CN109800082A - 结合实际功耗采购服务器的方法、装置及存储介质 - Google Patents
结合实际功耗采购服务器的方法、装置及存储介质 Download PDFInfo
- Publication number
- CN109800082A CN109800082A CN201811549188.XA CN201811549188A CN109800082A CN 109800082 A CN109800082 A CN 109800082A CN 201811549188 A CN201811549188 A CN 201811549188A CN 109800082 A CN109800082 A CN 109800082A
- Authority
- CN
- China
- Prior art keywords
- cabinet
- server
- configuration
- power loss
- actual power
- 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
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Power Sources (AREA)
Abstract
本方案涉及基架运维,提供一种结合实际功耗采购服务器的方法、装置及存储介质,方法包括:将数据中心的服务器按照相同品牌、相同配置进行分类,将相同品牌、相同配置的服务器作为同一类服务器;采集同一类服务器的实际功耗值,依据采集时间点的CPU负载进行抽样,建立实际功耗统计表,根据同一类服务器的实际功耗,结合机柜额定功耗,确定机柜内服务器的数量,为采购服务器提供依据,用机器学习方法辅助机柜配置服务器方案,采用神经网络模型接收输入的机柜配置服务器方案并且处理所述输入的机柜配置服务器方案以对配置服务器方案生成相应分数,根据评分情况选择最优的配置服务器方案。本发明提高机柜使用率,减少机柜空间浪费。降低PUE值。
Description
技术领域
本发明涉及基架运维,具体地说,涉及一种结合实际功耗采购服务器的方法、装置及存储介质。
背景技术
数据中心中,服务器品牌型号较多,服务器出厂所标注负载功耗为区间范围,然而为了提高有限机柜资源的使用率,数据中心需要合理设置机柜内服务器的数量,并且随着业务量和业务种类的增加,还需要在机柜内增加或减少服务器,以适配业务的需要。由于目前各数据中心在对机柜配置服务器的时候,都是以服务器厂商标注的标称功率为基准来估算功耗,估算功耗通常为标称功率的25%。然而各服务器的功耗范围常常又是与应用的业务种类相关的,不同的业务种类所形成的负载不同,造成的服务器的实际功耗也不同。因此,完全按照估算功耗来配置机柜,显然是不够合理的。相应的,服务器的采购也不够合理,可能会造成大量库存或供不应求的情况。
发明内容
为解决以上技术问题,本发明提供一种结合实际功耗采购服务器的方法,应用于电子装置,包括:将数据中心的服务器按照相同品牌、相同配置进行分类,并将相同品牌、相同配置的服务器作为同一类服务器;采集同一类服务器的实际功耗值;根据同一类服务器的实际功耗,结合机柜额定功耗,确定机柜内服务器的数量,为采购服务器提供机柜配置服务器方案,其中:还采用机器学习方法辅助机柜配置服务器方案,采用神经网络模型接收输入的机柜配置服务器方案并且处理所述输入的机柜配置服务器方案以对所述机柜配置服务器方案生成相应分数,根据评分情况选择最优的机柜配置服务器方案,具体包括以下步骤:构建机柜配置分类模型;
获取用于对机柜配置分类模型进行训练的训练数据集,训练数据集中包含有对应不同业务需求描述的机柜配置服务器方案,以及根据自定义的评分标准评判的分值;采用训练数据集训练机柜配置分类模型,通过将训练数据集中的不同的机柜配置服务器方案输入机柜配置分类模型,并通过分类器将机柜配置分类模型的输出进行分类,然后通过损失函数来控制机柜配置分类模型的分类精度,从而提高机柜配置分类模型的分类精度;其中:构建机柜配置分类模型包括以下步骤:设置机柜配置训练模型参数,所述机柜配置训练模型为深度神经网络模型,所述机柜配置训练模型包括输入层、双向GRU、softmax层以及全连接层;将多个机柜配置训练方案输入所述机柜配置训练模型,对所述机柜配置训练模型进行训练,更新所述机柜配置训练模型中双向GRU参数;根据更新后的机柜配置训练模型的双向GRU参数初始化机柜配置分类模型的双向GRU参数,同时配置机柜配置分类模型的除双向GRU参数外的参数;将机柜配置训练方案输入机柜配置训练模型,进行监督对抗训练,得到机柜配置分类模型,并将新增的机柜配置服务器方案输入监督对抗训练后的机柜配置分类模型,进行无监督虚拟对抗训练,更新机柜配置分类模型的参数,获得机柜配置分类模型。
优选地,GRU的计算公式如下:
zt=σ(ftUz+s(t-1)Wz)
rt=σ(ftUr+s(t-1)Wr)
ht=tanh(ftUh+(s(t-1)*rt)Wh
st=(1-zt)*ft+zt*s(t-1)
其中,zt是更新门,控制加入多少候选隐藏层ht的信息;
rt是重置门,用来计算候选隐藏层ht,控制保留多少前一时刻隐藏层s(t-1)的信息;
ht是候选隐藏层;
U、W为权值矩阵;
ft是t时刻的输入数据;
s(t-1)是t-1时刻隐藏层神经元的激活值;
σ表示sigmoid激活函数;
tanh是激活函数;
st是t时刻隐藏层神经元的激活值。
优选地,还实时监测各台服务器的实际功耗,并求取各服务器的实际功耗与所在机柜中所有服务器的实际功耗的平均值的差值,如果差值高于差值限值,则按照所述差值逐渐降低的顺序逐个对服务器的CPU降频处理,直至所述差值在差值限值范围内。
优选地,在根据同一类服务器的实际功耗,结合机柜额定功耗,形成机柜配置服务器方案的过程中,采用实际功耗大于设定阈值的服务器和实际功耗小于设定阈值的服务器一一对应的方式来为机柜配置服务器,其中,所述设定阈值为不同类的服务器的实际功耗的平均值。
