CN111191851B - 一种基于知识图谱的数据中心能效优化方法 - Google Patents
一种基于知识图谱的数据中心能效优化方法 Download PDFInfo
- Publication number
- CN111191851B CN111191851B CN202010005008.2A CN202010005008A CN111191851B CN 111191851 B CN111191851 B CN 111191851B CN 202010005008 A CN202010005008 A CN 202010005008A CN 111191851 B CN111191851 B CN 111191851B
- Authority
- CN
- China
- Prior art keywords
- entity
- energy efficiency
- data center
- energy
- knowledge graph
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- 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)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于知识图谱的数据中心能效优化方法,其步骤包括:1)构建数据中心能效知识图谱;2)对于数据中心的一实体设备i,依据所述数据中心能效知识图谱抽取与该实体设备i相关实体的属性信息,作为该实体设备i的感知数据;3)根据设定的能效模型,从所述数据中心能效知识图谱获取该能效模型所涉及实体设备的感知数据,训练该能效模型;4)根据训练后的能效模型及其所涉及的实体设备的实时状态,从能效优化方案库中选取一节能方案,对数据中心进行能效优化。本发明大大提高了资源优化效率,可用于资源感知、能效模型建立、能效评估和节能策略的推导等应用。
Description
技术领域
本发明属于数据中心领域,具体地,涉及一种基于知识图谱的数据中心能效优化方法。
背景技术
随着云计算的普及性及其在规模上的快速增长,数据中心的能耗问题日益凸显,即使是微小的节能改进也可以节省大量成本。因此数据中心的能效优化变得至关重要,成为了学术界、工商业界的一大研究热点。
数据中心的资源通常可以分为IT资源(如服务器、存储设备以及通讯设备等)和非IT资源(如制冷设备、不断电电源系统UPS和配电单元PDU等)两大类。目前,数据中心能效优化,或者专注于IT资源的优化,在服务器层次,对能效进行优化;或者专注于非IT资源的优化,对冷却系统等管理优化。在服务器层次,典型的能效优化方法有计算资源虚拟化技术、流量工程调度技术等。而当前针对非IT资源的能效优化一般是通过人工实现,数据中心的运维人员根据经验和机房内外具体的环境情况,手动设置数据中心的设备的运行状态,如设置空调的温度等,从而达到节约能源的目的。以上的方法,都是在局部条件下对数据中心进行能效优化,而没有挖掘数据中心各个节点之间的内在联系,并对其予以充分利用。真实数据中心内L1层(基础设施,包含供配电设施、制冷设备和机柜等)和L2层设备(包含服务器、存储器和网络设备等)的能耗相关数据之间存在复杂的关联性,缺乏可以直观描述该复杂关联性的模型。事实上,挖掘数据中心的设备之间的相互联系对能效优化有重大意义。如服务器在运行过程中散发的热量会改变机房的温度,从而对空调的制冷功率产生影响,在进行能效优化的时候,挖掘服务器和空调能耗之间的联系,可以基于此推导出设置合理的空调温度,而非仅凭经验对其进行设置。
因此挖掘数据中心各个设备之间的关系,提取出与能效优化相关的数据特征,以结构化方式管理数据中心的设备,来实现数据中心的能效优化,成为了目前亟待解决的技术问题。
发明内容
为了解决上述问题,本发明提出了一种基于知识图谱的数据中心能效优化系统,构建数据中心能效知识图谱,并基于该能效知识图谱,实现数据中心的能效优化。在数据中心能效优化领域,本发明首次借助知识图谱来进行能效优化。本发明提出了一种数据中心的能效知识图谱的构建方法,并基于此,实现数据中心能效优化。知识图谱于2012年由谷歌提出,它以结构化的方式管理数据,擅长挖掘、推理数据之间的关系以服务于问答、搜索和推荐等上层应用。
本发明的技术方案为:
一种基于知识图谱的数据中心能效优化方法,其步骤包括:
1)构建数据中心能效知识图谱;
2)对于数据中心的一实体设备i,依据所述数据中心能效知识图谱抽取与该实体设备i相关实体的属性信息,作为该实体设备i的感知数据;
3)根据设定的能效模型,从所述数据中心能效知识图谱获取该能效模型所涉及实体设备的感知数据,训练该能效模型;
4)根据训练后的能效模型及其所涉及的实体设备的实时状态,从能效优化方案库中选取一节能方案,对数据中心进行能效优化。
进一步的,构建数据中心能效知识图谱的方法为:首先根据设定的数据中心能效知识图谱的实体类型,从数据中心获取数据中心能效知识图谱的实体及实体属性,将其存至实体-属性-属性值三元组中;然后根据设定的实体之间的关系类型及其对应的计算方式,抽取实体间的关系并将其存至实体-关系-实体三元组中;然后基于实体-属性-属性值三元组、实体-关系-实体三元组生成数据中心能效知识图谱。
进一步的,实体之间的关系类型有public和shared两种类型;若实体A与实体B之间是直接连接的,则实体A与实体B之间的关系类型为private;若实体A是一个共享资源,则实体A与共享实体A的实体C之间的关系类型为shared。
进一步的,对于一实体A,该实体A与实体D、实体E关系类型为shared,时刻t时,实体A消耗的功率大于实体D消耗实体A的能耗与实体E消耗实体A的能耗之和,则实体A产生并发出一警告信息。
进一步的,对于一实体A,该实体A与实体D、实体E关系类型为shared;当实体A要通过交换机向外界发送数据时,通过数据中心能效知识图谱感知到实体A与实体D、实体E直接相连且实体E比实体E空闲,则实体A通过实体E发送数据。
进一步的,所述实体类型包含但不局限于服务器、制冷设备、网络设备;所述实体属性包含基础属性和实时属性,所述基础属性是指实体的基础参数信息,所述实时属性是实体设备状态以及能耗状态。
进一步的,根据数据中心能效评估指标,从能效知识图谱中获取能效评估所需要的能耗数据,按照指定的能效评估指标进行计算,对数据中心进行能效评估。
一方面,本发明提供了一种数据中心能效知识图谱的构建方法,包含预定义数据中心能效知识图谱的实体类型,从数据中心后台获取数据中心能效知识图谱的实体;提取与能效优化相关的实体属性,将其存至实体-属性-属性值三元组中;定义数据中心能效知识图谱实体与实体之间的关系类型有public和shared两种类型,根据实际需求,定义public和shared计算方式,依据相应的计算方式,抽取实体间的关系,并将其存至实体-关系-实体三元组中。
可选地,上述人工预定义数据中心能效知识图谱的实体类型,包含但不局限于服务器、制冷设备、网络设备等。
可选地,获取所述数据中心能效知识图谱的实体的属性信息的途径包含从数据中心后台结构化数据库中获取和从半结构化数据中获取。
可选地,数据中心能效知识图谱的存储方式包含使用关系型数据库存储和图数据库存储两种方式。
具体地,数据中心能效知识图谱构建包含实体识别、属性抽取以及关系抽取三部分内容,其构建步骤如下面所示:
(1-1)、实体识别,使用人工预定义方式将数据中心的设备如服务器、交换机、制冷设备等作为知识图谱的实体,实体用唯一的ID值来表示,是构成数据中心能效知识图谱的基本元素。
(1-2)、属性抽取,根据能效优化需求,抽取数据中心能效知识图谱实体的属性信息,将其存至实体-属性-属性值三元组中。属性包含基础属性和实时属性两种类型。基础属性变动较小,实时属性随着数据中心设备的运行状态的改变而改变,需要实时监测、更新。基础属性是指实体设备的基础参数,如设备的ID、部署位置等。实时属性指的是实体设备状态以及能耗状态。IT设备状态包含CPU利用率、内存利用率、流量等,非IT设备的设备状态包含负载率、运行状态等。能耗状态包含设备的电流、电压、功率等。
(1-3)、关系抽取,抽取数据中心能效知识图谱实体与实体之间的关联关系,将零散的实体关联起来。其中,上述知识图谱关系包含private和shared两种类型。若实体A与实体B之间是直接连接的,则它们的关系类型为private,其值为1;若实体A是一个共享资源,则A与共享它的实体C的关系类型为shared,其值位于(0,1)内。
另一方面,本发明提供了基于上述的数据中心能效知识图谱,实现数据中心的能效优化的思路,包含但不局限于资源感知、能效模型建立、节能策略确立和能效评估。具体如下:
(2-1)、资源感知,数据中心的实体设备,依据上述方式构建的数据中心能效知识图谱,抽取与该实体相关的实体(即知识图谱中存在关系的实体)及其属性信息,实体即可感知与其关联的实体及其状态信息,实现数据中心的资源感知。感知数据包含实体本身的属性信息以及与该实体关联的实体的属性信息。感知数据为后续的能效模型建立、能效评估以及节能策略的推导提供数据支撑。
(2-2)、能效模型建立,能耗模型的层级可以分为三类:数据中心整体、子系统和设备。首先设定能耗模型类型,根据设定的能效模型类型,设置相应的自变量,从上述数据中心能效知识图谱获取相关实体的感知能耗数据,接着使用机器学习经典模型如线性回归模型、深度学习模型等来拟合数据,通过模型修正来不断提高模型准确率,直至达到预期效果。能耗模型反应了数据中心的设备之间的能效关系,为后续的能效优化、节能策略推导提供依据。
(2-3)节能方案确立,对于后台已有的能效优化方案库中的节能方案,根据(2-2)建立的能效模型,对于能效优化方案库中的每个方案,使用CFD技术进行仿真,从而得出采取该节能方案后实体设备的实体状态,将其作为能效模型的输入,从而预测采用该节能方案后设备的实时能耗,选取能耗节约最大的作为节能方案,节能方案包含但不局限于负载迁移、关闭处于休眠期的服务器、提升机房的冷却效率和适当提高机房温度等。
(2-4)、能效评估,根据数据中心能效评估指标,从能效知识图谱中获取能效评估所需要的能耗数据,按照指定的能效评估指标进行计算,对数据中心进行能效评估。能耗指标是评估数据中心能效情况的标准。能效评估指标包含数据中心总体能效指标如PUE等,和设备级别的能效指标,如设备的资源利用率等。能效评估可以检验数据中心能效优化的程度和有效性。
本发明提供了一种数据中心能效知识图谱的构建方案,首先预定义数据中心能效知识图谱的实体类型,包含但不局限于服务器、制冷设备、网络设备等,随后从数据中心后台数据库识别数据中心能效知识图谱实体,抽取与能效优化相关的实体属性信息以及实体与实体之间的关系,其关系类型包含public和share两种类型,最后将生成的数据存至关系型数据库或者图数据库中,即可完成数据中心能效知识图谱的构建。此外,本发明还基于上述数据中心能效知识图谱,实现数据中心的能效优化,包含但不局限于资源感知、能效模型建立、能效评估,节能策略的推导等应用。
上面的描述仅仅是本发明的技术方案的概述。为了更清楚地理解本发明的技术手段,并且根据说明书的内容来实施本发明,下面列出本发明的具体实施例。基于下面结合附图对本发明的具体实施例的描述,本领域技术人员将更加了解本发明。
与现有技术相比,本发明的积极效果为:
(1)、提出了一种数据中心能效知识图谱的构建方法,可实现对L1层和L2层设备之间复杂关联性进行直观建模;
(2)、提出了一种基于数据中心能效知识图谱进行数据中心能效优化的方法,首先从数据中心能效知识图谱获取感知数据;然后感知数据训练能效模型;接着根据能效模型和后台的节能方案库确立节能方案;比较采取节能方案前后,能效评估指标的变化,检验能效优化的程度和有效性。
附图说明
图1为本发明的一种基于知识图谱的数据中心能效优化系统的整体框架图;
图2为数据中心知识图谱图示;
图3为能耗模型建立流程图。
具体实施方式
下面结合附图和具体的实施例子对本发明做进一步阐述。
在介绍本发明之前,首先对知识图谱作简要介绍。知识图谱本质上是一种语义网络,狭义的知识图谱是具有图结构的三元组知识库,知识库中的实体作为知识图谱中的节点,事实作为知识图谱中的边,边的方向有头实体指向尾实体,边的类型就是两个实体之间的关系类型。知识图谱擅长整合非结构化和结构化数据,以结构化的方式管理数据,挖掘、推理数据之间的关系以服务上层应用如问答、搜索和推荐等。
参照图1,本发明提供了一种基于知识图谱的数据中心能效优化系统,系统一共包含构建数据中心能效知识图谱和基于能效知识图谱进行数据中心能效优化两个模块,基于能效知识图谱进行数据中心能效优化包含但不局限于资源感知、能效模型建立、能效评估以及节能策略推导。
接下来将结合每个步骤的具体内容来对本发明做详细介绍。
(1)、构建数据中心能效知识图谱。数据中心能效知识图谱构建包含实体识别、属性抽取和关系抽取三部分内容。具体步骤如下面所示:
(1-1)、实体识别,使用人工预定义方式将数据中心的设备如服务器、交换机、制冷设备等作为知识图谱的实体,实体用唯一的ID值来表示,是构成数据中心能效知识图谱的基本元素。
(1-2)、属性抽取,根据数据中心能效优化需求,抽取数据中心能效知识图谱实体的属性信息,并将其存至<实体,属性,属性值>三元组中。
如图2所示,对于服务器实体,抽取服务器的ID、IP地址、能耗、负载、空闲CPU、空闲内存(GB)、空闲硬盘(GB)等属性;对于空调实体,抽取空调的ID、能耗、位置、温度、湿度等属性。
(1-3)、关系抽取,抽取数据中心能效知识图谱实体与实体之间的关联关系,将零散的实体关联起来。其中,上述知识图谱关系包含private和shared两种类型。若实体A与实体B之间是直接连接的,则它们的关系类型为private,其值为1;若实体A是一个共享资源,则A与共享它的实体C的关系类型为shared,其值位于(0,1)内。其具体计算公式根据实际需求设定。在各种实施例中,公式(1)可以用来计算共享实体之间关系的具体值。
如图2中,服务器D和E是直接连接的,则其对应的三元组为<服务器D,1,服务器E>。服务器A和服务器E共享空调1,且服务器A和服务器E消耗的空调能耗分别占空调总能耗70%和30%,则空调1和服务器A的三元组为<空调1,0.7,服务器A>,空调1和服务器E的三元组为<空调1,0.3,服务器E>。
在完成数据中心能效知识图谱的实体识别、属性抽取和关系抽取以后,将构建三元组将其保存至关系型数据库或者如Neo4j的图数据库中,即可实现数据中心能效知识图谱的构建。
(2)、基于能效知识图谱进行数据中心能效优化,包含但不局限于资源感知、能效模型建立、节能策略确立和能效评估四部分内容,具体如下:
(2-1)、资源感知,根据步骤(1)构建的数据中心能效知识图谱,数据中心的设备很容易便可以感知周围与其有关联的设备的状态,并基于此,作出合理的调度,以实现数据中心能效优化。同时,由于数据中心断电、传感器故障、网络传输出错,有可能会使得感知数据出错。而感知数据的正确性对于后续的能效模型的建立起着重要作用,因此对感知数据的可靠性检测尤为重要。而能效知识图谱可以根据实体周围节点的状态,和该实体的状态推测感知数据是否出错。如图2所示,空调1由服务器A、E共享,某一时刻,空调1的功率此刻是1000W,而服务器A消耗的空调能耗是200W,服务器E消耗的空调能耗为600W,其和不为1000W,所以可以确定有感知数据出错了,系统应发出警告,以方便工作人员对其予以处理。
如图2所示,假设此刻服务器A要通过交换机向外界发送数据,通过数据中心能效知识图谱,服务器A可以感知到它与交换机a、c直接相连并且交换机a处于忙碌状态,服务器A便可以根据此,决定将数据从空闲的交换机c发送出去,合理调度资源。
(2-2)、能效模型建立,首先设定能耗模型类型,如服务器能耗模型类型、制冷设备能耗模型类型或者全系统的能耗模型类型。根据设定的能效模型类型,设置相应的自变量,从上述数据中心能效知识图谱获取历史的能耗数据,接着使用机器学习经典模型如线性回归模型、深度学习模型等来拟合数据,通过模型修正来不断提高模型准确率,直至达到预期效果。选择修正以后的模型作为数据中心能耗模型,对历史能耗数据进行统计分析,实现对数据中心能耗的准确有效预测。
例如,根据数据中心能效知识图谱,获取数据中心服务器和空调之间的能耗关系数据,使用线性或者二次回归模型拟合数据,建立数据中心服务器和空调之间的能耗模型。能耗模型建立一种实现方案对应的流程图如图3所示。首先,根据需求,设置空调能耗、服务器能耗等n个与能耗模型相关性较大的因素作为能耗模型的自变量x1,x2…xn,根据数据中心能效知识图谱获取相应的数据。然后建立因变量y(能耗值)和自变量x1,x2,…,xn之间的关系,设
y=f(x1,x2,…,xn)
f可以是多元线性函数、二次函数等,一般根据经验对其进行设计。接下来,选择代价函数J,衡量模型预测出来的值y^和真实值y之间的差异,来对模型进行优化。
J=g(y^,y)
g可以是均方误差、交叉熵等函数。通过最小化代价函数来对模型进行修正,直至达到预期的效果。
(2-3)、节能策略确立。根据(2-2)建立的能效模型和实体设备的实时状态,综合后台已有的能效优化方案库,确立节能方案,节能方案包含但不局限于负载迁移、关闭处于休眠期的服务器、提升机房的冷却效率和适当提高机房温度等。
(2-4)、能效评估,根据数据中心能效评估指标如PUE(Power UsageEffectiveness)、EEUE(Electric Energy Usage Effectiveness)和CADE(CorporateAverage Data Center Efficiency)等,从能效知识图谱中获取能效评估所需要的能耗数据,再对数据进行处理分析,对数据中心进行能效评估。
本发明提供了一种构建数据中心能效知识图谱方法,并基于上述方法所构建的数据中心能效知识图谱,实现数据中心的能效优化,包含但不局限于资源感知、能效模型建立、能效评估,节能策略推导,以达到建立绿色数据中心、实现节能减排的目标。
本发明提供了一种使用知识图谱来优化数据中心能源效率的新思路,该方法不限于具体实施例中所述的例子,由本领域研究人员根据本发明的技术方案得出的其他实施例,也在本发明的技术创新的范围内。
Claims (6)
1.一种基于知识图谱的数据中心能效优化方法,其步骤包括:
1)构建数据中心能效知识图谱;
2)对于数据中心的一实体设备i,依据所述数据中心能效知识图谱抽取与该实体设备i相关实体的属性信息,作为该实体设备i的感知数据;
3)根据设定的能效模型,从所述数据中心能效知识图谱获取该能效模型所涉及实体设备的感知数据,训练该能效模型;
4)根据训练后的能效模型及其所涉及的实体设备的实时状态,从能效优化方案库中选取一节能方案,对数据中心进行能效优化。
2.如权利要求1所述的方法,其特征在于,构建数据中心能效知识图谱的方法为:首先根据设定的数据中心能效知识图谱的实体类型,从数据中心获取数据中心能效知识图谱的实体及实体属性,将其存至<实体,属性,属性值>三元组中;然后根据设定的实体之间的关系类型及其对应的计算方式抽取实体间的关系并将其存至<实体,关系,实体>三元组中;然后基于<实体,属性,属性值>三元组、<实体,关系,实体>三元组生成数据中心能效知识图谱;实体之间的关系类型有private和shared两种类型;若实体A与实体B之间是直接连接的,则实体A与实体B之间的关系类型为private,其值为1;若实体A是一个共享资源,则实体A与共享实体A的实体C之间的关系类型为shared,其值位于(0,1)内。
