CN109600956A - 一种数据中心服务器放置位置优化算法和系统 - Google Patents
一种数据中心服务器放置位置优化算法和系统 Download PDFInfo
- Publication number
- CN109600956A CN109600956A CN201811502161.5A CN201811502161A CN109600956A CN 109600956 A CN109600956 A CN 109600956A CN 201811502161 A CN201811502161 A CN 201811502161A CN 109600956 A CN109600956 A CN 109600956A
- Authority
- CN
- China
- Prior art keywords
- computer room
- data
- server
- model
- refrigeration
- 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
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K7/00—Constructional details common to different types of electric apparatus
- H05K7/14—Mounting supporting structure in casing or on frame or rack
- H05K7/1485—Servers; Data center rooms, e.g. 19-inch computer racks
- H05K7/1498—Resource management, Optimisation arrangements, e.g. configuration, identification, tracking, physical location
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请提供一种数据中心服务器放置位置优化算法和系统,通过深度神经网络构建机房制冷模型，对机房能耗进行评估，然后使用生成式对抗网络建立服务器功率曲线，并采用遗传算法解决温度和功率多目标优化问题，计算数据中心服务器最优部署位置，解决了企业数据中心服务器设备优化部署问题，有效降低机房局部高温度热点并提高机柜功率使用率，达到节约能源和优化功率分配的目的，为企业数据中心动态能耗、资源分配与调度提供较好的基础。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种数据中心服务器放置位置优化算法和系统。
背景技术
数据中心是企业经营管理的重要基础设施，随着企业信息化、大数据、物联网等技术的应用普及，让企业数据中心的规模和能耗越来越大，数据中心能耗主要由服务器设备能耗和制冷能耗两大部分组成，而服务器的部署位置与这两项能耗密切相关，服务器设备的放置位置影响机房温度、制冷功率和机柜剩余供电功率，如何将服务器部署在机房的最优的位置，达到优化制冷能源消耗和机柜功率使用目标，是企业数据中心运行过程中面临的实际问题。
发明内容
有鉴于此，本发明实施例提供一种数据中心服务器放置位置优化算法和系统，以实现机房内服务器位置的优化。
为实现上述目的，本发明实施例提供如下技术方案：
一种数据中心服务器放置位置优化算法，包括：
获取机房环境数据，所述机房环境数据包括服务器温度数据、服务器功率数据和制冷设备功率数据；
使用获取到的服务器功率数据训练生成式对抗网络，通过所述生成式对抗网络预测目标服务器的功率曲线，基于所述目标服务器的功率曲线计算得到在添加所述目标服务器后所述机柜的机柜功率曲线；
采用深度神经网络基于所述机房环境数据，构建机房制冷模型，所述机房制冷模型用于基于所述机房环境建立服务器的部署位置与机柜功率值、机房温度值以及制冷设备功率之间的映射关系，所述机房制冷模型的输入为机柜的功率以及制冷设备的回风温度，所述机房制冷模型的输出为机柜的出风温度和制冷设备的功率；
根据所述机房制冷模型和目标服务器功率曲线，采用遗传算法通过交叉和变异操作实现全局寻优，采用轮盘赌法选出个体进行交叉和变异操作，得到服务器的最优目标位置。
优选的，上述数据中心服务器放置位置优化算法中，所述获取机房环境数据，包括：
通过机房内的数据监控系统对所述机房内的设备运行数据和机房温度数据进行采集，得到机房环境数据；
或通过机房模拟软件，模拟机房环境，通过模拟得到的机房环境获取机房环境数据。
优选的，上述数据中心服务器放置位置优化算法中，通过所述生成式对抗网络预测目标服务器的功率曲线，包括：
采用所述生成式对抗网络的生成模型对监控采集到的历史真实数据进行训练学习；
采用所述生成式对抗网络的判别模型判别所述生成式对抗网络的输入的数据是否来自真实数据；
通过所述生成模型和判别模型互相博弈，预测得到目标服务器的功率曲线。