优选地,还设置有计时模块,在监测同一类服务器的实际功耗值的过程中,若服务器的当前负载队列的深度介于低负载阈值与高负载阈值之间,则继续保持该服务器的负载不变;若既有服务器的当前负载队列的深度小于低负载阈值,又有服务器的当前负载队列的深度高于高负载阈值,则判断计时器的持续时间t是否大于非正常负载时间阈值,若计时器的持续时间t大于非正常负载时间阈值,则关闭当前负载队列的深度高于高负载阈值的服务器,其中,非正常负载时间阈值是指负载队列的深度高于高负载阈值或小于低负载阈值的时间阈值;若所有服务器的当前负载队列的深度都小于低负载阈值,则逐一关闭当前负载队列的深度小于低负载阈值的服务器,直至监测到所有服务器的当前负载队列的深度介于低负载阈值与高负载阈值之间;若所有服务器的当前负载队列的深度都高于高负载阈值,则启动备用服务器。
优选地,其中,同一类服务器的实际功耗采用以下方式计算,估值功耗=机柜实际功耗/机柜服务器个数,其中,机柜上安装的都是同一类服务器,并且,还计算服务器的月平均实际功耗,月平均实际功耗=机柜月平均功耗/机柜服务器个数,其中,机柜上安装的都是同一类服务器,并且,还计算服务器的当季平均实际功耗,当季平均实际功耗=机柜季度平均功耗/机柜服务器个数,其中,机柜上安装的都是同一类服务器。
本发明还提供一种电子装置,该电子装置包括:存储器和处理器,所述存储器中存储有结合实际功耗采购服务器的程序,所述结合实际功耗采购服务器的程序被所述处理器执行时实现如下步骤:将数据中心的服务器按照相同品牌、相同配置进行分类,并将相同品牌、相同配置的服务器作为同一类服务器;采集同一类服务器的实际功耗值;根据同一类服务器的实际功耗,结合机柜额定功耗,确定机柜内服务器的数量,为采购服务器提供机柜配置服务器方案,其中:还采用机器学习方法辅助机柜配置服务器方案,采用神经网络模型接收输入的机柜配置服务器方案并且处理所述输入的机柜配置服务器方案以对所述机柜配置服务器方案生成相应分数,根据评分情况选择最优的机柜配置服务器方案,具体包括以下步骤:构建机柜配置分类模型;获取用于对机柜配置分类模型进行训练的训练数据集,训练数据集中包含有对应不同业务需求描述的机柜配置服务器方案,以及根据自定义的评分标准评判的分值;采用训练数据集训练机柜配置分类模型,通过将训练数据集中的不同的机柜配置服务器方案输入机柜配置分类模型,并通过分类器将机柜配置分类模型的输出进行分类,然后通过损失函数来控制机柜配置分类模型的分类精度,从而提高机柜配置分类模型的分类精度;其中:还采用机器学习方法辅助机柜配置服务器方案,采用神经网络模型接收输入的机柜配置服务器方案并且处理所述输入的机柜配置服务器方案以对机柜配置服务器方案生成相应分数,根据评分情况选择最优的机柜配置服务器方案,具体包括以下步骤:获得训练数据集,训练数据集中包含有对应不同业务需求描述的机柜的配置方案,以及根据自定义的评分标准评判的分值;构建机柜配置分类模型;训练机柜配置分类模型,并通过分类器和损失函数来控制机柜配置分类模型的分类精度,其中:构建机柜配置分类模型包括以下步骤:设置机柜配置训练模型参数,所述机柜配置训练模型为深度神经网络模型,所述机柜配置训练模型包括输入层、双向GRU、softmax层以及全连接层;将多个机柜配置训练方案输入所述机柜配置训练模型,对所述机柜配置训练模型进行训练,更新所述机柜配置训练模型中双向GRU参数;根据更新后的机柜配置训练模型的双向GRU参数初始化机柜配置分类模型的双向GRU参数,同时配置机柜配置分类模型的除双向GRU参数外的参数;将机柜配置训练方案输入机柜配置训练模型,进行监督对抗训练,得到机柜配置分类模型,并将新增的机柜配置服务器方案输入监督对抗训练后的机柜配置分类模型,进行无监督虚拟对抗训练,更新机柜配置分类模型的参数,获得机柜配置分类模型。
优选地,GRU的计算公式如下:
zt=σ(ftUz+s(t-1)Wz)
rt=σ(ftUr+s(t-1)Wr)
ht=tanh(ftUh+(s(t-1)*rt)Wh)
st=(1-zt)*ft+zt*s(t-1)
其中,zt是更新门,控制加入多少候选隐藏层ht的信息;
rt是重置门,用来计算候选隐藏层ht,控制保留多少前一时刻隐藏层s(t-1)的信息;
ht是候选隐藏层;
U、W为权值矩阵;
ft是t时刻的输入数据;
s(t-1)是t-1时刻隐藏层神经元的激活值;
σ表示sigmoid激活函数;
tanh是激活函数;
st是t时刻隐藏层神经元的激活值。
优选地,还实时监测各台服务器的实际功耗,并求取各服务器的实际功耗与所在机柜中所有服务器的实际功耗的平均值的差值,如果差值高于差值限值,则按照所述差值逐渐降低的顺序逐个对服务器的CPU降频处理,直至所述差值在差值限值范围内。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时,实现如上所述的结合实际功耗采购服务器的方法。
本发明通过监测机柜内服务器的实际功耗,并以服务器的实际功耗为依据来配置机柜,可以提高机柜使用率,减少机柜空间浪费。提高机柜供电使用率,降低PUE值。采用双向GRU模型辅助优化机柜配置服务器方案,能够有效提高机柜配置服务器的效率。使服务器采购与业务所需功耗匹配,能够提高采购效率,减少不必要的服务器采购,降低采购成本。
附图说明
通过结合下面附图对其实施例进行描述,本发明的上述特征和技术优点将会变得更加清楚和容易理解。
图1是本发明实施例的结合实际功耗采购服务器的方法的流程示意图;
图2是本发明实施例的电子装置的硬件架构示意图;
图3是本发明实施例的结合实际功耗采购服务器的程序的模块构成图。
具体实施方式
下面将参考附图来描述本发明所述的结合实际功耗采购服务器的方法、装置及存储介质的实施例。本领域的普通技术人员可以认识到,在不偏离本发明的精神和范围的情况下,可以用各种不同的方式或其组合对所描述的实施例进行修正。因此,附图和描述在本质上是说明性的,而不是用于限制权利要求的保护范围。此外,在本说明书中,附图未按比例画出,并且相同的附图标记表示相同的部分。
