CN106528941A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN106528941A CN106528941A CN201610894771.9A CN201610894771A CN106528941A CN 106528941 A CN106528941 A CN 106528941A CN 201610894771 A CN201610894771 A CN 201610894771A CN 106528941 A CN106528941 A CN 106528941A
- Authority
- CN
- China
- Prior art keywords
- server
- energy consumption
- data center
- constraint
- temperature
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
在如今的数据中心行业中,空调系统耗能占总耗能的比重很大,如何降低空调与服务器的总能耗是工业界与学术界关注的焦点问题;本发明提出了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,建立在服务质量(QoS,Quality of Service)和服务器平均温度约束下的温度感知能耗最优模型(Average Temperature‑aware Power Minimization,简称ATPM),在算法中使用李雅普诺夫优化理论来近似求解ATPM问题,该算法不需要预先测量工作负载的统计信息,算法复杂度低,容易实现。
Description
技术领域
本发明属于数据中心节能技术领域,特别涉及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。
背景技术
在过去IT技术腾飞发展的十年中,云计算给用户提供了弹性服务吹响了移动服务腾飞的号角,同时引爆了大数据时代的来临,指引着分布式计算研究的发展方向。2013年进入大数据时代的元年,大量的互联网数据中心(IDC,Internet Data Center)为多种多样的互联网服务构建了可靠而稳定的平台。尽管IDC为很多企业广泛接受用来支持大规模存储和计算,然而整个IDC业界却面临着能耗巨大的棘手问题。当今IT巨头,如谷歌、微软、脸书本身就运行着几十万台服务器,消耗难以想象的巨大能量。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供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,在保证服务质量(QoS,Quality of Service)和平均温度约束的前提下,建立平均温度感知能耗最优模型(Average Temperature-awarePower Minimization,简称ATPM),并利用李雅普诺夫优化理论,给出了动态资源控制算法,可在满足服务器平均温度约束的前提下,减少数据中心的总能源消耗。
为了实现上述目的,本发明采用的技术方案是:
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,包括:
建立服务器系统能耗模型:t时刻IDC的总能耗表示为:
a1为CPU的边际能耗,a2表示除CPU外的服务器能耗,IDC中共有J个用户,j∈{1,...,J},Lj(t)为用户j的负载即任务到达速率,mj(t)为用户j中服务器的数量;
建立制冷系统能耗模型:t时刻制冷能耗表示为:R(t)=cfρ(TSP-Tc(t)),其中c是空气的比热容,f是气流的速率,ρ是空气密度,TSP为制冷前的室温,Tc(t)为制冷温度;
设置约束条件:包括QoS约束、服务器平均温度约束和边界约束,QoS约束表示为:其中,s为CPU速率,Kj为一个请求的平均命令数,Dj为用户j的平均队列延迟上界;服务器平均温度约束表示为:其中,是热交换率,Tmax为一个固定的阈值;边界约束表示为:Tmin≤Tc≤Tmax,为用户预算下可租用的最大服务器数量,Tmin和Tmax为制冷系统释放冷气的最低温与最高温;
在所述约束条件下,求解即实现服务器平均温度约束下的数据中心能耗最优化资源控制。
为便于计算,将服务器平均温度约束松弛为如下表达式:进一步转换后转化为虚拟队列:将约束的满足性问题,转换为虚拟队列Zj(t)的稳定问题,保证虚拟队列Zj(t)的稳定性,即保证了时间平均服务器温度约束。
根据李雅普诺夫优化理论,将原始问题转化为在队列稳定性约束的前提下,最小化时间平均数据中心总能耗的问题。设Z(t)为所有虚拟队列的向量,定义李雅普诺夫函数为:
定义Δ(Z(t))为t时刻的条件李雅普诺夫偏移:
Δ(Z(t))=E{L(Z(t+1))-L(Z(t))|Z(t)}
这里的期望依赖于控制策略和随机负载的到达,通过间接优化以下偏移惩罚函数的上界:
Δ(Z(t))+VE{(E(t)+R(t))|Z(t)}
V是一个非负参数,用来在服务器温度与数据中心总能耗之间进行折中,偏移惩罚函数的上界表示为:
式中B是常量,定义为:
算法的目标是最小化偏移惩罚函数上界公式的右端,即在每个时刻t,观察当前队列Z(t)的状态并针对以下目标函数做出控制决策:
约束为
所述目标函数改写为:
在固定Lj(t)和Tc后,求得mj(t)的解析解为:
通过穷举所有可能的制冷气温来找到最优的Tc(t)。固定Tc,求得当前Tc对应的mj(t),并根据Tc与mj(t)计算目标函数的值,在Tc的取值范围Tmin≤Tc≤Tmax内,穷举所有可能的Tc取值,并将具有最小目标函数的Tc以及对应的mj(t)作为问题的解,最后,迭代虚拟队列函数Z(t)。