优选的，上述数据中心服务器放置位置优化算法中，所述采用遗传算法通过交叉和变异操作实现全局寻优，采用轮盘赌法选出个体进行交叉和变异操作，得到服务器的最优目标位置，包括：
步骤S1：载入训练好的机房制冷模型，用于制冷功率计算；
步骤S2：计算编码长度，获得初始种群和解码基因；
步骤S3：调用机房制冷模型计算机房制冷功率和适应度函数；
步骤S4：开始迭代循环，通过交叉操作和变异操作生成新的种群，其中，所述交叉操作指的是采用单点随机交叉法，随机生成交叉点，保留左侧基因片段，交换右侧基因片段，生成2个新种群；所述变异操作指的是通过随机点变异法，改变染色体某个基因片段，生成具有新的基因片段的新种群；
步骤S5：基于机房制冷模型计算新种群的对于目标服务器的设置位置下的机房制冷功率和适应度函数，反复迭代直到循环结束；
步骤S6：进行基因解码，计算适应度值和目标函数取值；
步骤S7：选取本轮循环的最优值，为下一次的进化计算进行赋值；
步骤S8：选取遗传算法得到的最优值。
优选的，上述数据中心服务器放置位置优化算法中，所述构建机房制冷模型，包括：
基于多层全连接的深度神经网络结构构建机房制冷模型。
一种数据中心服务器放置位置优化装置，包括：
数据采集单元，用于获取机房环境数据，所述机房环境数据包括服务器温度数据、服务器功率数据和制冷设备功率数据；
机房动环境采集单元，用于使用获取到的服务器功率数据训练生成式对抗网络，通过所述生成式对抗网络预测目标服务器的功率曲线，基于所述目标服务器的功率曲线计算得到在添加所述目标服务器后所述机柜的机柜功率曲线；
机房制冷模型构建单元，用于采用深度神经网络基于所述机房环境数据，构建机房制冷模型，所述机房制冷模型用于基于所述机房环境建立服务器的部署位置与机柜功率值、机房温度值以及制冷设备功率之间的映射关系，所述机房制冷模型的输入为机柜的功率以及制冷设备的回风温度，所述机房制冷模型的输出为机柜的出风温度和制冷设备的功率；
处理器，用于采用遗传算法通过交叉和变异操作实现全局寻优，采用轮盘赌法选出个体进行交叉和变异操作，得到服务器的最优目标位置；
位置输出单元，用于输出所述处理器计算得到的服务器的最优目标位置。
优选的，上述数据中心服务器放置位置优化装置中，所述数据采集单元，具体用于：
通过机房内的数据监控系统对所述机房内的设备运行数据和机房温度数据进行采集，得到机房环境数据；
或通过机房模拟软件，模拟机房环境，通过模拟得到的机房环境获取机房环境数据。
优选的，上述数据中心服务器放置位置优化装置中，所述机房动环境采集单元在通过所述生成式对抗网络预测目标服务器的功率曲线时，具体用于：
采用所述生成式对抗网络的生成模型对监控采集到的历史真实数据进行训练学习；
采用所述生成式对抗网络的判别模型判别所述生成式对抗网络的输入的数据是否来自真实数据；
通过所述生成模型和判别模型互相博弈，预测得到目标服务器的功率曲线。
优选的，上述数据中心服务器放置位置优化装置中，所述位置输出单元，具体用于：
步骤S1：载入训练好的机房制冷模型，用于制冷功率计算；
步骤S2：计算编码长度，获得初始种群和解码基因；
步骤S3：调用机房制冷模型计算机房制冷功率和适应度函数；
步骤S4：开始迭代循环，通过交叉操作和变异操作生成新的种群，其中，所述交叉操作指的是采用单点随机交叉法，随机生成交叉点，保留左侧基因片段，交换右侧基因片段，生成2个新种群；所述变异操作指的是通过随机点变异法，改变染色体某个基因片段，生成具有新的基因片段的新种群；
步骤S5：基于机房制冷模型计算新种群的对于目标服务器的设置位置下的机房制冷功率和适应度函数，反复迭代直到循环结束；
步骤S6：进行基因解码，计算适应度值和目标函数取值；
步骤S7：选取本轮循环的最优值，为下一次的进化计算进行赋值；
步骤S8：选取遗传算法得到的最优值。
优选的，上述数据中心服务器放置位置优化装置中，所述机房制冷模型构建单元在构建机房制冷模型时，具体用于：
基于多层全连接的深度神经网络结构构建机房制冷模型。
基于上述技术方案，本发明实施例提供的上述方案，通过深度神经网络构建机房制冷模型，对机房能耗进行评估，然后使用生成式对抗网络建立服务器功率曲线，并采用遗传算法解决温度和功率多目标优化问题，计算数据中心服务器的最优部署位置，解决了企业数据中心服务器设备优化部署问题，有效降低机房局部高温度热点并提高机柜功率使用率，达到节约能源和优化功率分配的目的，为企业数据中心动态能耗、资源分配与调度提供较好的基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例公开的一种数据中心服务器放置优化算法的流程示意图；
图2为本申请实施例公开的一种数据中心服务器放置优化装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明基于深度学习模型设计建立了机房中服务器的功率、温度与制冷设备的功率的模型，使用生成式对抗网络建立服务器功率曲线，并采用遗传算法计算服务器的最优部署位置，且通过模拟仿真实验，验证本发明设计的方法可以解决企业数据中心服务器设备优化部署问题，为每个批次服务器选择最佳的位置，实现机房中最高温度值最小、机柜剩余供电功率最大、机房新增制冷量最小三个目标，最终达到节约能源和优化功率分配的目的，整体降低数据中心维护成本。