图1为本发明实施例提供的结合实际功耗采购服务器的流程示意图。该方法包括以下步骤:
步骤S10,将数据中心的服务器按照相同品牌、相同配置进行分类,并将相同品牌、相同配置的服务器作为同一类服务器;
各应用商可以租用数据中心的服务器来完成其要实现的业务功能。下文中将相同品牌和相同配置的服务器称为同一类服务器。以某数据中心为例,主要包括HP服务器,主要机型为DL 380Gen9功耗160W~290W;Leonvo为第二多品牌服务器,主要机型为RD650功耗170W~245W;Dell服务器数量略少于Lenovo,主要机型为R720功耗220W与R730功耗200W~260W,另外R730XD功耗在275W左右,个别R920功耗450W、R930功耗500W左右;浪潮服务器主要机型为NF5270M3功耗210W左右和NF5270M功耗130W左右。存储FAS 8060双控制器(控制器功耗318W~343W)功耗3.6KW~3.7KW左右。
步骤S30,采集同一类服务器的实际功耗值,依据采集时间点的CPU负载进行抽样,建立实际功耗统计表,如表一所示。
表一
步骤S50,根据同一类服务器的实际功耗,结合机柜额定功耗,确定机柜内服务器的数量,为采购服务器提供依据。
数据中心需要将合理数量、配置的服务器分配给不同的应用商,以便应用商可以应用分配的服务器进行自身的业务,例如,京东租赁数据中心的多台服务器进行支持其京东商城的业务。根据业务功耗需求确定机柜的功耗,而机柜中可以设置有不同品牌的服务器,以往是直接按照各服务器的厂商标注的标称功率估算的功耗为准来向机柜中布置服务器,并向采购部门申请购买的服务器品牌、配置,这样可能导致采购的服务器与实际需求不够匹配,因此,就导致机柜的尺寸不能够很确定,在本实施例中,考虑了同一类服务器对应不同业务的实际功耗,能够使得采购与实际需求更匹配,使得机柜内服务器的布置的总功耗与机柜的额定功耗更匹配,因此,就可以根据机柜的布置情况来定制机柜的尺寸,这样还可以减少机柜的材料。根据业务种类来设置机柜中的服务器的品牌、配置及数量。例如,Dell的R430服务器的标称功率为1100W,其估算功耗约为标称功率的25%,即275W,机柜的额定功耗4000W,若不考虑供电安全、散热等因素,则机柜可配置Dell的R430服务器14台。若综合考虑机柜供电安全,可配置12台机柜。而该Dell的R430服务器的估值功耗为140W,可见比所述估算功耗低,若不考虑机柜供电、散热等影响因素,仅以机柜的额定功耗和服务器的估值功耗来考虑配置机柜,则机柜最多可配置28台Dell的R430服务器。综合考虑机柜供电安全、散热等因素,可配置20台Dell的R430服务器。
优选地,还采用机器学习方法辅助机柜配置服务器方案,采用神经网络模型接收输入的机柜配置服务器方案并且处理所述输入的机柜配置服务器方案以对机柜配置服务器方案生成相应分数,根据评分情况选择最优的机柜配置服务器方案,具体包括以下步骤:
构建机柜配置分类模型;
获取用于对机柜配置分类模型进行训练的训练数据集,训练数据集中包含有对应不同业务需求描述的机柜配置服务器方案,以及根据自定义的评分标准评判的分值;
采用训练数据集训练机柜配置分类模型,通过将训练数据集中的不同的机柜配置服务器方案输入机柜配置分类模型,并通过分类器将机柜配置分类模型的输出进行分类,然后通过损失函数来控制机柜配置分类模型的分类精度,从而提高机柜配置分类模型的分类精度;
其中:
构建机柜配置分类模型包括以下步骤:
设置机柜配置训练模型参数,所述机柜配置训练模型为深度神经网络模型,所述机柜配置训练模型包括输入层、双向GRU、softmax层以及全连接层;
将多个机柜配置训练方案输入所述机柜配置训练模型,对所述机柜配置训练模型进行训练,更新所述机柜配置训练模型中双向GRU参数;
根据更新后的机柜配置训练模型的双向GRU参数初始化机柜配置分类模型的双向GRU参数,同时配置机柜配置分类模型的除双向GRU参数外的参数;
将机柜配置训练方案输入机柜配置训练模型,进行监督对抗训练,得到机柜配置分类模型,并将新增的机柜配置方案输入监督对抗训练后的机柜配置分类模型,进行无监督虚拟对抗训练,更新机柜配置分类模型的参数,获得机柜配置分类模型。
进一步地,GRU的计算公式如下:
zt=σ(ftUz+s(t-1)Wz)
rt=σ(ftUr+s(t-1)Wr)
ht=tanh(ftUh+(s(t-1)*rt)Wh)
st=(1-zt)*ft+zt*s(t-1)
其中,zt是更新门,控制加入多少候选隐藏层ht的信息;
rt是重置门,用来计算候选隐藏层ht,控制保留多少前一时刻隐藏层s(t-1)的信息;
ht是候选隐藏层;
U、W为权值矩阵;
ft是t时刻的输入数据;
s(t-1)是t-1时刻隐藏层神经元的激活值;
σ表示sigmoid激活函数;
tanh是激活函数;
st是t时刻隐藏层神经元的激活值。
在一个可选实施例中,在一个可选实施例中,根据负载-功耗数据与推荐功耗负载百分比范围比较,若机柜内的第一服务器的功耗比推荐功耗负载百分比的下限值低,则查找该机柜的其余服务器的负载-功耗数据与推荐功耗负载百分比范围的关系,若第二服务器比推荐功耗负载百分比的上限值低,且第二服务器比推荐功耗负载百分比的上限值低的数值大于等于第一服务器的功耗比推荐功耗负载百分比的下限值低的数值,则关闭第一服务器。
例如,推荐功耗负载百分比范围在10%-24%之间,例如某一服务器的功耗为5%,不在推荐功耗负载百分比范围内,显然该服务器的功耗低于合理范围,但是其还消耗着电能。然而,目前如果关闭该服务器,则被关闭的服务器的负载会转移到其他服务器上。而如果其他服务器中,有的服务器已经超出推荐功耗负载百分比范围的最高值,有可能会使得服务器超负荷运行,具有断电风险。因此,查找该机柜的其余服务器的负载-功耗数据与推荐功耗负载百分比范围的关系。如果还有一台服务器比推荐功耗负载百分比范围的最高值低至少5%,则可以关闭功耗为5%的服务器。这使得该服务器分担的负载转移到其他服务器上。进一步地,查找机柜内所有低于推荐功耗负载百分比范围下限值的服务器,在这些服务器中,统计服务器与推荐功耗负载百分比范围下限值的差值。然后还查找机柜内所有比推荐功耗负载百分比的上限值低,且比推荐功耗负载百分比范围下限值高的服务器,在这些服务器中,统计服务器与推荐功耗负载百分比范围上限值的差值。并以与下限值的差值逐渐降低的顺序逐个关闭服务器,使得负载转移到其他服务器上。通过这种方式,可以使得功耗较小的服务器的负载转移至其他服务器,并且其他服务器的功耗不会超出推荐功耗负载百分比范围。