与现有技术相比,本发明提出了在服务质量(QoS,Quality of Service)和服务器平均温度约束下的温度感知能耗最优模型(Average Temperature-aware PowerMinimization,简称ATPM),并提出了一种空调控制和服务器分配算法,在算法中使用李雅普诺夫优化理论来近似求解ATPM问题。该算法不需要预先测量工作负载的统计信息,算法复杂度低,容易实现。
附图说明
图1是本发明系统架构示意图。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
如图1所示,数据中心采用制冷系统降温,服务器发热造成了热空气的产生。
1.能源消耗模型,包括以下几个部分:
A.服务器系统能耗模型描述:设IDC中共有J个用户。在时间t时,定义ej(t)为一台服务器的能耗,Lj(t)为用户j的负载(任务到达速率),mj(t)为用户j中服务器的数量,j∈{1,...,J}。可将服务器能耗表示为服务器负载的线性函数:
这里a1为CPU的边际能耗,a2表示除CPU外的服务器能耗。用户j所有服务器的总能耗可以表示为:Ej(t)=mj(t)×ej(t)=a1Lj(t)+a2mj(t)。
则IDC的总能耗可以表示为:
B.制冷系统能耗模型描述:制冷装置将温度从T1降到T2(T1>T2)的能耗可以表示为这里c是空气的比热容(单位为Joules/kg.K),f是气流的速率(单位为m3/s),ρ是空气密度(kg/m3),COP是刻画制冷单元效率的性能系数,为一常数。不失一般性,可设COP=1。在实际的机房里,制冷系统会将空气从室温TSP降到t时刻的制冷温度Tc(t),于是t时刻制冷能耗可以表示为:
R(t)=cfρ(TSP-Tc(t)) (3)
很显然,E(t)与R(t)之和为数据中心的总能耗。
2.约束条件:
A.QoS约束:在本发明提出的数据中心模型中,属于同一用户的任务请求共享同一队列。这里采用M/M/N队列模型近似估计响应时间。任务请求的平均响应时间可表达为其中PQ是等候队列不空的概率。1/μ为任务的平均服务速率,N为服务器的台数。一般而言,在实际数据中心中的服务器几乎总是处于忙碌状态,因此PQ=1。对于用户j,平均服务速率μj(单位是request/s)可以通过用CPU速率s(单位是command/s)除以一个请求的平均命令数Kj来求得,即假设用户j的平均队列延迟上界为Dj,那么QoS约束可以计算为:
B.服务器平均温度约束:在稳态下,服务器j的温度可表达为制冷系统释放的冷气温度Tc(t)和CPU的瞬时能耗ej(t)的线性函数:
这里是热交换率(单位为Kelvin.secs/Joules)。本发明主要考察服务器平均温度约束下的数据中心能耗最小化问题。服务器平均能耗约束的期望必须被维持在一个固定的阈值Tmax之下。将(1)式代入(5)式得到:
3.满足平均服务器温度与QoS约束条件的ATPM问题
在对方程(4)和(6)进行变换后,ATPM问题可定义如下:
约束为:
最后,再给决策变量添加边界约束:
Tmin≤Tc≤Tmax
其中为用户预算下可租用的最大服务器数量,Tmin和Tmax为制冷系统释放冷气的最低温与最高温。
ATPM问题难于求解,主要原因在于:1)不知道Lj(t)的分布,(7)和(9)期望难于计算。2)传统解决动态优化问题的算法为动态规划,但是该算法有“状态空间爆炸”的缺陷。随着问题规模的增大,时间、空间复杂度呈指数级增长。本发明采用一种基于李雅普诺夫优化理论的算法,对ATPM问题进行近似求解。步骤如下:
1.问题精化:
A.松弛的ATPM问题:约束(9)可以被松弛为如下表达式:
松弛背后的思想是,只要时间平均期望温度在可接受的范围内,在不破坏稳定性的前提下,服务器温度的均值可以偶尔超出温度上界。那么,松弛的ATPM问题即可替代原问题(9)。约束(10)被进一步转换为:
B.将约束(11)转化为虚拟队列:可将约束(11)的满足性问题,转换为一个虚拟队列Zj(t)的稳定问题。定义虚拟队列Zj(t)为:
为方便表示,定义
可以得到
Zj(t+1)=max{Zj(t)+TVj(t),0} (13)
因此有
Zj(t+1)-Zj(t)≥TVj(t) (14)
对于所有的t>0将上式累加并取时间平均,即可得到
再对上式取期望并让t→∞,得到
这里是TVj(τ)的时间平均期望,τ∈{0,...,T-1}即因而,如果虚拟队列Zj(t)是平均速率稳定的,即那么,结合(16)得到
即服务器的平均温度约束得到了满足。因此,需要设计一个资源控制算法,保证虚拟队列Zj(t)的稳定性,进而保证时间平均服务器温度约束(11)。
C.目标函数:根据李雅普诺夫优化理论,可以将原始问题转化为在队列稳定性约束的前提下,最小化时间平均数据中心总能耗的问题。
设Z(t)为所有虚拟队列的向量。定义李雅普诺夫函数为
定义Δ(Z(t))为t时刻的条件李雅普诺夫偏移:
Δ(Z(t))=E{L(Z(t+1))-L(Z(t))|Z(t)} (19)
这里的期望依赖于控制策略和随机负载的到达。李雅普诺夫优化不直接最小化目标函数,而是间接优化以下偏移惩罚函数的上界:
Δ(Z(t))+VE{(E(t)+R(t))|Z(t)} (20)
这里V是一个非负参数,用来在服务器温度与数据中心总能耗之间进行折中。经过一些数学变换,偏移惩罚函数(20)的上界可表示为
上式中B是常量,定义为:
算法的目标是最小化(21)的右端,即在每个时刻t,观察当前队列Z(t)的状态并针对以下目标函数做出控制决策:
约束为(8)。
2.算法实现
问题(23)的目标函数可改写为:
这里由于存在控制变量乘积项导致问题难以直接求解。但是,在固定Lj(t)后,mj(t)就可以求得解析解。删除上式的常数项得到:
整理上式得:
如果将Tc固定,就可以得到一个线性函数,mj(t)的解析解为:
以上分析可以用算法1来实现:
算法1:为偏移罚函数算法选择最佳mj(t),具体步骤:
下面穷举所有可能的制冷气温来找到最优的Tc(t)。固定Tc,首先调用算法1得到当前Tc对应的mj(t),并根据Tc与mj(t)计算目标函数(23)的值。在Tc的取值范围Tmin≤Tc≤Tmax内,穷举所有可能的Tc取值,并将具有最小目标函数(23)的Tc以及对应的mj(t)作为问题的解。最后,根据(12)迭代虚拟队列函数Z(t)。
Claims (7)
1.一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,其特征在于,包括:
建立服务器系统能耗模型:t时刻IDC的总能耗表示为:
a1为CPU的边际能耗,a2表示除CPU外的服务器能耗,IDC中共有J个用户,j∈{1,...,J},Lj(t)为用户j的负载即任务到达速率,mj(t)为用户j中服务器的数量;
建立制冷系统能耗模型:t时刻制冷能耗表示为:R(t)=cfρ(TSP-Tc(t)),其中c是空气的比热容,f是气流的速率,ρ是空气密度,TSP为制冷前的室温,Tc(t)为制冷温度;
设置约束条件:包括QoS约束、服务器平均温度约束和边界约束,QoS约束表示为:其中,s为CPU速率,Kj为一个请求的平均命令数,Dj为用户j的平均队列延迟上界;服务器平均温度约束表示为:其中,是热交换率,Tmax为一个固定的阈值;边界约束表示为:Tmin≤Tc≤Tmax,为用户预算下可租用的最大服务器数量,Tmin和Tmax为制冷系统释放冷气的最低温与最高温;
在所述约束条件下,求解即实现服务器平均温度约束下的数据中心能耗最优化资源控制。
2.根据权利要求1所述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,其特征在于,将服务器平均温度约束松弛为如下表达式:进一步转换后转化为虚拟队列:将约束的满足性问题,转换为虚拟队列Zj(t)的稳定问题,保证虚拟队列Zj(t)的稳定性,即保证了时间平均服务器温度约束。
3.根据权利要求2所述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,其特征在于,根据李雅普诺夫优化理论,将原始问题转化为在队列稳定性约束的前提下,最小化时间平均数据中心总能耗的问题。
4.根据权利要求3所述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,其特征在于,设Z(t)为所有虚拟队列的向量,定义李雅普诺夫函数为
定义Δ(Z(t))为t时刻的条件李雅普诺夫偏移:
Δ(Z(t))=E{L(Z(t+1))-L(Z(t))|Z(t)}
这里的期望依赖于控制策略和随机负载的到达,通过间接优化以下偏移惩罚函数的上界:
Δ(Z(t))+VE{(E(t)+R(t))|Z(t)}
V是一个非负参数,用来在服务器温度与数据中心总能耗之间进行折中,偏移惩罚函数的上界表示为:
式中B是常量,定义为:
算法的目标是最小化偏移惩罚函数上界公式的右端,即在每个时刻t,观察当前队列Z(t)的状态并针对以下目标函数做出控制决策:
约束为
5.根据权利要求4所述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,其特征在于,所述目标函数改写为:
在固定Lj(t)和Tc后,求得mj(t)的解析解为:
6.根据权利要求4或5所述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,其特征在于,通过穷举所有可能的制冷气温来找到最优的Tc(t)。
7.根据权利要求6所述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,其特征在于,固定Tc,求得当前Tc对应的mj(t),并根据Tc与mj(t)计算目标函数的值,在Tc的取值范围Tmin≤Tc≤Tmax内,穷举所有可能的Tc取值,并将具有最小目标函数的Tc以及对应的mj(t)作为问题的解,最后,迭代虚拟队列函数Z(t)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610894771.9A CN106528941B (zh) | 2016-10-13 | 2016-10-13 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610894771.9A CN106528941B (zh) | 2016-10-13 | 2016-10-13 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106528941A true CN106528941A (zh) | 2017-03-22 |
CN106528941B CN106528941B (zh) | 2019-04-26 |
Family