图1为本申请实施例公开的一种数据中心服务器放置优化算法的流程示意图，参见图1，该方法可以包括：
步骤S101：获取机房环境数据；
其中，所述机房环境数据至少可以包括：服务器温度数据、服务器功率数据和制冷设备功率数据，并且，所述服务器温度数据、服务器功率数据和制冷设备功率数据均为时间轴上的连续或离散的多个数据，这些数据用于构建机房制冷模型，因此，数据量越多越好。
在获取机房环境数据时，可以通过在机房中设置的数据采集系统实时或者是基于设定的频率采集机房环境数据，该采集系统中，可以包括各种类型的传感器。
除了通过数据采集系统获取真实机房环的机房环境数据之外，本申请还可以通过软件模拟机房环境，基于模拟到的机房环境获取机房环境数据，例如，可以通过Sigma6软件模拟机房环境，通过Sigma6软件模拟得到机房环境获取机房环境数据，其中，所述Sigma6软件是一款基于流体力学计算的机房环境仿真软件，经常用在机房温度与气流优化的仿真评估之中，本申请实施例公开的技术方案可以使用该软件进行机房环境的模拟，通过模拟得到的模拟机房为机房制冷模型提供数据基础。其中，在本申请实施例构建的模拟机房中，所述模拟机房内设置有至少一排机柜，机柜内设置有服务器，服务器设置于机房中的机柜内，所述机房内还设置有出风口面向机柜的制冷设备；例如，模拟机房中可设置1排机柜，共10个机柜，模拟机房采用机房专用空调(CRAC)进行制冷，控制每个机柜的最高温度低于并最接近25℃。
步骤S102：使用获取到的服务器功率数据训练生成式对抗网络，通过所述生成式对抗网络预测目标服务器的功率曲线，基于所述目标服务器的功率曲线计算得到在添加所述目标服务器后所述机柜的机柜功率曲线；
其中，生成式对抗网络是一种深度学习模型，近期提出的一种生成模型训练方法，其在图像和视觉领域研究和应用十分广泛，是近年来复杂分布上无监督学习最具前景的方法之一。所述深度学习模型中至少包括两个模块：生成模型G(Generative Model)和判别模型D(Discriminative Model)。其中，生成模型的目的是尽量去学习真实的数据分布,而判别模型的目的是尽量正确判别输入数据是来自真实数据。这两个模型互相博弈，生成模型最后产生相当好的输出。通过所述生成式对抗网络获取所述目标服务器的功率曲线，基于所述目标服务器的功率曲线计算得到在添加所述目标服务器后所述机柜的机柜功率曲线；
步骤S103：采用深度神经网络基于所述机房环境数据，构建机房制冷模型；
在本步骤中，所述机房制冷模型用于基于所述机房环境建立服务器的部署位置与机柜功率值、机房温度值以及制冷设备功率之间的映射关系，所述机房制冷模型的输入为机柜的功率以及制冷设备的回风温度，所述机房制冷模型的输出为机柜的出风温度和制冷设备的功率，所述机房制冷模型可以采用CFD仿真软件建模得到，计算流体力学是流体力学的一个分支，简称CFD。CFD软件是近代流体力学、数值数学和计算机科学结合的产物，是一门具有强大生命力的交叉科学。它以电子计算机为工具，应用各种离散化的数学方法，对流体力学的各类问题进行数值实验、计算机模拟和分析研究，以解决各种实际问题。
除了采用CFD软件构建得到机房制冷模型之外，也可以通过深度神经网络基于深度学习的方式得到所述机房制冷模型；其中，深度学习源于人工神经网络的研究的概念，深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，含多隐层的多层感知器就是一种深度学习结构。具体的，由于机房机柜间热流动具有很强的局部相关性，通过深度神经网络结构可以很好地拟合这种关系。在本申请实施例公开的技术方案中，为实现所述机房制冷模型，可以使用多层全连接的深度神经网络进行建模和自学习得到，最终得到的机房制冷模型的输入是机柜的功率和制冷设备的回风温度，输出的是每个机柜出风的温度和制冷设备的制冷功率。实现基于深度神经网络的机房温度和制冷功率预测与估算。该方法可以使用仿真数据或实际监控数据进行建模，得到机房制冷模型，代替CFD仿真软件，提高了计算速度，可以实现实时计算。
步骤S104：采用遗传算法通过交叉和变异操作实现全局寻优，采用轮盘赌法选出个体进行交叉和变异操作，得到服务器的最优目标位置。
遗传算法是一类借鉴生物界的进化规律演化而来的随机化搜索方法，它是现代计算机科学人工智能领域中用于解决最优化的一种搜索启发式算法，是进化算法的一种。这种启发式通常用来生成有用的解决方案来优化和搜索问题。
其中，所述步骤S104具体可以包括：
步骤S1：载入训练好的机房制冷模型，用于制冷功率计算；
步骤S2：计算编码长度、获得初始种群和解码基因；
步骤S3：调用神经网络计算机房制冷功率和适应度函数；
步骤S4：进行迭代循环，通过交叉和变异操作生成新的种群，其中，所述交叉操作指的是采用单点随机交叉法，随机生成交叉点，保留左侧基因片段，交换右侧基因片段，生成2个新种群；所述变异操作指的是通过随机点变异法，改变染色体某个基因片段，生成具有新的基因片段的新种群；
步骤S5：基于机房制冷模型计算新种群的对于目标服务器的设置位置下的机房制冷功率和适应度函数，反复迭代直到循环结束；