在一个可选实施例中,在根据同一类服务器的实际功耗,结合机柜额定功耗,形成机柜配置服务器方案的过程中,采用实际功耗大于设定阈值的服务器和实际功耗小于设定阈值的服务器一一对应的方式来为机柜配置服务器,其中,所述设定阈值为不同类的服务器的实际功耗的平均值。
在一个可选实施例中,还设置有计时模块,在监测同一类服务器的实际功耗值的过程中,若服务器的当前负载队列的深度介于低负载阈值与高负载阈值之间,则继续保持该服务器的负载不变;
若既有服务器的当前负载队列的深度小于低负载阈值,又有服务器的当前负载队列的深度高于高负载阈值,则判断计时器的持续时间t是否大于非正常负载时间阈值,若计时器的持续时间t大于非正常负载时间阈值,则关闭当前负载队列的深度高于高负载阈值的服务器,其中,非正常负载时间阈值是指负载队列的深度高于高负载阈值或小于低负载阈值的时间阈值;
若所有服务器的当前负载队列的深度都小于低负载阈值,则逐一关闭当前负载队列的深度小于低负载阈值的服务器,直至监测到所有服务器的当前负载队列的深度介于低负载阈值与高负载阈值之间;
若所有服务器的当前负载队列的深度都高于高负载阈值,则启动备用服务器。
在一个可选实施例中,其中,同一类服务器的实际功耗采用以下方式计算,
估值功耗=机柜实际功耗/机柜服务器个数,其中,机柜上安装的都是同一类服务器,
并且,还计算服务器的月平均实际功耗,月平均实际功耗=机柜月平均功耗/机柜服务器个数,其中,机柜上安装的都是同一类服务器,
并且,还计算服务器的当季平均实际功耗,当季平均实际功耗=机柜季度平均功耗/机柜服务器个数,其中,机柜上安装的都是同一类服务器。
参阅图2所示,是本发明电子装置的实施例的硬件架构示意图。本实施例中,所述电子装置2是一种能够按照事先设定或者存储的指令,自动进行数值计算和/或信息处理的设备。例如,可以是智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。如图2所示,所述电子装置2至少包括,但不限于,可通过系统总线相互通信连接的存储器21、处理器22、网络接口23。其中:所述存储器21至少包括一种类型的计算机可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器21可以是所述电子装置2的内部存储单元,例如该电子装置2的硬盘或内存。在另一些实施例中,所述存储器21也可以是所述电子装置2的外部存储设备,例如该电子装置2上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器21还可以既包括所述电子装置2的内部存储单元也包括其外部存储设备。本实施例中,所述存储器21通常用于存储安装于所述电子装置2的操作系统和各类应用软件,例如所述结合实际功耗采购服务器的程序代码等。此外,所述存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器22在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制所述电子装置2的总体操作,例如执行与所述电子装置2进行数据交互或者通信相关的控制和处理等。本实施例中,所述处理器22用于运行所述存储器21中存储的程序代码或者处理数据,例如运行所述的结合实际功耗采购服务器的程序等。
所述网络接口23可包括无线网络接口或有线网络接口,该网络接口23通常用于在所述电子装置2与其他电子装置之间建立通信连接。例如,所述网络接口23用于通过网络将所述电子装置2与推送平台相连,在所述电子装置2与推送平台之间建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication,GSM)、宽带码分多址(WidebandCodeDivision Multiple Access,WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
可选地,该电子装置2还可以包括显示器,显示器也可以称为显示屏或显示单元。在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode,OLED)显示器等。显示器用于显示在电子装置2中处理的信息以及用于显示可视化的用户界面。
需要指出的是,图2仅示出了具有组件21-23的电子装置2,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
包含可读存储介质的存储器21中可以包括操作系统、结合实际功耗采购服务器的程序50等。处理器22执行存储器21中结合实际功耗采购服务器的程序50时实现如下步骤:
步骤S10,将数据中心的服务器按照相同品牌、相同配置进行分类,并将相同品牌、相同配置的服务器作为同一类服务器;
步骤S30,采集同一类服务器的实际功耗值,依据采集时间点的CPU负载进行抽样,建立实际功耗统计表;
步骤S50,根据同一类服务器的实际功耗,结合机柜额定功耗,确定机柜内服务器的数量,为采购服务器提供依据。
在本实施例中,存储于存储器21中的所述机柜配置管理程序可以被分割为一个或者多个程序模块,所述一个或者多个程序模块被存储于存储器21中,并可由一个或多个处理器(本实施例为处理器22)所执行,以完成本发明。例如,图3示出了所述结合实际功耗采购服务器的程序的程序模块示意图,该实施例中,所述结合实际功耗采购服务器的程序50可以被分割为服务器分类模块501、功耗统计表建立模块502、机柜配置模块503。其中,本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序更适合于描述所述机柜配置管理程序在所述电子装置2中的执行过程。以下描述将具体介绍所述程序模块的具体功能。