ID=58332207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610894771.9A Expired - Fee Related CN106528941B (zh) | 2016-10-13 | 2016-10-13 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106528941B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107277137A (zh) * | 2017-06-21 | 2017-10-20 | 常熟理工学院 | 基于服务质量感知的大数据自主感应防碰撞控制方法 |
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 |
CN108664328A (zh) * | 2018-04-02 | 2018-10-16 | 上海交通大学 | 一种加速式感知的高效用计算架构优化方法 |
CN109753400A (zh) * | 2017-11-02 | 2019-05-14 | 中国移动通信集团甘肃有限公司 | 一种能耗调节方法及边缘数据中心系统 |
CN111174375A (zh) * | 2019-12-11 | 2020-05-19 | 西安交通大学 | 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 |
CN111601490A (zh) * | 2020-05-26 | 2020-08-28 | 内蒙古工业大学 | 数据中心主动通风地板的强化学习控制方法 |
CN111637614A (zh) * | 2020-05-26 | 2020-09-08 | 内蒙古工业大学 | 数据中心主动通风地板的智能控制方法 |
CN113515351A (zh) * | 2021-09-07 | 2021-10-19 | 华南理工大学 | 一种基于能耗与QoS协同优化的资源调度实现方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104734808A (zh) * | 2015-03-07 | 2015-06-24 | 浙江理工大学 | 一种无线传感网络中最差时延感知跨层优化方法 |
CN104994150A (zh) * | 2015-06-29 | 2015-10-21 | 中国人民解放军国防科学技术大学 | 一种面向云视频服务的请求分配方法 |
CN104994149A (zh) * | 2015-06-29 | 2015-10-21 | 中国人民解放军国防科学技术大学 | 一种面向云视频服务的资源提供方法 |
-
2016
- 2016-10-13 CN CN201610894771.9A patent/CN106528941B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104734808A (zh) * | 2015-03-07 | 2015-06-24 | 浙江理工大学 | 一种无线传感网络中最差时延感知跨层优化方法 |
CN104994150A (zh) * | 2015-06-29 | 2015-10-21 | 中国人民解放军国防科学技术大学 | 一种面向云视频服务的请求分配方法 |
CN104994149A (zh) * | 2015-06-29 | 2015-10-21 | 中国人民解放军国防科学技术大学 | 一种面向云视频服务的资源提供方法 |
Non-Patent Citations (1)
Title |
---|
J. WAN等: "TSM: Efficient thermal and server management for greening data centers", 《2015 INTERNATIONAL CONFERENCE ON CYBER-ENABLED DISTRIBUTED COMPUTING AND KNOWLEDGE DISCOVERY》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107277137B (zh) * | 2017-06-21 | 2019-07-30 | 常熟理工学院 | 基于服务质量感知的大数据自主感应防碰撞控制方法 |
CN107277137A (zh) * | 2017-06-21 | 2017-10-20 | 常熟理工学院 | 基于服务质量感知的大数据自主感应防碰撞控制方法 |
CN109753400B (zh) * | 2017-11-02 | 2020-07-21 | 中国移动通信集团甘肃有限公司 | 一种能耗调节方法及边缘数据中心系统 |
CN109753400A (zh) * | 2017-11-02 | 2019-05-14 | 中国移动通信集团甘肃有限公司 | 一种能耗调节方法及边缘数据中心系统 |
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 |
CN108664328A (zh) * | 2018-04-02 | 2018-10-16 | 上海交通大学 | 一种加速式感知的高效用计算架构优化方法 |
CN108664328B (zh) * | 2018-04-02 | 2021-08-17 | 上海交通大学 | 一种加速式感知的高效用计算架构优化方法 |
CN111174375A (zh) * | 2019-12-11 | 2020-05-19 | 西安交通大学 | 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 |
CN111174375B (zh) * | 2019-12-11 | 2021-02-02 | 西安交通大学 | 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 |
CN111601490A (zh) * | 2020-05-26 | 2020-08-28 | 内蒙古工业大学 | 数据中心主动通风地板的强化学习控制方法 |
CN111637614A (zh) * | 2020-05-26 | 2020-09-08 | 内蒙古工业大学 | 数据中心主动通风地板的智能控制方法 |
CN111637614B (zh) * | 2020-05-26 | 2021-06-08 | 内蒙古工业大学 | 数据中心主动通风地板的智能控制方法 |
CN111601490B (zh) * | 2020-05-26 | 2022-08-02 | 内蒙古工业大学 | 数据中心主动通风地板的强化学习控制方法 |
CN113515351A (zh) * | 2021-09-07 | 2021-10-19 | 华南理工大学 | 一种基于能耗与QoS协同优化的资源调度实现方法 |
CN113515351B (zh) * | 2021-09-07 | 2022-03-29 | 华南理工大学 | 一种基于能耗与QoS协同优化的资源调度实现方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106528941B (zh) | 2019-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106528941A (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 | |
CN113242568B (zh) | 一种不确定网络环境中的任务卸载和资源分配方法 | |
CN108182115B (zh) | 一种云环境下的虚拟机负载均衡方法 | |
CN105378391B (zh) | 针对hvac需求响应的在线优化方案 | |
CN113950066A (zh) | 移动边缘环境下单服务器部分计算卸载方法、系统、设备 | |
CN102084316B (zh) | 用于管理数据中心操作以提高冷却效率的方法和装置 | |
US20140229146A1 (en) | In-situ optimization of chilled water plants | |
US20200116380A1 (en) | Central plant control system with computation reduction based on graph theory | |
US11102717B2 (en) | Network selection method and apparatus for integrated cellular and drone-cell networks | |
Kiani et al. | Hierarchical capacity provisioning for fog computing | |
CN106600080A (zh) | 一种数据网络与电力网络耦合模型参与系统经济调度方法 | |
CN115827108B (zh) | 基于多目标深度强化学习的无人机边缘计算卸载方法 | |
CN108845886B (zh) | 基于相空间的云计算能耗优化方法和系统 | |
CN113962142A (zh) | 一种基于两段式lstm的数据中心温度预测方法及系统 | |
CN115857639A (zh) | 控制冷却系统的方法及包括冷却系统的系统 | |
Zhang et al. | Residual physics and post-posed shielding for safe deep reinforcement learning method | |
Ling et al. | Dynamic age minimization with real-time information preprocessing for edge-assisted IoT devices with energy harvesting | |
CN106507640B (zh) | 一种绿色数据中心温度感知的服务器管理方法 | |
CN113821903A (zh) | 温度控制方法和设备、模块化数据中心及存储介质 | |
CN112954012A (zh) | 基于负载的改进模拟退火算法的云任务调度方法 | |
Hu et al. | An improved adaptive genetic algorithm in cloud computing | |
EP4202676A1 (en) | Method and apparatus for multi-task scheduling, device and storage medium | |
CN116954329A (zh) | 制冷系统的状态调节方法、装置、设备、介质及程序产品 | |
Mohammed | Numerical investigation of displacement ventilation effectiveness | |
CN107016137B (zh) | 一种降低三维片上网络功耗的映射方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190426 Termination date: 20201013 |