CN111158974A - 一种面向云服务器的硬件感知cpu能耗测算方法 - Google Patents

Abstract

本发明公开的一种面向云服务器的硬件感知CPU能耗测算方法，包含以下步骤：获取服务器的CPU硬件参数信息；建立并维护CPU参数模型数据库来记录当前主流CPU的参数模型；根据服务器CPU参数信息，利用CPU参数模型匹配算法在CPU参数模型数据库中选择与服务器CPU匹配的参数模型；结合CPU能耗基准数据集和主流的CPU能耗模型，分析CPU能耗模型在特定CPU发行年份下的测算性能和模型特性；在匹配CPU参数模型中获取CPU发行年份，根据上述分析结果选择该年份下测算性能最好的CPU能耗模型，作为服务器CPU的测算模型。本发明在提高云服务器的能耗测算准确率的同时，降低了模型训练难度和简化了系统部署。

Description

一种面向云服务器的硬件感知CPU能耗测算方法

技术领域

本发明涉及CPU能耗测算领域，特别涉及一种面向云服务器的硬件感知CPU能耗测算方法。

背景技术

近年来，随着云计算技术及其应用的迅速发展，云数据中心的数量和规模都大幅度增加。与此同时，云数据中心的高能耗问题也愈发的严重。因此，数据中心的能耗管理逐渐成为云计算领域的热点研究方向。云服务器的能耗占整个云数据中心能耗约25％，占IT设备能耗的70％以上，降低和优化管理云服务器的能耗是实现云数据中心节能的关键，且能耗模型是云计算能效优化调度的基础。而CPU能耗在整个云服务器系统中的能耗约占30％，因此，如何利用精准的能耗模型去建立一种高效的云服务器CPU能耗测算方法，已是亟待解决的问题。

近几年有很多关于CPU能耗模型的研究。Fan等人提出基于CPU利用率的一元线性能耗模型，并指出CPU的功耗与其工作频率的立方呈线性相关。但是Chung-Hsinget等人在深入研究了SPECpower_ssj2008从2007至2010年间公布的177个样本后指出，服务器的能耗行为已经发生了巨大的改变。从2008年起，服务器的硬件提供商和操作系统软件提供商都提出了不同的能耗管理框架，因此，能耗模型也不再是简单的一元回归模型。Chung-Hsinget最后提出了一个一元的指数模型，但是该模型只针对于计算密集型的应用，构建的模型参数也来自经验值，缺乏通用性。Lee等人则使用了服务器的最大功率、最小功率和CPU的当前利用率来表述能耗模型。Beloglazov等人使用服务器最大功率、CPU利用率、服务器空闲和最大功率的能耗比来组建能耗模型。但是Lee和Beloglazov等人本质上都是对基本线性模型的改进。除了基于CPU利用率这种建模方式，还可以在系统事件级别或指令级别对CPU进行能耗建模。Contreras等人通过采集系统事件的数据来构建能耗模型，但是这种方案比较依赖特定处理器架构，并且系统事件的采集在虚拟化环境中并不一定可行。指令粒度的能耗模型旨在建立指令的执行与功耗的关系，在实际操作上难度比较大，例如论文《Power prediction for Intel XScale processors using performance monitoringunit events》关注了一组指令集合，利用微基准测试程序来测定单个指令的功耗，但从实验结果看，指令级别的能耗模型也比较依赖处理器架构，并且精准度不高。在国内，东北大学宋杰教授等人基于CPU利用率和频率进行CPU能耗建模，并创新性地利用偏导推导出CPU能耗的多项式模型，并比较了不同类型负载的能耗特点和优化办法。清华大学林闯教授等人也研究了云服务器CPU的功耗与工作频率的模型，指出CPU在满负荷下，CPU能耗与CPU工作频率的立方呈线性相关。我们之前也研究过在异构云环境中，虚拟机在CPU密集型负载下的能耗模型问题，论文《An intelligent power consumption model for virtualmachines under CPU-intensive workload in cloud environment》通过对虚拟机的负载能耗实验分析，得知虚拟机能耗与CPU的利用率之间的函数关系介于线性和指数之间，为此提出基于幂函数的虚拟机能耗模型。