其中,服务器分类模块501用于将数据中心的服务器按照相同品牌、相同配置进行分类,并将相同品牌、相同配置的服务器作为同一类服务器。
其中,功耗统计表建立模块502用于建立功耗统计表,由于目前各数据中心在对机柜配置服务器的时候,都是以服务器厂商标注的标称功率为基准来估算功耗,估算功耗通常为标称功率的25%。然而各服务器的功耗范围常常又是与业务种类相关的,不同的业务种类所形成的负载不同。因此,采集同一类服务器的功耗值,依据采集时间点的OS(CPU)负载进行抽样,并建立功耗统计表,如表一所示。
机柜配置模块503用于根据同一类服务器的实际功耗,结合机柜额定功耗,为机柜配置服务器。
优选地,还包括机器辅助配置模块508,采用机器学习的方式来辅助机柜配置方案,采用神经网络模型接收输入的机柜配置服务器方案并且处理所述输入的机柜配置服务器方案以对配置方案生成相应分数,根据评分情况选择最优的配置方案,具体包括以下步骤:
构建机柜配置分类模型;
获取用于对机柜配置分类模型进行训练的训练数据集,训练数据集中包含有对应不同业务需求描述的机柜配置服务器方案,以及根据自定义的评分标准评判的分值;
采用训练数据集训练机柜配置分类模型,通过将训练数据集中的不同的机柜配置服务器方案输入机柜配置分类模型,并通过分类器将机柜配置分类模型的输出进行分类,然后通过损失函数来控制机柜配置分类模型的分类精度,从而提高机柜配置分类模型的分类精度;
其中:
构建机柜配置分类模型包括以下步骤:
设置机柜配置训练模型参数,所述机柜配置训练模型为深度神经网络模型,所述机柜配置训练模型包括输入层、双向GRU、softmax层以及全连接层;
将多个机柜配置训练方案输入所述机柜配置训练模型,对所述机柜配置训练模型进行训练,更新所述机柜配置训练模型中双向GRU参数;
根据更新后的机柜配置训练模型的双向GRU参数初始化机柜配置分类模型的双向GRU参数,同时配置机柜配置分类模型的除双向GRU参数外的参数;
将机柜配置训练方案输入机柜配置训练模型,进行监督对抗训练,得到机柜配置分类模型,并将新增的机柜配置服务器方案输入监督对抗训练后的机柜配置分类模型,进行无监督虚拟对抗训练,更新机柜配置分类模型的参数,获得机柜配置分类模型。
进一步地,GRU的计算公式如下:
zt=σ(ftUz+s(t-1)Wz)
rt=σ(ftUr+s(t-1)Wr)
ht=tanh(ftUh+(s(t-1)*rt)Wh)
st=(1-zt)*ft+zt*s(t-1)
其中,zt是更新门,控制加入多少候选隐藏层ht的信息;
rt是重置门,用来计算候选隐藏层ht,控制保留多少前一时刻隐藏层s(t-1)的信息;
ht是候选隐藏层;
U、W为权值矩阵;
ft是t时刻的输入数据;
s(t-1)是t-1时刻隐藏层神经元的激活值;
σ表示sigmoid激活函数;
tanh是激活函数;
st是t时刻隐藏层神经元的激活值。
在一个可选实施例中,还设置有功耗检测模块504,在一个可选实施例中,根据负载-功耗数据与推荐功耗负载百分比范围比较,若机柜内的第一服务器的功耗比推荐功耗负载百分比的下限值低,则查找该机柜的其余服务器的负载-功耗数据与推荐功耗负载百分比范围的关系,若第二服务器比推荐功耗负载百分比的上限值低,且第二服务器比推荐功耗负载百分比的上限值低的数值大于等于第一服务器的功耗比推荐功耗负载百分比的下限值低的数值,则关闭第一服务器。
在一个可选实施例中,在根据同一类服务器的实际功耗,结合机柜额定功耗,形成机柜配置服务器方案的过程中,采用实际功耗大于设定阈值的服务器和实际功耗小于设定阈值的服务器一一对应的方式来为机柜配置服务器,其中,所述设定阈值为不同类的服务器的实际功耗的平均值。
在一个可选实施例中,还设置有计时模块506和负载队列的深度监测模块507,负载队列的深度监测模块507用于监测服务器的负载队列深度。计时模块506用于计时负载队列深度的持续时间。若服务器的当前负载队列的深度介于低负载阈值与高负载阈值之间,则继续保持该服务器的负载不变;
若既有服务器的当前负载队列的深度小于低负载阈值,又有服务器的当前负载队列的深度高于高负载阈值,则判断计时器的持续时间t是否大于非正常负载时间阈值,若计时器的持续时间t大于非正常负载时间阈值,则关闭当前负载队列的深度高于高负载阈值的服务器,其中,非正常负载时间阈值是指负载队列的深度高于高负载阈值或小于低负载阈值的时间阈值;
若所有服务器的当前负载队列的深度都小于低负载阈值,则逐一关闭当前负载队列的深度小于低负载阈值的服务器,直至监测到所有服务器的当前负载队列的深度介于低负载阈值与高负载阈值之间;
若所有服务器的当前负载队列的深度都高于高负载阈值,则启动备用服务器。
在一个可选实施例中,还设置有实际功耗计算模块504,实际功耗计算模块504采用以下方式计算服务器的实际功耗。估值功耗=机柜实际功耗/机柜服务器个数,其中,机柜上安装的都是同一类服务器。
并且,还可以计算服务器的月平均实际功耗,月平均实际功耗=机柜月平均功耗/机柜服务器个数,其中,机柜上安装的都是同一类服务器。
当季平均实际功耗=机柜季度平均功耗/机柜服务器个数,其中,机柜上安装的都是同一类服务器。
可以以估值功耗、月平均实际功耗、当季平均功耗作为实际功耗的依据来计算机柜的配置。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质可以是硬盘、多媒体卡、SD卡、闪存卡、SMC、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器等等中的任意一种或者几种的任意组合。所述计算机可读存储介质中包括结合实际功耗采购服务器的程序等,所述结合实际功耗采购服务器的程序50被处理器22执行时实现如下操作:
步骤S10,将数据中心的服务器按照相同品牌、相同配置进行分类,并将相同品牌、相同配置的服务器作为同一类服务器;
步骤S30,采集同一类服务器的实际功耗值,依据采集时间点的CPU负载进行抽样,建立实际功耗统计表;
步骤S50,根据同一类服务器的实际功耗,结合机柜额定功耗,确定机柜内服务器的数量,为采购服务器提供依据。
本发明之计算机可读存储介质的具体实施方式与上述结合实际功耗采购服务器的方法以及电子装置2的具体实施方式大致相同,在此不再赘述。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种结合实际功耗采购服务器的方法,应用于电子装置,其特征在于,包括:
将数据中心的服务器按照相同品牌、相同配置进行分类,并将相同品牌、相同配置的服务器作为同一类服务器;
采集同一类服务器的实际功耗值;
根据同一类服务器的实际功耗,结合机柜额定功耗,确定机柜内服务器的数量,为采购服务器提供机柜配置服务器方案,其中:
还采用机器学习方法辅助机柜配置服务器方案,采用神经网络模型接收输入的机柜配置服务器方案并且处理所述输入的机柜配置服务器方案以对所述机柜配置服务器方案生成相应分数,根据评分情况选择最优的机柜配置服务器方案,具体包括以下步骤:
构建机柜配置分类模型;
获取用于对机柜配置分类模型进行训练的训练数据集,训练数据集中包含有对应不同业务需求描述的机柜配置服务器方案,以及根据自定义的评分标准评判的分值;
采用训练数据集训练机柜配置分类模型,通过将训练数据集中的不同的机柜配置服务器方案输入机柜配置分类模型,并通过分类器将机柜配置分类模型的输出进行分类,然后通过损失函数来控制机柜配置分类模型的分类精度,从而提高机柜配置分类模型的分类精度;
其中:
构建机柜配置分类模型包括以下步骤:
设置机柜配置训练模型参数,所述机柜配置训练模型为深度神经网络模型,所述机柜配置训练模型包括输入层、双向GRU、softmax层以及全连接层;
将多个机柜配置训练方案输入所述机柜配置训练模型,对所述机柜配置训练模型进行训练,更新所述机柜配置训练模型中双向GRU参数;
根据更新后的机柜配置训练模型的双向GRU参数初始化机柜配置分类模型的双向GRU参数,同时配置机柜配置分类模型的除双向GRU参数外的参数;
将机柜配置训练方案输入机柜配置训练模型,进行监督对抗训练,得到机柜配置分类模型,并将新增的机柜配置服务器方案输入监督对抗训练后的机柜配置分类模型,进行无监督虚拟对抗训练,更新机柜配置分类模型的参数,获得机柜配置分类模型。
2.根据权利要求1所述的结合实际功耗采购服务器的方法,其特征在于,
GRU的计算公式如下:
zt=σ(ftUz+s(t-1)Wz)
rt=σ(ftUr+s(t-1)Wr)
ht=tanh(ftUh+(s(t-1)*rt)Wh)
st=(1-zt)*ft+zt*s(t-1)
其中,zt是更新门,控制加入多少候选隐藏层ht的信息;
rt是重置门,用来计算候选隐藏层ht,控制保留多少前一时刻隐藏层s(t-1)的信息;
ht是候选隐藏层;
U、W为权值矩阵;
ft是t时刻的输入数据;
s(t-1)是t-1时刻隐藏层神经元的激活值;
σ表示sigmoid激活函数;
tanh是激活函数;
st是t时刻隐藏层神经元的激活值。
3.根据权利要求1所述的结合实际功耗采购服务器的方法,其特征在于,
还实时监测各台服务器的实际功耗,并求取各服务器的实际功耗与所在机柜中所有服务器的实际功耗的平均值的差值,如果差值高于差值限值,则按照所述差值逐渐降低的顺序逐个对服务器的CPU降频处理,直至所述差值在差值限值范围内。
4.根据权利要求1所述的结合实际功耗采购服务器的方法,其特征在于,
在根据同一类服务器的实际功耗,结合机柜额定功耗,形成机柜配置服务器方案的过程中,采用实际功耗大于设定阈值的服务器和实际功耗小于设定阈值的服务器一一对应的方式来为机柜配置服务器,其中,所述设定阈值为不同类的服务器的实际功耗的平均值。
5.根据权利要求1所述的结合实际功耗采购服务器的方法,其特征在于,
还设置有计时模块,在监测同一类服务器的实际功耗值的过程中,若服务器的当前负载队列的深度介于低负载阈值与高负载阈值之间,则继续保持该服务器的负载不变;
若既有服务器的当前负载队列的深度小于低负载阈值,又有服务器的当前负载队列的深度高于高负载阈值,则判断计时器的持续时间t是否大于非正常负载时间阈值,若计时器的持续时间t大于非正常负载时间阈值,则关闭当前负载队列的深度高于高负载阈值的服务器,其中,非正常负载时间阈值是指负载队列的深度高于高负载阈值或小于低负载阈值的时间阈值;
若所有服务器的当前负载队列的深度都小于低负载阈值,则逐一关闭当前负载队列的深度小于低负载阈值的服务器,直至监测到所有服务器的当前负载队列的深度介于低负载阈值与高负载阈值之间;
若所有服务器的当前负载队列的深度都高于高负载阈值,则启动备用服务器。
6.根据权利要求1所述的结合实际功耗采购服务器的方法,其特征在于,
其中,同一类服务器的实际功耗采用以下方式计算,
估值功耗=机柜实际功耗/机柜服务器个数,其中,机柜上安装的都是同一类服务器,
并且,还计算服务器的月平均实际功耗,月平均实际功耗=机柜月平均功耗/机柜服务器个数,其中,机柜上安装的都是同一类服务器,
并且,还计算服务器的当季平均实际功耗,当季平均实际功耗=机柜季度平均功耗/机柜服务器个数,其中,机柜上安装的都是同一类服务器。
7.一种电子装置,其特征在于,该电子装置包括:存储器和处理器,所述存储器中存储有结合实际功耗采购服务器的程序,所述结合实际功耗采购服务器的程序被所述处理器执行时实现如下步骤:
将数据中心的服务器按照相同品牌、相同配置进行分类,并将相同品牌、相同配置的服务器作为同一类服务器;
采集同一类服务器的实际功耗值;
根据同一类服务器的实际功耗,结合机柜额定功耗,确定机柜内服务器的数量,为采购服务器提供机柜配置服务器方案,其中:
还采用机器学习方法辅助机柜配置服务器方案,采用神经网络模型接收输入的机柜配置服务器方案并且处理所述输入的机柜配置服务器方案以对所述机柜配置服务器方案生成相应分数,根据评分情况选择最优的机柜配置服务器方案,具体包括以下步骤:
构建机柜配置分类模型;
获取用于对机柜配置分类模型进行训练的训练数据集,训练数据集中包含有对应不同业务需求描述的机柜配置服务器方案,以及根据自定义的评分标准评判的分值;
采用训练数据集训练机柜配置分类模型,通过将训练数据集中的不同的机柜配置服务器方案输入机柜配置分类模型,并通过分类器将机柜配置分类模型的输出进行分类,然后通过损失函数来控制机柜配置分类模型的分类精度,从而提高机柜配置分类模型的分类精度;
其中:
还采用机器学习方法辅助机柜配置服务器方案,采用神经网络模型接收输入的机柜配置服务器方案并且处理所述输入的机柜配置服务器方案以对机柜配置服务器方案生成相应分数,根据评分情况选择最优的机柜配置服务器方案,具体包括以下步骤:
获得训练数据集,训练数据集中包含有对应不同业务需求描述的机柜的配置方案,以及根据自定义的评分标准评判的分值;
构建机柜配置分类模型;
训练机柜配置分类模型,并通过分类器和损失函数来控制机柜配置分类模型的分类精度,其中:
构建机柜配置分类模型包括以下步骤:
设置机柜配置训练模型参数,所述机柜配置训练模型为深度神经网络模型,所述机柜配置训练模型包括输入层、双向GRU、softmax层以及全连接层;
将多个机柜配置训练方案输入所述机柜配置训练模型,对所述机柜配置训练模型进行训练,更新所述机柜配置训练模型中双向GRU参数;
根据更新后的机柜配置训练模型的双向GRU参数初始化机柜配置分类模型的双向GRU参数,同时配置机柜配置分类模型的除双向GRU参数外的参数;
将机柜配置训练方案输入机柜配置训练模型,进行监督对抗训练,得到机柜配置分类模型,并将新增的机柜配置服务器方案输入监督对抗训练后的机柜配置分类模型,进行无监督虚拟对抗训练,更新机柜配置分类模型的参数,获得机柜配置分类模型。
8.根据权利要求7所述的电子装置,其特征在于,GRU的计算公式如下:
zt=σ(ftUz+s(t-1)Wz)
rt=σ(ftUr+s(t-1)Wr)
ht=tanh(ftUh+(s(t-1)*rt)Wh)
st=(1-zt)*ft+zt*s(t-1)
其中,zt是更新门,控制加入多少候选隐藏层ht的信息;
rt是重置门,用来计算候选隐藏层ht,控制保留多少前一时刻隐藏层s(t-1)的信息;
ht是候选隐藏层;
U、W为权值矩阵;
ft是t时刻的输入数据;
s(t-1)是t-1时刻隐藏层神经元的激活值;
σ表示sigmoid激活函数;
tanh是激活函数;
st是t时刻隐藏层神经元的激活值。
9.根据权利要求7所述的电子装置,其特征在于,还实时监测各台服务器的实际功耗,并求取各服务器的实际功耗与所在机柜中所有服务器的实际功耗的平均值的差值,如果差值高于差值限值,则按照所述差值逐渐降低的顺序逐个对服务器的CPU降频处理,直至所述差值在差值限值范围内。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时,实现如权利要求1-6任一项所述的结合实际功耗采购服务器的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811549188.XA CN109800082B (zh) | 2018-12-18 | 2018-12-18 | 结合实际功耗采购服务器的方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811549188.XA CN109800082B (zh) | 2018-12-18 | 2018-12-18 | 结合实际功耗采购服务器的方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109800082A true CN109800082A (zh) | 2019-05-24 |
CN109800082B CN109800082B (zh) | 2022-09-02 |
Family
ID=66557180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811549188.XA Active CN109800082B (zh) | 2018-12-18 | 2018-12-18 | 结合实际功耗采购服务器的方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109800082B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111459779A (zh) * | 2020-03-13 | 2020-07-28 | 苏州浪潮智能科技有限公司 | 一种服务器质量等级分类方法和系统 |
CN112381434A (zh) * | 2020-11-20 | 2021-02-19 | 深圳前海微众银行股份有限公司 | 一种数据中心机位容量的确定方法、设备及存储介质 |
CN112527615A (zh) * | 2020-12-07 | 2021-03-19 | 北京奇艺世纪科技有限公司 | 一种设备确定方法、装置、电子设备及存储介质 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101441506A (zh) * | 2007-11-20 | 2009-05-27 | 中兴通讯股份有限公司 | 一种刀片服务器系统及其功耗管理方法 |
CN102469740A (zh) * | 2010-11-04 | 2012-05-23 | 戴尔产品有限公司 | 机架级模块化服务器以及存储结构框架 |
CN103873569A (zh) * | 2014-03-05 | 2014-06-18 | 兰雨晴 | 一种基于IaaS云平台的资源优化部署方法 |
