》;20120131;全文 * |
data center cooling management and analysis-a model-based approach;Rongliang Zhou等;《28th IEEE SEMI-THERM Symposium》;20121231;全文 * |
基于云计算环境的资源提供优化方法研究;张小庆;《中国优秀博士学位论文全文数据库信息科技辑》;20131115;正文第4.3.2、4.3.3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN104158754A (zh) | 2014-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104158754B (zh) | 基于热负载均衡的数据中心自适应性耗能管理方法 | |
CN109375994B (zh) | 基于rbf神经网络的数据中心任务温度预测及调度方法 | |
EP2277092B1 (en) | Arrangement for managing data center operations to increase cooling efficiency | |
Tang et al. | Sensor-based fast thermal evaluation model for energy efficient high-performance datacenters | |
Mukherjee et al. | Spatio-temporal thermal-aware job scheduling to minimize energy consumption in virtualized heterogeneous data centers | |
Gai et al. | Efficiency-aware workload optimizations of heterogeneous cloud computing for capacity planning in financial industry | |
Parolini et al. | A cyber–physical systems approach to data center modeling and control for energy efficiency | |
CN104698843B (zh) | 一种基于模型预测控制的数据中心节能控制方法 | |
Van Damme et al. | Optimized thermal-aware job scheduling and control of data centers | |
Pakbaznia et al. | Temperature-aware dynamic resource provisioning in a power-optimized datacenter | |
Fang et al. | QoS-driven power management of data centers via model predictive control | |
Wei et al. | Deep reinforcement learning for joint datacenter and HVAC load control in distributed mixed-use buildings | |
CN111174375B (zh) | 面向数据中心能耗最小化的作业调度和机房空调调控方法 | |
Yao et al. | Adaptive power management through thermal aware workload balancing in internet data centers | |
CN106528941B (zh) | 一种服务器平均温度约束下的数据中心能耗最优化资源控制算法 | |
US10061365B2 (en) | Temperature prediction system using prediction models, temperature prediction method using prediction models, and non-transitory computer readable recording medium having therein program for temperature prediction using prediction models | |
US9930109B2 (en) | Methods and systems for workload distribution | |
EP3332303A1 (en) | Methods and systems for workload distribution | |
CN115220900A (zh) | 一种基于作业功耗预测的节能调度方法及系统 | |
Mirhoseininejad et al. | A data-driven, multi-setpoint model predictive thermal control system for data centers | |
Zhang et al. | Residual physics and post-posed shielding for safe deep reinforcement learning method | |
CN111935952B (zh) | 大型机房能耗调控方法及装置 | |
Lin et al. | Allocating workload to minimize the power consumption of data centers | |
Fang et al. | Using model predictive control in data centers for dynamic server provisioning | |
Heimerson et al. | Adaptive control of data center cooling using deep reinforcement learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |