CN111221249A - 一种用于数据中心系统群控的参数优化的方法 - Google Patents

Abstract

本发明提供了一种用于数据中心系统群控的参数优化的方法，包括步骤：S1，获取数据中心制冷参数及外界环境参数；S2，对所述制冷参数及外界环境参数进行预处理和格式化；S3，基于神经网络的制冷参数，构建机柜温湿度模型；S4，根据位置，将数据中心制冷系统中的机柜进行分组；S5，构建分级适应度机制对制冷状况进行评级；S6，根据遗传算法迭代求出数据中心制冷的最佳推荐设置参数组合。本发明的方法能够有效地自动化精确推荐在不同外界条件下的制冷参数最优组合，减少人工参与的程度，提高制冷系统的准确度，确保服务器安全运行。

Description

一种用于数据中心系统群控的参数优化的方法

技术领域

本发明属于数据中心制冷群控技术领域，特别涉及一种用于数据中心系统群控的参数优化的方法。

背景技术

数据中心是一种需要消耗大量能源并且对环境变量要求较高的设施。例如，如果温度过高会减少元器件寿命，同时温度过低电池的放电容量也会下降。早先物理学家通过分析制冷系统的构造并结合流体力学的公式来尝试解决这个问题，但是在复杂多变的实际情况中很容易忽略一些微小的因素，并且建模过程需要十分充足的专业知识，工程量巨大。

目前控制数据中心温湿度的方法的研究主要集中于通过CFD模拟来均衡负载或者改变设备和空调的拓扑位置。但是经过实际研究发现，很多超大型机房的制冷参数并不像想象中的那么简单。例如通常是由制冷机组来直接控制室内空调，且制冷机组和空调也不是一一对应关系。这就使CFD模拟变得困难——无法直接设置所需参数，难以分别对应关系。

近几年来，深度神经网络广泛应用于各种领域。尤其是在应对数据量巨大的系统的情况下：神经网络对复杂系统建模具有优势，因为神经网络不需要用户预设模型的交互特征，而是在特征中寻找模式和交互，然后自动生成最佳匹配模型。得到准确的模拟模型之后，需要得到一个最优的参数组合使得温湿度最符合标准。目前使用机器学习算法计算最优解通常是较为方便、准确的。遗传算法的优点是能很好的处理约束，能很好的跳出局部最优，最终得到全局最优解，全局搜索能力强，但常规的算法也会导致结果的不准确。

发明内容

本发明的方法能够有效地自动化精确推荐在不同外界条件下的制冷参数最优组合，减少人工参与的程度，提高制冷系统的准确度，确保服务器安全运行本发明提供了一种用于数据中心系统群控的参数优化的方法，包括步骤：

S1，获取数据中心制冷参数及外界环境参数；

S2，对所述制冷参数及外界环境参数进行预处理和格式化；

S3，基于神经网络的制冷参数，构建机柜温湿度模型；

S4，根据位置，将数据中心制冷系统中的机柜进行分组；

S5，构建分级分段适应度机制对制冷状况进行评级；

S6，根据遗传算法迭代求出数据中心制冷的最佳推荐设置参数组合。

本发明的方法可以应用于数据中心制冷群控系统的自动化设置推荐，能够有效地自动化精确推荐在不同外界条件下的制冷参数最优组合，适用于各种种类不同、数量不同的制冷参数组合。此发明在减少人工参与、解决传统人工温度控制耗时耗力问题的同时，还从效果和速度两方面性能上超过了原始的人工和贪心算法，不仅能够合理地调整制冷系统的各种参数，而且使其制冷状况符合标准值的能力大大提高，能够很好地应用到实际的数据中心制冷系统中去。并且，对于其中适应度函数的设置，为了更好的关照到距离标准值差异更大的数值，在神经网络模型的基础上，设置了一个分层、分段的评价函数，如此可以更完整地考虑距离与评级分数的关系。另外，输入相似度值的计算公式的创新，也可以更迅速更准确地得到相似度值。

附图说明

下面参照附图并结合实例来进一步描述本发明。其中：

图1为本发明的方法流程图。

图2为本发明实施例的格式化输入数据示意图。

图3为本发明实施例的神经网络模拟部分效果示意图。

图4为本发明实施例的自动化设置推荐和传统方法优化效果对比简化示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作做进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，本发明的一种用于数据中心制冷系统群控的参数优化的方法，包括步骤：

S1，获取数据中心制冷参数及外界环境参数；

S2，对所述制冷参数及外界环境参数进行预处理和格式化；

S3，基于神经网络的制冷参数，构建机柜温湿度模型；

S4，根据位置，将数据中心制冷系统中的机柜进行分组；

S5，构建分级分段适应度机制对制冷状况进行评级；

S6，根据遗传算法迭代求出数据中心制冷的最佳推荐设置参数组合。

优选地，步骤S1包括：

S1-1，利用Restful接口读取所述数据中心制冷参数及外界环境参数；

S1-2，根据实际拓扑位置和操作方法对所述数据中心制冷参数及外界环境参数进行分组并选取特征和标签。

优选地，步骤S2包括：

S2-1，对所述制冷参数及外界环境参数进行预处理，根据所述特征和标签，通过主成分分析提取其主要特征信息，

S2-2，对所述主要特征信息进行格式化和归一化，输出所需参数数据集；

其中，S2-1具体包括：

S2-1-1，将已得到的所述制冷参数及外界环境参数中的非数值性数据项进行one-hot编码；

S2-1-2，使用IForest检测筛选并剔除离群值；

S2-1-3，采用xgboost进行交叉验证，基于主成分分析得到各个特征的重要度，剔除重要性低的特征数据项，保留主要特征信息；

S2中对制冷参数及外界环境参数进行预处理和格式化后的结果如图2所示。

优选地，步骤S3包括：

S3-1，将所述数据集按照5:1的比例分为训练集和测试集；

S3-2，将训练集随机打乱顺序后分批次输入神经网络；

S3-3，构建以全连接层、batch_norm层、激活层、损失层组成的神经网络模型；

S3-4，使用Adam优化梯度下降的方式迭代降低损失层输出；

S3-5，使用所述测试集进行模型测试，若测试不通过则调节神经网络参数，重复进行S3-2、S3-3、S3-4的操作并保存神经网络模型，直到满足测试条件；

S3-6，基于当前神经网络的制冷参数，构建机柜温湿度模型；

其中，S3-3具体包括：

S3-3-1，将数据输入经过batch_norm层，其中，方差和均值通过直接计算每个批次的数据得到，缩放系数和偏移系数由网络学习得到；

S3-3-2，将S3-3-1的结果输入全连接层和PReLU激活层交替的单元结构，重复N次；

S3-3-3，将S3-3-2的结果输入全连接层和tanh激活层单元结构；

S3-3-4，将S3-3-3的结果输入到损失层中，其中，损失函数为MSE。

其中，S3-5具体包括：

S3-5-1，计算训练集的数据输入输出对和测试集的数据输入输出对的输入相似度值和输出差值，所述输入相似度值的计算包括：

其中，m_i代表第i批训练集数据输入的均值，m代表测试集数据输入的均值，σ_i代表第i批训练集数据输入的标准差，σ代表测试集数据输入的标准差；

S3-5-2，确定是否满足以下测试条件：a.所述输入相似度值是否大于或等于相似度阈值，以及b.所述输出差值是否小于或等于差值阈值；

S3-5-3，若存在不满足上述条件的数据批次，则对神经网络参数进行调节，重复进行S3-2、S3-3、S3-4的操作并保存神经网络模型，直到满足测试条件。

S3中基于神经网络的制冷参数，构建机柜温湿度模型，该模型输出的模拟值(simuaited value)与真实值(true value)的比对结果如图3所示，其中纵坐标表示相对湿度(relative humidity)，横坐标表示湿度点(humidity points)。

优选地，步骤S5包括：

S5-1，计算模拟值和标准值的绝对差值，并按照实际情况划分不同档次的阈值区间；

S5-2，根据S5-1中的绝对差值以及模拟值所处在的阈值区间，计算评级分数，其中，距离标准值越远的阈值区间其评级分数下降越快；

S5-3，统计各分组中的各个机柜在S5-2的评级分数，并分配不同权重计算所述分组和整个数据中心制冷系统的最终评级分数，权重分配方式是l2正则化后所占比重的倒数。

优选地，步骤S6包括：

S6-1，初始化种群，所述种群中每个维度代表一个可调制冷参数，其中，初始化标准基于各参数的均值；

S6-2，父种群分别经过选择、交叉、变异步骤产生下一代种群，其中每一步骤的概率取决于S5中得到的评级分数；

S6-3，对所述选择、交叉、变异的概率进行自适应调整，调整方式遵循随着适应度即评级分数的提高，个体保留概率线性提高；

S6-4，重复进行S6-2、S6-3，直到达到优化标准或迭代次数为止

S6-5，得到所述数据中心制冷系统群控的最佳推荐设置参数组合。

优选地，所述N＝4。

如图4所示，S6中通过遗传算法迭代求解出的结果明显优于传统算法。

本发明的方法可以应用于数据中心制冷群控系统的自动化设置推荐，能够有效地自动化精确推荐在不同外界条件下的制冷参数最优组合，适用于各种种类不同、数量不同的制冷参数组合。此发明在减少人工参与、解决传统人工温度控制耗时耗力问题的同时，还从效果和速度两方面性能上超过了原始的人工和贪心算法，不仅能够合理地调整制冷系统的各种参数，而且使其制冷状况符合标准值的能力大大提高，能够很好地应用到实际的数据中心制冷系统中去。并且，对于其中适应度函数的设置，为了更好的关照到距离标准值差异更大的数值，在神经网络模型的基础上，设置了一个分层、分段的评价函数，如此可以更完整地考虑距离与评级分数的关系。另外，输入相似度值的计算公式的创新，也可以更迅速更准确地得到相似度值。