步骤S6：进行基因解码，计算适应度值和目标函数取值；
步骤S7：选取本轮循环的最优值，为下一次的进化计算进行赋值；
步骤S8：选取遗传算法得到的最优值，根据所述最优值即可确定目标服务器的设置位置。
本发明所设计数据中心服务器放置位置优化算法，通过深度神经网络构建机房制冷模型，对机房能耗进行评估，然后使用生成式对抗网络建立服务器功率曲线，并采用遗传算法解决温度和功率多目标优化问题，计算数据中心服务器的最优部署位置，解决了企业数据中心服务器设备优化部署问题，有效降低机房局部高温度热点并提高机柜功率使用率，达到节约能源和优化功率分配的目的，为企业数据中心动态能耗、资源分配与调度提供较好的基础。
具体的，在本申请实施例公开的技术方案中，通过所述生成式对抗网络获取目标服务器的功率曲线，可以包括：
采用所述生成式对抗网络的生成模型对监控采集到的历史真实数据进行训练学习；
采用所述生成式对抗网络的判别模型判别所述生成式对抗网络的输入的数据是否来自真实数据；
通过所述生成模型和判别模型互相博弈，预测得到目标服务器的功率曲线。
具体的，在本申请实施例公开的技术方案中，所述构建机房制冷模型，包括：
基于多层全连接的深度神经网络结构构建机房制冷模型。
本实施例中对应于上述方法，还公开了一种数据中心服务器放置位置优化装置，参见图2，系统可以包括：
数据采集单元100，用于获取机房环境数据，所述机房环境数据包括服务器温度数据、服务器功率数据和制冷设备功率数据；
机房动环境采集单元200，用于使用获取到的服务器功率数据训练生成式对抗网络，通过所述生成式对抗网络预测目标服务器的功率曲线，基于所述目标服务器的功率曲线计算得到在添加所述目标服务器后所述机柜的机柜功率曲线；
机房制冷模型构建单元300，用于采用深度神经网络基于所述机房环境数据，构建机房制冷模型，所述机房制冷模型用于基于所述机房环境建立服务器的部署位置与机柜功率值、机房温度值以及制冷设备功率之间的映射关系，所述机房制冷模型的输入为机柜的功率以及制冷设备的回风温度，所述机房制冷模型的输出为机柜的出风温度和制冷设备的功率；
处理器400，用于采用遗传算法通过交叉和变异操作实现全局寻优，采用轮盘赌法选出个体进行交叉和变异操作，得到服务器的最优目标位置；
位置输出单元500，用于输出所述处理器计算得到的服务器的最优目标位置。
与上述方法相对应，所述数据采集单元100具体用于：
通过机房内的数据监控系统对所述机房内的设备运行数据和机房温度数据进行采集，得到机房环境数据；
或通过机房模拟软件，模拟机房环境，通过模拟得到的机房环境获取机房环境数据。
与上述方法相对应，所述机房动环境采集单元200在通过所述生成式对抗网络预测目标服务器的功率曲线时，具体用于：
采用所述生成式对抗网络的生成模型对监控采集到的历史真实数据进行训练学习；
采用所述生成式对抗网络的判别模型判别所述生成式对抗网络的输入的数据是否来自真实数据；
通过所述生成模型和判别模型互相博弈，预测得到目标服务器的功率曲线。
与上述方法相对应，所述处理器在基于遗传算法，通过交叉和变异操作实现全局寻优，采用轮盘赌法选出个体进行交叉和变异操作，得到服务器的最优目标位置时，具体用于：
步骤S1：载入训练好的机房制冷模型，用于制冷功率计算；
步骤S2：计算编码长度，获得初始种群和解码基因；
步骤S3：调用机房制冷模型计算机房制冷功率和适应度函数；
步骤S4：开始迭代循环，通过交叉操作和变异操作生成新的种群，其中，所述交叉操作指的是采用单点随机交叉法，随机生成交叉点，保留左侧基因片段，交换右侧基因片段，生成2个新种群；所述变异操作指的是通过随机点变异法，改变染色体某个基因片段，生成具有新的基因片段的新种群；
步骤S5：基于机房制冷模型计算新种群的对于目标服务器的设置位置下的机房制冷功率和适应度函数，反复迭代直到循环结束；
步骤S6：进行基因解码，计算适应度值和目标函数取值；
步骤S7：选取本轮循环的最优值，为下一次的进化计算进行赋值；
步骤S8：选取遗传算法最优值。
与上述方法相对应，所述机房制冷模型构建单元在构建机房制冷模型时，具体用于：
基于多层全连接的深度神经网络结构构建机房制冷模型。
为了描述的方便，描述以上系统时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种数据中心服务器放置位置优化算法，其特征在于，包括：
获取机房环境数据，所述机房环境数据包括服务器温度数据、服务器功率数据和制冷设备功率数据；
使用获取到的服务器功率数据训练生成式对抗网络，通过所述生成式对抗网络预测目标服务器的功率曲线，基于所述目标服务器的功率曲线计算得到在添加所述目标服务器后所述机柜的机柜功率曲线；
采用深度神经网络基于所述机房环境数据，构建机房制冷模型，所述机房制冷模型用于基于所述机房环境建立服务器的部署位置与机柜功率值、机房温度值以及制冷设备功率之间的映射关系，所述机房制冷模型的输入为机柜的功率以及制冷设备的回风温度，所述机房制冷模型的输出为机柜的出风温度和制冷设备的功率；
根据所述机房制冷模型和目标服务器功率曲线，采用遗传算法通过交叉和变异操作实现全局寻优，采用轮盘赌法选出个体进行交叉和变异操作，得到服务器的最优目标位置。
2.根据权利要求1所述的数据中心服务器放置位置优化算法，其特征在于，所述获取机房环境数据，包括：
通过机房内的数据监控系统对所述机房内的设备运行数据和机房温度数据进行采集，得到机房环境数据；
或通过机房模拟软件，模拟机房环境，通过模拟得到的机房环境获取机房环境数据。
3.根据权利要求1所述的数据中心服务器放置位置优化算法，其特征在于，通过所述生成式对抗网络预测目标服务器的功率曲线，包括：
采用所述生成式对抗网络的生成模型对监控采集到的历史真实数据进行训练学习；
采用所述生成式对抗网络的判别模型判别所述生成式对抗网络的输入的数据是否来自真实数据；
通过所述生成模型和判别模型互相博弈，预测得到目标服务器的功率曲线。
4.根据权利要求1所述的数据中心服务器放置位置优化算法，其特征在于，所述采用遗传算法通过交叉和变异操作实现全局寻优，采用轮盘赌法选出个体进行交叉和变异操作，得到服务器的最优目标位置，包括：
步骤S1：载入训练好的机房制冷模型，用于制冷功率计算；
步骤S2：计算编码长度，获得初始种群和解码基因；
步骤S3：调用机房制冷模型计算机房制冷功率和适应度函数；
步骤S4：开始迭代循环，通过交叉操作和变异操作生成新的种群，其中，所述交叉操作指的是采用单点随机交叉法，随机生成交叉点，保留左侧基因片段，交换右侧基因片段，生成2个新种群；所述变异操作指的是通过随机点变异法，改变染色体某个基因片段，生成具有新的基因片段的新种群；
步骤S5：基于机房制冷模型计算新种群的对于目标服务器的设置位置下的机房制冷功率和适应度函数，反复迭代直到循环结束；
步骤S6：进行基因解码，计算适应度值和目标函数取值；
步骤S7：选取本轮循环的最优值，为下一次的进化计算进行赋值；
步骤S8：选取遗传算法得到的最优值。
5.根据权利要求1所述的数据中心服务器放置位置优化算法，其特征在于，所述构建机房制冷模型，包括：
基于多层全连接的深度神经网络结构构建机房制冷模型。
6.一种数据中心服务器放置位置优化装置，其特征在于，包括：
数据采集单元，用于获取机房环境数据，所述机房环境数据包括服务器温度数据、服务器功率数据和制冷设备功率数据；
机房动环境采集单元，用于使用获取到的服务器功率数据训练生成式对抗网络，通过所述生成式对抗网络预测目标服务器的功率曲线，基于所述目标服务器的功率曲线计算得到在添加所述目标服务器后所述机柜的机柜功率曲线；
机房制冷模型构建单元，用于采用深度神经网络基于所述机房环境数据，构建机房制冷模型，所述机房制冷模型用于基于所述机房环境建立服务器的部署位置与机柜功率值、机房温度值以及制冷设备功率之间的映射关系，所述机房制冷模型的输入为机柜的功率以及制冷设备的回风温度，所述机房制冷模型的输出为机柜的出风温度和制冷设备的功率；
处理器，用于采用遗传算法通过交叉和变异操作实现全局寻优，采用轮盘赌法选出个体进行交叉和变异操作，得到服务器的最优目标位置；
位置输出单元，用于输出所述处理器计算得到的服务器的最优目标位置。
7.根据权利要求6所述的数据中心服务器放置位置优化装置，其特征在于，所述数据采集单元，具体用于：
通过机房内的数据监控系统对所述机房内的设备运行数据和机房温度数据进行采集，得到机房环境数据；
或通过机房模拟软件，模拟机房环境，通过模拟得到的机房环境获取机房环境数据。
8.根据权利要求6所述的数据中心服务器放置位置优化装置，其特征在于，所述机房动环境采集单元在通过所述生成式对抗网络预测目标服务器的功率曲线时，具体用于：
采用所述生成式对抗网络的生成模型对监控采集到的历史真实数据进行训练学习；
采用所述生成式对抗网络的判别模型判别所述生成式对抗网络的输入的数据是否来自真实数据；
通过所述生成模型和判别模型互相博弈，预测得到目标服务器的功率曲线。
9.根据权利要求6所述的数据中心服务器放置位置优化装置，其特征在于，所述位置输出单元，具体用于：
步骤S1：载入训练好的机房制冷模型，用于制冷功率计算；
步骤S2：计算编码长度，获得初始种群和解码基因；
步骤S3：调用机房制冷模型计算机房制冷功率和适应度函数；
步骤S4：开始迭代循环，通过交叉操作和变异操作生成新的种群，其中，所述交叉操作指的是采用单点随机交叉法，随机生成交叉点，保留左侧基因片段，交换右侧基因片段，生成2个新种群；所述变异操作指的是通过随机点变异法，改变染色体某个基因片段，生成具有新的基因片段的新种群；
步骤S5：基于机房制冷模型计算新种群的对于目标服务器的设置位置下的机房制冷功率和适应度函数，反复迭代直到循环结束；
步骤S6：进行基因解码，计算适应度值和目标函数取值；
步骤S7：选取本轮循环的最优值，为下一次的进化计算进行赋值；
步骤S8：选取遗传算法得到的最优值。
10.根据权利要求6所述的数据中心服务器放置位置优化装置，其特征在于，所述机房制冷模型构建单元在构建机房制冷模型时，具体用于：
基于多层全连接的深度神经网络结构构建机房制冷模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811502161.5A CN109600956B (zh) | 2018-12-10 | 2018-12-10 | 一种数据中心服务器放置位置优化算法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811502161.5A CN109600956B (zh) | 2018-12-10 | 2018-12-10 | 一种数据中心服务器放置位置优化算法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109600956A true CN109600956A (zh) | 2019-04-09 |
| CN109600956B CN109600956B (zh) | 2020-11-17 |
Family
ID=65962063
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811502161.5A Active CN109600956B (zh) | 2018-12-10 | 2018-12-10 | 一种数据中心服务器放置位置优化算法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109600956B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110220615A (zh) * | 2019-05-20 | 2019-09-10 | 广州亚禾电子科技有限公司 | 一种机房发热设备布置位置合理性的持续监测方法及系统 |
| CN111221249A (zh) * | 2019-12-31 | 2020-06-02 | 中国电力科学研究院有限公司 | 一种用于数据中心系统群控的参数优化的方法 |
| CN111445525A (zh) * | 2020-04-08 | 2020-07-24 | 深圳市瑞立视多媒体科技有限公司 | 相机安装位置的布局方法、装置、设备及存储介质 |
| CN111935952A (zh) * | 2020-08-10 | 2020-11-13 | 中国工商银行股份有限公司 | 大型机房能耗调控方法及装置 |
| CN112464309A (zh) * | 2020-11-24 | 2021-03-09 | 中天众达智慧城市科技有限公司 | 一种智慧城市数据中心的设备布置方法 |
| WO2021042339A1 (zh) * | 2019-09-05 | 2021-03-11 | 阿里巴巴集团控股有限公司 | 散热控制与模型训练方法、设备、系统及存储介质 |
| CN112651538A (zh) * | 2019-10-11 | 2021-04-13 | 阿里巴巴集团控股有限公司 | 一种配置机架的方法及其装置 |
| CN112991331A (zh) * | 2021-04-19 | 2021-06-18 | 广州大一互联网络科技有限公司 | 一种使用绝缘冷却液的数据中心的运维方法和装置 |
| CN113283715A (zh) * | 2021-05-10 | 2021-08-20 | 建信金融科技有限责任公司 | 一种服务器的落位确定方法、装置、设备和存储介质 |
| CN114064282A (zh) * | 2021-11-23 | 2022-02-18 | 北京百度网讯科技有限公司 | 资源挖掘方法、装置及电子设备 |
| WO2022199608A1 (zh) * | 2021-03-25 | 2022-09-29 | 华为技术有限公司 | 一种应用于机房的节能方法、装置及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106659046A (zh) * | 2017-01-09 | 2017-05-10 | 北京百度网讯科技有限公司 | 服务器机柜 |
| CN107680004A (zh) * | 2017-07-17 | 2018-02-09 | 国网浙江海盐县供电公司 | 微模块式数据中心及资源管理方法 |
| US20180049343A1 (en) * | 2007-06-14 | 2018-02-15 | Switch, Ltd. | Electronic equipment data center or co-location facility designs and methods of making and using the same |
| CN208016208U (zh) * | 2018-03-14 | 2018-10-26 | 郑州金恒电子技术有限公司 | 一种分组冷却服务器的机房 |
-
2018
- 2018-12-10 CN CN201811502161.5A patent/CN109600956B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180049343A1 (en) * | 2007-06-14 | 2018-02-15 | Switch, Ltd. | Electronic equipment data center or co-location facility designs and methods of making and using the same |