通过上面分析可知，CPU能耗模型方面目前主要有：线性模型、多项式模型、指数模型和幂函数模型。线性模型的问题精度不高，而多项式模型的问题是项数难以确定和参数训练复杂，指数模型的参数难以获得，缺乏通用性。虽然幂函数模型相对线性模型、多项式模型、指数模型有一定的改进，但是随着近年来服务器CPU功耗变化，幂函数CPU能耗模型的准确性呈现不稳定趋势。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种面向云服务器的硬件感知CPU能耗测算方法。一方面，根据近年来服务器CPU能耗变化趋势，提出一种新型的幂指函数模型；另一方面，进一步提出一种硬件感知的CPU能耗测算方法。根据获取的服务器CPU硬件参数信息，利用CPU参数模型匹配算法在CPU参数模型数据库中选择与服务器CPU匹配的参数模型；并在匹配CPU参数模型中获取CPU发行年份，根据数据集分析结果选择该年份下测算性能最好的CPU能耗模型作为服务器CPU的测算模型。

本发明的目的通过以下的技术方案实现：

一种面向云服务器的硬件感知CPU能耗测算方法，包含以下顺序的步骤：

S1.获取服务器的CPU参数信息，所述CPU参数信息包括CPU型号、核数、基础频率和CPU是否拥有超线程；

S2.建立并维护一个较为全面的CPU参数模型数据库来记录当前市面上主流CPU的参数模型；

S3.根据获取的服务器CPU参数信息，利用CPU参数模型匹配算法在CPU参数模型数据库中选择与服务器CPU匹配的参数模型；

S4.结合CPU能耗基准数据集和主流的CPU能耗模型，分析CPU能耗模型在特定CPU发行年份下的测算性能和模型特性；

S5.在匹配CPU参数模型中获取CPU发行年份，根据上述分析结果选择该年份下测算性能最好的CPU能耗模型，该能耗模型作为服务器CPU的测算模型。

步骤S2中，所述CPU参数模型的数据库是采用可扩展标记语言xml的格式来构建的，所述数据库包含记录CPU厂商(如Intel和AMD)和处理器系列(如Desktop、Mobile和Server系列)等标签，而且每一个具体的CPU参数模型为一个独立的子标签；所述CPU参数模型的参数包含CPU型号、核数、基础频率、CPU是否拥有超线程、峰值能耗和CPU发行年份。

步骤S3中，所述CPU参数模型匹配算法具体包含以下步骤：

S301.首先在CPU参数模型数据库中按照服务器CPU型号搜索对应的参数模型，若能搜到，则该参数模型为服务器CPU的匹配模型；若数据库中没有记录该型号，转到步骤S302；

S302.为除CPU型号以外的服务器CPU参数设置对应的匹配权重，所述除CPU型号以外的服务器CPU参数包括核数、基础频率、CPU是否拥有超线程；

S303.在与CPU参数模型数据库进行匹配的过程中，若上述CPU参数匹配成功，则对数据库匹配模型累加对应权重，若匹配不成功则不用累加；最后选取数据库中权重最大的匹配模型集合；

S304.在上述参数模型集合中通过有效频率来进一步筛选，和服务器CPU有效频率最接近的参数模型即为服务器CPU的匹配模型；所述有效频率＝核数*基础频率。

步骤S4中，所述CPU能耗基准数据集包含市面上主流CPU的能耗测试数据。一般为基于CPU利用率的测试方法。

步骤S4中，所述CPU能耗模型包括：线性模型、多项式模型、幂函数模型和幂指函数模型；它们的模型公式分别为：

线性模型：

多项式模型：

幂函数模型：

幂指函数模型：

其中P_Xx模型代表模型计算的CPU能耗，

代表CPU空闲能耗，

代表CPU峰值能耗，α代表模型参数，U代表CPU利用率。

幂指函数模型是我们针对近年来(尤其是2013年之后)服务器CPU所提出的一种新型的CPU能耗模型。通过研究发现近年来服务器CPU能耗特征为：在较低利用率时能耗增长迅速，中等负载下能耗增长减缓，高负载利用率下因为睿频技术能耗再次增长迅速。基于上述变化趋势，提出一种基于CPU利用率的幂指函数模型。幂指函数模型将指数部分设计为α+U，可以满足上述提到变化趋势。

本发明与现有技术相比，具有如下优点和有益效果：

(1)本发明提出了新型的幂指函数模型，相对于其他CPU能耗模型，该模型可以很好地满足近年来服务器CPU的能耗特征，可以实现对新型CPU能耗的精准测算。而且幂指函数模型只有一个模型参数，这种设计极大的降低了模型复杂度，并且可使用经验参数来计算。

(2)本发明建立的CPU参数模型数据库记录了市面上主流CPU的参数模型，我们也设计了一套高效的CPU参数模型匹配算法，两者结合可以寻找服务器CPU的匹配参数模型，从而获取CPU发行年份。