3.如权利要求2所述的方法,其特征在于,对于一实体A,该实体A与实体D、实体E关系类型为shared,时刻t时,实体A消耗的功率大于实体D消耗实体A的能耗与实体E消耗实体A的能耗之和,则实体A产生并发出一警告信息。
4.如权利要求2所述的方法,其特征在于,对于一实体A,该实体A与实体D、实体E关系类型为shared;当实体A要通过交换机向外界发送数据时,通过数据中心能效知识图谱感知到实体A与实体D、实体E直接相连且实体E比实体D空闲,则实体A通过实体E发送数据。
5.如权利要求2所述的方法,其特征在于,所述实体类型包含但不局限于服务器、制冷设备、网络设备;所述实体属性包含基础属性和实时属性,所述基础属性是指实体的基础参数信息,所述实时属性是实体设备状态以及能耗状态。
6.如权利要求1所述的方法,其特征在于,根据数据中心的能效评估指标,从能效知识图谱中获取能效评估所需要的能耗数据,按照指定的能效评估指标进行计算,对数据中心进行能效评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010005008.2A CN111191851B (zh) | 2020-01-03 | 2020-01-03 | 一种基于知识图谱的数据中心能效优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010005008.2A CN111191851B (zh) | 2020-01-03 | 2020-01-03 | 一种基于知识图谱的数据中心能效优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111191851A CN111191851A (zh) | 2020-05-22 |
CN111191851B true CN111191851B (zh) | 2023-06-23 |
Family
ID=70708618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010005008.2A Active CN111191851B (zh) | 2020-01-03 | 2020-01-03 | 一种基于知识图谱的数据中心能效优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111191851B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420162B (zh) * | 2021-06-24 | 2023-04-18 | 国网天津市电力公司 | 一种基于知识图谱的设备运行链状态监测方法 |
CN114124678A (zh) * | 2021-11-30 | 2022-03-01 | 中国工商银行股份有限公司 | 知识图谱展示方法及装置 |
CN114205852B (zh) * | 2022-02-17 | 2022-05-03 | 网络通信与安全紫金山实验室 | 无线通信网络知识图谱的智能分析与应用系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018137402A1 (zh) * | 2017-01-26 | 2018-08-02 | 华南理工大学 | 基于滚动灰色预测模型的云数据中心节能调度实现方法 |
CN110362660A (zh) * | 2019-07-23 | 2019-10-22 | 重庆邮电大学 | 一种基于知识图谱的电子产品质量自动检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018086761A1 (en) * | 2016-11-10 | 2018-05-17 | Rowanalytics Ltd | Control apparatus and method for processing data inputs in computing devices therefore |
-
2020
- 2020-01-03 CN CN202010005008.2A patent/CN111191851B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018137402A1 (zh) * | 2017-01-26 | 2018-08-02 | 华南理工大学 | 基于滚动灰色预测模型的云数据中心节能调度实现方法 |
CN110362660A (zh) * | 2019-07-23 | 2019-10-22 | 重庆邮电大学 | 一种基于知识图谱的电子产品质量自动检测方法 |
Non-Patent Citations (2)
Title |
---|