| US20180146570A1 (en) * | 2007-06-14 | 2018-05-24 | Switch, Ltd. | Electronic equipment data center or co-location facility designs and methods of making and using the same |
| CN106659046A (zh) * | 2017-01-09 | 2017-05-10 | 北京百度网讯科技有限公司 | 服务器机柜 |
| CN107680004A (zh) * | 2017-07-17 | 2018-02-09 | 国网浙江海盐县供电公司 | 微模块式数据中心及资源管理方法 |
| CN208016208U (zh) * | 2018-03-14 | 2018-10-26 | 郑州金恒电子技术有限公司 | 一种分组冷却服务器的机房 |
Non-Patent Citations (2)
| Title |
|---|
| 郝熙欢等: "制冷工程智能化设计专家系统的开发研制 ", 《制冷空调与电力机械》 * |
| 郝熙欢等: "制冷工程智能化设计专家系统的开发研制", 《制冷空调与电力机械》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110220615A (zh) * | 2019-05-20 | 2019-09-10 | 广州亚禾电子科技有限公司 | 一种机房发热设备布置位置合理性的持续监测方法及系统 |
| WO2021042339A1 (zh) * | 2019-09-05 | 2021-03-11 | 阿里巴巴集团控股有限公司 | 散热控制与模型训练方法、设备、系统及存储介质 |
| CN112651538A (zh) * | 2019-10-11 | 2021-04-13 | 阿里巴巴集团控股有限公司 | 一种配置机架的方法及其装置 |
| CN111221249A (zh) * | 2019-12-31 | 2020-06-02 | 中国电力科学研究院有限公司 | 一种用于数据中心系统群控的参数优化的方法 |
| CN111221249B (zh) * | 2019-12-31 | 2023-02-07 | 中国电力科学研究院有限公司 | 一种用于数据中心系统群控的参数优化的方法 |
| CN111445525A (zh) * | 2020-04-08 | 2020-07-24 | 深圳市瑞立视多媒体科技有限公司 | 相机安装位置的布局方法、装置、设备及存储介质 |
| CN111935952B (zh) * | 2020-08-10 | 2022-12-23 | 中国工商银行股份有限公司 | 大型机房能耗调控方法及装置 |
| CN111935952A (zh) * | 2020-08-10 | 2020-11-13 | 中国工商银行股份有限公司 | 大型机房能耗调控方法及装置 |
| CN112464309A (zh) * | 2020-11-24 | 2021-03-09 | 中天众达智慧城市科技有限公司 | 一种智慧城市数据中心的设备布置方法 |
| CN112464309B (zh) * | 2020-11-24 | 2024-04-30 | 中天众达智慧城市科技有限公司 | 一种智慧城市数据中心的设备布置方法 |
| WO2022199608A1 (zh) * | 2021-03-25 | 2022-09-29 | 华为技术有限公司 | 一种应用于机房的节能方法、装置及系统 |
| CN112991331B (zh) * | 2021-04-19 | 2021-10-26 | 广州大一互联网络科技有限公司 | 一种使用绝缘冷却液的数据中心的运维方法和装置 |
| CN112991331A (zh) * | 2021-04-19 | 2021-06-18 | 广州大一互联网络科技有限公司 | 一种使用绝缘冷却液的数据中心的运维方法和装置 |
| CN113283715A (zh) * | 2021-05-10 | 2021-08-20 | 建信金融科技有限责任公司 | 一种服务器的落位确定方法、装置、设备和存储介质 |
| CN114064282A (zh) * | 2021-11-23 | 2022-02-18 | 北京百度网讯科技有限公司 | 资源挖掘方法、装置及电子设备 |
| CN114064282B (zh) * | 2021-11-23 | 2023-07-25 | 北京百度网讯科技有限公司 | 资源挖掘方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109600956B (zh) | 2020-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109600956A (zh) | 一种数据中心服务器放置位置优化算法和系统 | |