(3)本发明结合CPU能耗基准数据集和几种主流的CPU能耗模型，分析CPU能耗模型在特定CPU发行年份下的测算性能和模型特性；利用上述分析结果为服务器CPU选择精准的能耗模型，在测算时不需要对模型进行训练，减少训练开销。

(4)基于上述发现，本发明提出了一种面向云服务器的硬件感知CPU能耗测算方法。此方法可以实现CPU能耗的精准测算，而且不需要对模型进行训练，极大的降低应用部署难度，具有很好的灵活性。

附图说明

图1为SPECpower_ssj2008数据集中CPU能耗模型平均相对误差随CPU发行年份变化示意图。

图2为SPECpower_ssj2008数据集中CPU能耗模型参数平均值随CPU发行年份变化示意图。

图3为SPECpower_ssj2008数据集中CPU型号为Intel Xeon Platinum 8276L的能耗曲线图。

图4为CPU参数模型匹配算法的流程图。

图5为CPU能耗模型和实际能耗的拟合示意图。

图6为CPU能耗模型的平均绝对误差示意图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

我们选择SPECpower_ssj2008数据集作为CPU能耗基准数据集，SPECpower_ssj2008是工业界使用的标准CPU性能基准测试，考虑到实际服务器类型的CPU型号不超过100项，该数据集采集的能耗数据已经足够丰富。该数据集最早从2007年第四季度发布，截止到2019年第四季度，一共有582项有效数据。

我们按照CPU发行年份对SPECpower_ssj2008数据集中的582项有效数据进行分类，并统计上述四种CPU能耗模型在不同年份下所有记录的平均相对误差，平均相对误差可以由能耗模型测算值和数据集真实能耗值得出。能耗模型的平均相对误差越小，代表能耗模型的测算准确率越高。SPECpower_ssj2008数据集中CPU能耗模型平均相对误差随CPU发行年份的变化如图1所示。另一方面，由于线性模型没有模型参数，所以只需统计多项式模型、幂函数模型和幂指函数模型这三种CPU能耗模型在不同年份下所有记录的模型参数平均值，SPECpower_ssj2008数据集中CPU能耗模型参数平均值随CPU发行年份变化如图2所示。

我们选择该数据集中CPU型号为Intel Xeon Platinum 8276L的能耗数据作为CPU能耗实际测算值。CPU的发行年份为2019年，该CPU的能耗曲线如图3所示，其中CPU利用率从0％到100％变化，变化间隔为10％，一共有11个CPU能耗数据点。

CPU参数模型数据库中CPU型号为Intel Xeon Platinum 8276L的参数模型具体内容由独立的<Record>标签存储，如下所示：

其中，<CpuModelList>标签下存储CPU参数模型条目，下一级标签为厂商(记录为Intel)，该级标签又包含处理器系列标签(记录为Server系列)。该CPU参数模型包含的参数有CPU型号为8276L、核数为28、基础频率为2200MHZ、CPU是否拥有超线程为是、峰值能耗为136.9W和CPU发行年份为2019年。该记录为后续的CPU参数模型匹配提供可靠的匹配数据来源。

此时能够获取到的服务器CPU硬件参数信息有CPU型号、核数、基础频率和CPU是否拥有超线程，参数具体内容如上所述。

CPU参数模型匹配算法的流程如图4所示，以上述CPU型号Intel Xeon Platinum8276L为例，具体步骤如下：

1、首先在CPU参数模型数据库中按照服务器CPU型号8276L搜索对应的参数模型，很明显此时是能搜到“CPU参数模型数据库中CPU型号为Intel Xeon Platinum 8276L的参数模型”所示的参数模型，则该参数模型为服务器CPU的匹配模型。此时我们还应考虑到另一种情况，即当数据库中没有记录该型号时，转到步骤2；

2、为除CPU型号以外的服务器CPU参数，比如核数、基础频率和CPU是否拥有超线程等，设置对应的匹配权重。比如当侧重于匹配基础频率时，为基础频率参数设置权重为3，其他参数设置权重为1；

3、在与CPU参数模型数据库进行匹配的过程中，首先数据库中每个CPU参数模型的匹配权重都初始化为0，若上述参数匹配成功则对模型累加对应权重，若匹配不成功则不用累加。比如当CPU参数模型的核数、基础频率参数和服务器CPU相匹配时，模型匹配权重为：3+1＝4。当匹配完上述CPU参数之后选取权重最大的参数模型集合；

