CN107817890A - 一种基于bp算法的高密度机柜负载联动能效管理设计方法 - Google Patents

一种基于bp算法的高密度机柜负载联动能效管理设计方法 Download PDF

Info

Publication number
CN107817890A
CN107817890A CN201711049068.9A CN201711049068A CN107817890A CN 107817890 A CN107817890 A CN 107817890A CN 201711049068 A CN201711049068 A CN 201711049068A CN 107817890 A CN107817890 A CN 107817890A
Authority
CN
China
Prior art keywords
load
energy
whole machine
machine cabinet
algorithm
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.)
Pending
Application number
CN201711049068.9A
Other languages
English (en)
Inventor
郭猛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhengzhou Yunhai Information Technology Co Ltd
Original Assignee
Zhengzhou Yunhai Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhengzhou Yunhai Information Technology Co Ltd filed Critical Zhengzhou Yunhai Information Technology Co Ltd
Priority to CN201711049068.9A priority Critical patent/CN107817890A/zh
Publication of CN107817890A publication Critical patent/CN107817890A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3206—Monitoring of events, devices or parameters that trigger a change in power modality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3234—Power saving characterised by the action undertaken
    • G06F1/324—Power saving characterised by the action undertaken by lowering clock frequency
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3234—Power saving characterised by the action undertaken
    • G06F1/3287—Power saving characterised by the action undertaken by switching off individual functional units in the computer system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • G06F11/3062—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations where the monitored property is the power consumption
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Feedback Control In General (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于BP算法的高密度机柜负载联动能效管理设计方法，属于整机柜服务器系统节能领域，构建整机柜资源信息采集监控系统，采集监控计算节点、存储节点、风扇和网络资源的负载信息和功耗信息，将负载信息作为自动策略推导系统的输入；基于BP算法借助人工神经网络对非线性、复杂系统运行过程及特征的有效识别和预测，建立整机柜性能、负载及能耗的仿真模型，进而自动生成适用当前环境状态的负载联动节能控制策略；根据该负载联动节能控制策略，设计系统节能主控程序，对整个机柜的各类设备的运行模式进行动态调整，降低整机柜系统能源消耗。本发明实现计算节点和存储节点的融合，提高整机柜服务器的能效管理。

Description

一种基于BP算法的高密度机柜负载联动能效管理设计方法
技术领域
本发明涉及整机柜服务器系统节能领域，具体涉及一种基于BP算法的高密度机柜负载联动能效管理设计方法。
背景技术
随着云计算的发展，数据中心业务持续增长，数据中心数量和规模迅速增长，其能源消耗和运营成本问题日益突出。面对日益增长的能源消耗，绿色数据中心越来越受到人们的关注。绿色数据中心中能耗解决方案将被越来越看重，如何最大程度的解决能耗成本是运营商首要解决的。模块化和高密度是数据中心核心设备发展的重要趋势，表现为在数据中心内从标准服务器逐渐向整机柜服务器演化。
整机柜服务器常见的节能减排和能效提升的技术手段也得到了日益普遍的应用，现有的整机柜能效管理方法为通过温度信息进行散热管理。BP神经网络算法解决了多层前向神经网络的学习问题，在人工智能方面有广泛的应用。由于整机柜服务器领域能效监控管理的不完善，设备的不够智能化、调控策略无法自适应调整及缺乏联动协同等原因，能效的管理和优化有待进一步提提升。
发明内容
本发明的技术任务是提供一种基于BP算法的高密度机柜负载联动能效管理设计方法，将BP算法应用在高密度整机柜服务器的能效管理中，实现计算节点和存储节点的融合，提高整机柜服务器的能效管理。
本发明解决其技术问题所采用的技术方案是：
一种基于BP算法的高密度机柜负载联动能效管理设计方法，构建整机柜资源信息采集监控系统，采集监控计算节点、存储节点、风扇和网络资源的负载信息和功耗信息，将负载信息作为自动策略推导系统的输入；
然后，基于BP算法借助人工神经网络对非线性、复杂系统运行过程及特征的有效识别和预测，建立整机柜性能、负载及能耗的仿真模型，进而自动生成适用当前环境状态的负载联动节能控制策略；
根据该负载联动节能控制策略，设计系统节能主控程序，实现对自动生成的节能控制策略的解析和实施，通过该负载联动节能控制策略对整个机柜的各类设备的运行模式进行动态调整，降低整机柜系统能源消耗。整机柜节能主控系统以高效方式连接整机柜系统中的计算节点管理单元、存储节点管理单元、网络管理单元、电源管理单元、风扇管理单元，并灵活有效地对这些资源控制单元加以调整和设置，通过该负载联动能源管理策略对整个机柜的各类设备的运行模式进行动态调整，从而降低整机柜系统能源消耗。
优选的，所述整机柜资源信息采集监控系统包括整机柜管理模块、风扇管理板、风扇、计算管理板、计算节点、存储管理板、存储节点和电源模块。整机柜管理模块负责风扇负载、功耗、状态信息监控，计算机节点负载、功耗、性能信息监控，存储节点负载、功耗、性能信息监控，以及电源负载、功耗、状态信息监控。由各单元的控制器负责监控和采集计算节点和存储节点关键资源信息，主要采集处理器负载、系统内存负载、系统存储负载以及系统网络负载等负载信息，采集整个机柜系统中主要器件如包含计算节点、存储节点、电源、风扇等的功耗信息，同时采集操作系统下各关键、资源管理子系统运行状态数据。
优选的，基于BP算法的人工神经网络，将预测结果及有效地减小随机因素的扰动抑制系统运行策略的抖动作为终止神经网络训练的必要条件，同时依据学习过程和输入数据信息进行信息预测。
进一步的，基于BP算法的人工神经网络建立负载、性能、功耗的仿真模型，将预测结果与采集的信息数据进行实时比较，不断调整预测模型，提高准确率，直到达到预期结果。
优选的，负载联动节能控制策略包括调整各硬件资源模块的功率、运行模式，在保证系统稳定性和应用性能需求的前提下尽可能地降低个别硬件资源模块的能耗；和在保证系统稳定性和应用性能需求的前提下，将整机柜被监测系统的负载以更为集中的方式加以调配，从而能够将部分关键设备如风扇、电源、节点等设置为待机、停机等状态，达到降低能耗的目的。
本发明的一种基于BP算法的高密度机柜负载联动能效管理设计方法与现有技术相比，具有以下有益效果：
构建整机柜资源信息采集监控系统架构，采集整机柜的负载信息、性能信息和功耗信息，提高数据采集系统的准确性、及时性；
采用基于BP算法的人工神经网络子系统建立性能、负载及能耗的仿真模型，使整个策略生成系统具备自学习和自适应性、良好的容错性，可准确有效的自动生成适用当前环境状态的负载联动节能控制策略；
通过设计系统节能主控程序，将负载联动能源管理策略进行解析和实施，对整个机柜的各类设备的运行模式进行动态调整，可以使资源在负载不高的情况下，自动降低整机柜能源消耗，降低数据中心PUE。
本技术方案还可用在服务器和存储主板工厂生产检验环节，针对BIOS、BMC、CPLD的版本检查。
附图说明
图1是本发明的整机柜资源信息采集监控系统的结构框图；
图2是基于BP神经网络算法的整机柜能效管理设计方法示意图；
图3是基于BP算法的负载联动能效管理设计实施流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
如下图1所示，在高密度机柜服务器中，为提高资源信息采集效率，构建高密度机柜资源采集监控系统。该系统由整机柜管理模块、风扇管理板、风扇、计算管理板、计算节点、存储管理板、存储节点、电源模块等组成，通过该监控系统，由各单元的控制器负责监控和采集计算节点和存储节点关键资源信息，主要采集处理器负载、系统内存负载、系统存储负载以及系统网络负载等负载信息，采集整个机柜系统中主要器件如包含计算节点、存储节点、电源、风扇等的功耗信息，同时采集操作系统下各关键、资源管理子系统运行状态数据。
将整机柜监控系统和采集系统准确、及时地获取到系统关键资源的负载信息、功耗信息、性能信息、温度信息作为自动策略推导系统的输入，采用基于BP算法的人工神经网络子系统，根据数据信息，通过监督式的运算学习过程，对非线性、复杂系统运行过程及特征的形成有效识别，将预测结果并将有效地减小随机因素的扰动抑制系统运行策略的抖动作为终止神经网络训练的必要条件，同时依据学习过程和输入数据信息进行信息预测，建立负载、性能、功耗的仿真模型，将预测结果与采集的信息数据进行实时比较，不断调整预测模型，提高准确率，直到达到预期结果，进而自动地生成适用当前环境状态的负载动态节能控制策略。
整机柜动态节能调控策略，通常分为两类：其一是调整各硬件资源模块的功率、运行模式等，在保证系统稳定性和应用性能需求的前提下尽可能地降低个别硬件资源模块的能耗；其二是在保证系统稳定性和应用性能需求的前提下，将整机柜被监测系统的负载以更为集中的方式加以调配，从而能够将部分关键设备如风扇、电源、节点等设置为待机、停机等状态，达到降低能耗的目的。
根据已生成的基于BP神经网络算法的负载动态节能控制策略，设计整机柜管理系统节能主控程序，实现对自动生成的节能控制策略的解析和实施。整机柜节能主控系统以高效方式连接整机柜系统中的计算节点管理单元、存储节点管理单元、网络管理单元、电源管理单元、风扇管理单元，并灵活有效地对这些资源控制单元加以调整和设置，通过该负载联动能源管理策略对整个机柜的各类设备的运行模式进行动态调整，降低整机柜系统能源消耗。
结合图1、图2来说明具体实现步骤：
1）、按照图1整机柜资源信息采集监控系统示意图，设计整机柜资源信息采集监控系统架构。采用AST2520芯片建立整机柜管理系统，作为整机柜的集中管理单元，实现所有计算节点、存储节点电源、风扇、网络等关键资源信息汇总、策略生产；采用ARM芯片建立风扇、存储节点、计算节点管理系统，实现分模块资源信息的采集和节能控制策略的具体实施。
2）、如图2基于BP算法的负载联动能效管理设计实施流程图。在高密度机柜服务器中，将采集到的设备关键资源（功耗、性能、负载信息）为自动策略推导系统的输入，在此基础上，基于BP算法的人工神经网络子系统进行过程、特性的识别和预测，建立性能、负载及能耗的仿真模型，进而自动生成适用当前环境状态的负载联动节能控制策略，动态调整对整机柜的各类负载的运行模式，降低整机柜系统能源消耗。
这样一来，本文提出的基于BP算法的高密度机柜负载联动能效管理设计方法即可得以实现。
通过上面具体实施方式，所述技术领域的技术人员可容易的实现本发明。但是应当理解，本发明并不限于上述的具体实施方式。在公开的实施方式的基础上，所述技术领域的技术人员可任意组合不同的技术特征，从而实现不同的技术方案。

Claims (5)

1.一种基于BP算法的高密度机柜负载联动能效管理设计方法，其特征在于构建整机柜资源信息采集监控系统，采集监控计算节点、存储节点、风扇和网络资源的负载信息和功耗信息，将负载信息作为自动策略推导系统的输入；
基于BP算法借助人工神经网络对非线性、复杂系统运行过程及特征的有效识别和预测，建立整机柜性能、负载及能耗的仿真模型，进而自动生成适用当前环境状态的负载联动节能控制策略；
根据该负载联动节能控制策略，设计系统节能主控程序，通过该负载联动节能控制策略对整个机柜的各类设备的运行模式进行动态调整，降低整机柜系统能源消耗。
2.根据权利要求1所述的一种基于BP算法的高密度机柜负载联动能效管理设计方法，其特征在于所述整机柜资源信息采集监控系统包括整机柜管理模块、风扇管理板、风扇、计算管理板、计算节点、存储管理板、存储节点和电源模块。
3.根据权利要求1所述的一种基于BP算法的高密度机柜负载联动能效管理设计方法，其特征在于基于BP算法的人工神经网络，将预测结果及有效地减小随机因素的扰动抑制系统运行策略的抖动作为终止神经网络训练的必要条件，同时依据学习过程和输入数据信息进行信息预测。
4.根据权利要求1或2或3所述的一种基于BP算法的高密度机柜负载联动能效管理设计方法，其特征在于基于BP算法的人工神经网络建立负载、性能、功耗的仿真模型，将预测结果与采集的信息数据进行实时比较，不断调整预测模型，提高准确率，直到达到预期结果。
5.根据权利要求1所述的一种基于BP算法的高密度机柜负载联动能效管理设计方法，其特征在于负载联动节能控制策略包括调整各硬件资源模块的功率、运行模式，在保证系统稳定性和应用性能需求的前提下尽可能地降低个别硬件资源模块的能耗；和在保证系统稳定性和应用性能需求的前提下，将整机柜被监测系统的负载以更为集中的方式加以调配，将部分关键设备设置为待机、停机状态。
CN201711049068.9A 2017-10-31 2017-10-31 一种基于bp算法的高密度机柜负载联动能效管理设计方法 Pending CN107817890A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711049068.9A CN107817890A (zh) 2017-10-31 2017-10-31 一种基于bp算法的高密度机柜负载联动能效管理设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711049068.9A CN107817890A (zh) 2017-10-31 2017-10-31 一种基于bp算法的高密度机柜负载联动能效管理设计方法

Publications (1)

Publication Number Publication Date
CN107817890A true CN107817890A (zh) 2018-03-20

Family

ID=61603592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711049068.9A Pending CN107817890A (zh) 2017-10-31 2017-10-31 一种基于bp算法的高密度机柜负载联动能效管理设计方法

Country Status (1)

Country Link
CN (1) CN107817890A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109396576A (zh) * 2018-09-29 2019-03-01 郑州轻工业学院 基于深度学习的电火花加工稳定性与能耗状态优化决策系统及决策方法
CN109697152A (zh) * 2019-03-01 2019-04-30 北京慧辰资道资讯股份有限公司 一种智能生成机柜设备发热大数据的方法及装置
CN110781125A (zh) * 2019-09-12 2020-02-11 华东计算技术研究所（中国电子科技集团公司第三十二研究所） 整机柜超融合服务器的管理方法及系统
WO2020062734A1 (zh) * 2018-09-29 2020-04-02 上海百功半导体有限公司 一种存储控制方法、存储控制器、存储设备及存储系统
CN111240454A (zh) * 2020-01-18 2020-06-05 苏州浪潮智能科技有限公司 一种基于risc-v的功耗动态调整系统及方法
CN111722694A (zh) * 2020-06-19 2020-09-29 苏州浪潮智能科技有限公司 服务器节能系统及其降低服务器功耗的方法和存储介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109396576A (zh) * 2018-09-29 2019-03-01 郑州轻工业学院 基于深度学习的电火花加工稳定性与能耗状态优化决策系统及决策方法
WO2020062734A1 (zh) * 2018-09-29 2020-04-02 上海百功半导体有限公司 一种存储控制方法、存储控制器、存储设备及存储系统
CN109697152A (zh) * 2019-03-01 2019-04-30 北京慧辰资道资讯股份有限公司 一种智能生成机柜设备发热大数据的方法及装置
CN109697152B (zh) * 2019-03-01 2022-04-05 北京慧辰资道资讯股份有限公司 一种智能生成机柜设备发热大数据的方法及装置
CN110781125A (zh) * 2019-09-12 2020-02-11 华东计算技术研究所（中国电子科技集团公司第三十二研究所） 整机柜超融合服务器的管理方法及系统
CN111240454A (zh) * 2020-01-18 2020-06-05 苏州浪潮智能科技有限公司 一种基于risc-v的功耗动态调整系统及方法
CN111240454B (zh) * 2020-01-18 2021-10-22 苏州浪潮智能科技有限公司 一种基于risc-v的功耗动态调整系统及方法
CN111722694A (zh) * 2020-06-19 2020-09-29 苏州浪潮智能科技有限公司 服务器节能系统及其降低服务器功耗的方法和存储介质

Similar Documents

Publication Publication Date Title
CN107817890A (zh) 一种基于bp算法的高密度机柜负载联动能效管理设计方法
CN105205231B (zh) 一种基于dcom的配电网数字仿真系统
CN107330056B (zh) 基于大数据云计算平台的风电场scada系统及其运行方法
CN103310296B (zh) 一种基于扰动评估和趋势分析的操作票安全校核方法
CN104182902A (zh) 一种基于调度数据网集中运维系统的监控方法
CN103700041A (zh) 基于云计算的智能电网负荷预测管理平台
CN108023958A (zh) 一种基于云平台资源监视的资源调度系统
CN103927693A (zh) 一种配网线损管理系统
WO2020238418A1 (zh) 域间的数据交互方法及装置
Yang et al. Power control framework for green data centers
CN107018026A (zh) 自动化主站网络监控系统
Liao et al. Energy consumption optimization scheme of cloud data center based on SDN
CN107169562A (zh) 一种用于数据中心的能效控制方法及装置
CN103279184A (zh) 一种基于数据挖掘的云服务器节能系统
CN109002901A (zh) 一种省地县一体化电网信息综合管理系统及装置
CN106209433B (zh) 一种云环境下面向架构的应用系统节能部署装置
CN111324460A (zh) 一种基于云计算平台的电力监测控制系统及方法
CN107918560A (zh) 一种服务器设备管理方法及装置
CN109101400A (zh) 一种云计算数据中心整机柜服务器的监控系统
CN113904378A (zh) 一种虚拟电厂资源调控方法、系统及资源调控终端
CN115293561A (zh) 计及碳排放流的电力系统低碳规划方法及装置
CN108551164A (zh) 一种直流微电网电压稳定控制方法和装置
CN106599116A (zh) 云平台数据集成管理系统和方法
CN109995094B (zh) 一种交直流混合微电网的规划方法及系统
CN113268130A (zh) 服务器供电方法、存储介质、计算机设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180320