| Kadhem et al. | Computational techniques for assessing the reliability and sustainability of electrical power systems: A review | |
| CN105378391B (zh) | 针对hvac需求响应的在线优化方案 | |
| Stanujkic et al. | An objective multi-criteria approach to optimization using MOORA method and interval grey numbers | |
| RU2012133279A (ru) | Компьютерная система для прогнозирования результатов лечения | |
| CN108317683A (zh) | 一种室内温湿度的预测方法及系统 | |
| CN110866528A (zh) | 一种模型训练方法、能耗使用效率预测方法、装置和介质 | |
| Muys et al. | Simulation tools for decision support to adaptive forest management in Europe. | |
| JP6498976B2 (ja) | 推定装置、推定方法およびコンピュータプログラム | |
| CN107923645A (zh) | 空气调节运行分析装置以及程序 | |
| CN110287509A (zh) | 城市热网的柔性分析与结构缺陷诊断及定位方法和系统 | |
| CN103839113B (zh) | 基于租房与购房两类选择者住房选择模型的微观仿真方法 | |
| Wölfle et al. | A guide for the design of benchmark environments for building energy optimization | |
| Abbasnia et al. | Time-cost trade-off problem in construction project management, based on fuzzy logic | |
| Soares et al. | Efficient temperature estimation for thermally stratified storage tanks with buoyancy and mixing effects | |
| D'Amico et al. | An intelligent way to predict the building thermal needs: ANNs and optimization | |
| Iqbal et al. | Modelling of animal occupied zones in CFD | |
| CN109146196A (zh) | 一种居民社区时用水量预测方法 | |
| TW201810133A (zh) | 基於類神經網路之水庫水位預測系統及方法 | |
| Cabotà et al. | Do editors have a silver bullet? An agent-based model of peer review | |
| Santos et al. | A spatial explicit agent based model approach to evaluate the performance of different monitoring options for mortality estimates in the scope of onshore windfarm impact assessments | |
| Bai et al. | Towards understanding the analysis, models, and future directions of sports social networks | |
| CN105426624A (zh) | 一种基于证据推理迭代算法和熵权的建筑开窗行为仿真方法 | |
| Lin et al. | Designing-in performance: evolutionary energy performance feedback for early stage design | |
| Mustafa et al. | Software risk assessment visualization tool design using probabilistic inference models |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | 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 |