4、在上述参数模型集合中通过有效频率(有效频率＝核数*基础频率)来进一步筛选，此时服务器CPU的有效频率为：28*2200＝61600，所以集合中有效频率最接近61600的参数模型即为服务器CPU的匹配模型。

通过如“CPU参数模型数据库中CPU型号为Intel Xeon Platinum 8276L的参数模型”所示的匹配参数模型可以获取CPU的发行年份为2019年，根据图1所示的统计结果，2019年幂指函数模型的平均相对误差最小，模型的测算准确率最高，所以我们选择幂指函数模型作为服务器CPU的测算模型。根据图2所示的统计结果，幂指函数模型在2019年对应的模型参数平均值为0.6，所以选择0.6作为模型参数值。

如公式(4)中所示，

代表CPU空闲能耗，可以认为值为0，

代表CPU峰值能耗，值为参数模型中的峰值能耗，即为136.9W，α代表模型参数，值为上述的0.6。综上所述，我们可以选择如下能耗模型作为服务器CPU测算模型：

P_硬件感知＝136.9*U^0.6+U (5)

此时根据CPU利用率U可以得出模型测算能耗曲线，为了验证硬件感知方法的准确率，我们将测算模型(5)和线下训练的线性模型、多项式模型、幂函数模型和幂指函数模型进行了对比，它们与图3所示实际能耗值的拟合效果如图5所示。图6所示为比较模型的平均绝对误差，硬件感知方法的平均绝对误差仅为2.14，仅次于线下训练的幂指函数模型。但是硬件感知方法不需要对模型进行训练，极大的降低应用部署难度，具有很好的灵活性。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (5)

1.一种面向云服务器的硬件感知CPU能耗测算方法，其特征在于，包含以下顺序的步骤：

S1.获取服务器的CPU参数信息，所述CPU参数信息包括CPU型号、核数、基础频率和CPU是否拥有超线程；

S2.建立并维护一个CPU参数模型数据库来记录当前市面上主流CPU的参数模型；

S3.根据获取的服务器CPU参数信息，利用CPU参数模型匹配算法在CPU参数模型数据库中选择与服务器CPU匹配的参数模型；

S4.结合CPU能耗基准数据集和主流的CPU能耗模型，分析CPU能耗模型在特定CPU发行年份下的测算性能和模型特性；

S5.在匹配CPU参数模型中获取CPU发行年份，根据上述分析结果选择该年份下测算性能最好的CPU能耗模型，该能耗模型作为服务器CPU的测算模型。

2.根据权利要求1所述面向云服务器的硬件感知CPU能耗测算方法，其特征在于，步骤S2中，所述CPU参数模型的数据库是采用可扩展标记语言xml的格式来构建的，所述数据库包含记录CPU厂商和处理器系列标签，而且每一个具体的CPU参数模型为一个独立的子标签；所述CPU参数模型的参数包含CPU型号、核数、基础频率、CPU是否拥有超线程、峰值能耗和CPU发行年份。

3.根据权利要求1所述面向云服务器的硬件感知CPU能耗测算方法，其特征在于，步骤S3中，所述CPU参数模型匹配算法具体包含以下步骤：

S301.首先在CPU参数模型数据库中按照服务器CPU型号搜索对应的参数模型，若能搜到，则该参数模型为服务器CPU的匹配模型；若数据库中没有记录该型号，转到步骤S302；

S302.为除CPU型号以外的服务器CPU参数设置对应的匹配权重，所述除CPU型号以外的服务器CPU参数包括核数、基础频率、CPU是否拥有超线程；

S303.在与CPU参数模型数据库进行匹配的过程中，若上述CPU参数匹配成功，则对数据库匹配模型累加对应权重，若匹配不成功则不用累加；最后选取数据库中权重最大的匹配模型集合；

S304.在上述参数模型集合中通过有效频率来进一步筛选，和服务器CPU有效频率最接近的参数模型即为服务器CPU的匹配模型；所述有效频率＝核数*基础频率。

4.根据权利要求1所述面向云服务器的硬件感知CPU能耗测算方法，其特征在于，步骤S4中，所述CPU能耗基准数据集包含市面上主流CPU的能耗测试数据。

5.根据权利要求1所述面向云服务器的硬件感知CPU能耗测算方法，其特征在于，步骤S4中，所述CPU能耗模型包括：线性模型、多项式模型、幂函数模型和幂指函数模型；它们的模型公式分别为：

线性模型：

多项式模型：

幂函数模型：

幂指函数模型：

其中P_XX模型代表模型计算的CPU能耗，

代表CPU空闲能耗，

代表CPU峰值能耗，α代表模型参数，U代表CPU利用率。

Images