CN106056237A (zh) * | 2016-05-19 | 2016-10-26 | 北京百度网讯科技有限公司 | 用于数据中心的服务器机架位分配方法和装置 |
-
2018
- 2018-12-18 CN CN201811549188.XA patent/CN109800082B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101441506A (zh) * | 2007-11-20 | 2009-05-27 | 中兴通讯股份有限公司 | 一种刀片服务器系统及其功耗管理方法 |
CN102469740A (zh) * | 2010-11-04 | 2012-05-23 | 戴尔产品有限公司 | 机架级模块化服务器以及存储结构框架 |
CN103873569A (zh) * | 2014-03-05 | 2014-06-18 | 兰雨晴 | 一种基于IaaS云平台的资源优化部署方法 |
CN106056237A (zh) * | 2016-05-19 | 2016-10-26 | 北京百度网讯科技有限公司 | 用于数据中心的服务器机架位分配方法和装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111459779A (zh) * | 2020-03-13 | 2020-07-28 | 苏州浪潮智能科技有限公司 | 一种服务器质量等级分类方法和系统 |
CN111459779B (zh) * | 2020-03-13 | 2023-01-06 | 苏州浪潮智能科技有限公司 | 一种服务器质量等级分类方法和系统 |
CN112381434A (zh) * | 2020-11-20 | 2021-02-19 | 深圳前海微众银行股份有限公司 | 一种数据中心机位容量的确定方法、设备及存储介质 |
CN112527615A (zh) * | 2020-12-07 | 2021-03-19 | 北京奇艺世纪科技有限公司 | 一种设备确定方法、装置、电子设备及存储介质 |
CN112527615B (zh) * | 2020-12-07 | 2023-09-01 | 北京奇艺世纪科技有限公司 | 一种设备确定方法、装置、电子设备及存储介质 |
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 |
---|---|
CN109800082B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800082A (zh) | 结合实际功耗采购服务器的方法、装置及存储介质 | |
CN109840180A (zh) | 服务器运行功耗管理方法、装置及计算机可读存储介质 | |
CN105929923B (zh) | 一种电源功率的管理方法及装置 | |
US20210034436A1 (en) | Virtual Machine Scheduling Method and System | |
Kessaci et al. | A multi-start local search heuristic for an energy efficient VMs assignment on top of the OpenNebula cloud manager | |
CN107678845A (zh) | 应用程序管控方法、装置、存储介质及电子设备 | |
CN107534189A (zh) | 具有多个电池的设备中的电池管理 | |
CN109800125A (zh) | 机柜配置管理方法、装置及计算机可读存储介质 | |
Azad-Farsani et al. | Distribution network reconfiguration based on LMP at DG connected busses using game theory and self-adaptive FWA | |
CN108549583A (zh) | 大数据处理方法、装置、服务器及可读存储介质 | |
CN107544381A (zh) | 能源管理方法及装置 | |
Han et al. | Scaling up cooperative game theory-based energy management using prosumer clustering | |
CN105975340A (zh) | 一种虚拟机应用分配部署算法 | |
CN110111090A (zh) | 一种电子红包的发放方法及装置 | |
CN108133390A (zh) | 用于预测用户行为的方法和装置以及计算设备 | |
CN110535700A (zh) | 一种多用户多边缘服务器场景下的计算卸载方法 | |
CN112803427A (zh) | 基于需求的区域电网调度方法、系统、终端及存储介质 | |
CN115454561A (zh) | 一种定制界面显示方法、装置、设备及存储介质 | |
CN113568759B (zh) | 一种基于云计算的大数据处理方法及其系统 | |
CN107491874A (zh) | 一种用户分区电价确定方法及装置 | |
Huang et al. | Applications of machine learning to resource management in cloud computing | |
CN114742425A (zh) | 绿色数据中心多资源协同规划方法、计算设备及存储介质 | |
CN109376344A (zh) | 表单的生成方法及终端设备 | |
CN113849365A (zh) | 服务器性能功耗比调控方法、系统、终端及存储介质 | |
CN109525404A (zh) | 一种流量池资费优化方法、装置、计算机设备及介质 |
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 |