Minjun Zhao ,等.Knowledge Graph Completion via Complete Attention between Knowledge Graph and Entity Descriptions.《CSAE '19: Proceedings of the 3rd International Conference on Computer Science and Application Engineering》.2019,全文. * |
基于知识图谱的云计算数据中心研究分析;彭爱军;谭海佩;巩青歌;;电子世界(第13期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111191851A (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111191851B (zh) | 一种基于知识图谱的数据中心能效优化方法 | |
US11755604B2 (en) | Building management system with declarative views of timeseries data | |
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 | |
US20190302713A1 (en) | Method and device for automatically diagnosing and controlling apparatus in intelligent building | |
CN105956752A (zh) | 用于绿色公共建筑运营阶段的能效评估与诊断分析方法 | |
CN106899660A (zh) | 基于滚动灰色预测模型的云数据中心节能调度实现方法 | |
CN109784504A (zh) | 数据中心远程智能运维管理方法及系统 | |
CN105763367A (zh) | 一种基于虚拟化的数据中心的能耗管理方法 | |
KR20210011745A (ko) | 제로에너지 타운 구축을 위한 빅데이터 기반의 에너지 수요 및 공급 예측 시스템 그리고 방법 | |
CN115437876A (zh) | 一种数据中心的管理方法、装置、电子设备和存储介质 | |
CN115099479A (zh) | 一种建筑能源设备能耗预算的管控方法、设备、存储介质 | |
CN111626485A (zh) | 一种区域建筑能源系统的负荷预测系统及方法 | |
CN110705062A (zh) | 基于5g的机柜能耗远程统计计量方法 | |
TWM510485U (zh) | 校園節能類神經網路決策支援系統 | |
CN116894568B (zh) | 一种充电桩的碳排放综合管理预测方法及存储介质 | |
Du et al. | Dynamic Data-Driven Modelling of Water Allocation for the Internet of Things | |
Yadav et al. | A Novel Approach to Optimize Energy Consumption in Industries Using IIoT and Machine Learning | |
Jin et al. | Analysis and Discussion on Standard Cost Allocation Model in State Grid | |
Ren et al. | AI-based Green Energy Saving Solutions for IDC | |
Hong et al. | Research on Key Technologies of Large Data Smart Grid Based on Power Grid Operation Simulation | |
Zheng et al. | Design of Energy Consumption Monitoring System for Group Building Construction Based on Mobile Node | |
CN117366833A (zh) | 一种暖通空调用数据分析采集系统 | |
Simin et al. | Data center temperature prediction and management based on a Two-stage self-healing model | |
CN114413439A (zh) | 基于自学习的中央空调运行专家库管理方法和系统 | |
WO2018133867A1 (zh) | 异常设备的查找方法及装置 |
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 |