本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。

Claims (7)

1.一种用于数据中心系统群控的参数优化的方法，其特征在于，包括步骤：

S1，获取数据中心制冷参数及外界环境参数；

S2，对所述制冷参数及外界环境参数进行预处理和格式化；

S3，基于神经网络的制冷参数，构建机柜温湿度模型；

S4，根据位置，将数据中心制冷系统中的机柜进行分组；

S5，构建分级分段适应度机制对制冷状况进行评级；

S6，根据遗传算法迭代求出数据中心制冷的最佳推荐设置参数组合。

2.如权利要求1所述的方法，其特征在于，步骤S1包括：

S1-1，利用Restful接口读取所述数据中心制冷参数及外界环境参数；

S1-2，根据实际拓扑位置和操作方法对所述数据中心制冷参数及外界环境参数进行分组并选取特征和标签。

3.如权利要求1所述的方法，其特征在于，步骤S2包括：

S2-1，对所述制冷参数及外界环境参数进行预处理，根据所述特征和标签，通过主成分分析提取其主要特征信息；

S2-2，对所述主要特征信息进行格式化和归一化，输出所需参数数据集；

其中，S2-1具体包括：

S2-1-1，将已得到的所述制冷参数及外界环境参数中的非数值性数据项进行one-hot编码；

S2-1-2，使用IForest检测筛选并剔除离群值；

S2-1-3，采用xgboost进行交叉验证，基于主成分分析得到各个特征的重要度，剔除重要性低的特征数据项，保留主要特征信息。

4.如权利要求1所述的方法，其特征在于，步骤S3包括：

S3-1，将所述数据集按照5:1的比例分为训练集和测试集；

S3-2，将训练集随机打乱顺序后分批次输入神经网络；

S3-3，构建以全连接层、batch_norm层、激活层、损失层组成的神经网络模型；

S3-4，使用Adam优化梯度下降的方式迭代降低损失层输出；

S3-5，使用所述测试集进行模型测试，若测试不通过则调节神经网络参数，重复进行S3-2、S3-3、S3-4的操作并保存神经网络模型，直到满足测试条件；

S3-6，基于当前神经网络的制冷参数，构建机柜温湿度模型；

其中，S3-3具体包括：

S3-3-1，将数据输入经过batch_norm层，其中，方差和均值通过直接计算每个批次的数据得到，缩放系数和偏移系数由网络学习得到；

S3-3-2，将S3-3-1的结果输入全连接层和PReLU激活层交替的单元结构，重复N次；

S3-3-3，将S3-3-2的结果输入全连接层和tanh激活层单元结构；

S3-3-4，将S3-3-3的结果输入到损失层中，其中，损失函数为MSE；

其中，S3-5具体包括：

S3-5-1，计算训练集的数据输入输出对和测试集的数据输入输出对的输入相似度值和输出差值，所述输入相似度值的计算包括：

其中，m_i代表第i批训练集数据输入的均值，m代表测试集数据输入的均值，σ_i代表第i批训练集数据输入的标准差，σ代表测试集数据输入的标准差；

S3-5-2，确定是否满足以下测试条件：a.所述输入相似度值是否大于或等于相似度阈值，以及b.所述输出差值是否小于或等于差值阈值；

S3-5-3，若存在不满足上述条件的数据批次，则对神经网络参数进行调节，重复进行S3-2、S3-3、S3-4的操作并保存神经网络模型，直到满足测试条件。

5.如权利要求1所述的方法，其特征在于，步骤S5包括：

S5-1，计算模拟值和标准值的绝对差值，并按照实际情况划分不同档次的阈值区间；

S5-2，根据S5-1中的绝对差值以及模拟值所处在的阈值区间，计算评级分数，其中，距离标准值越远的阈值区间其评级分数下降越快；

S5-3，统计各分组中的各个机柜在S5-2的评级分数，并分配不同权重计算所述分组和整个数据中心制冷系统的最终评级分数，权重分配方式是l2正则化后所占比重的倒数。

6.如权利要求1所述的方法，其特征在于，步骤S6包括：

S6-1，初始化种群，所述种群中每个维度代表一个可调制冷参数，其中，初始化标准基于各参数的均值；

S6-2，父种群分别经过选择、交叉、变异步骤产生下一代种群，其中每一步骤的概率取决于S5中得到的评级分数；

S6-3，对所述选择、交叉、变异的概率进行自适应调整，调整方式遵循随着适应度即评级分数的提高，个体保留概率线性提高；

S6-4，重复进行S6-2、S6-3，直到达到优化标准或迭代次数为止；

S6-5，得到所述数据中心制冷系统群控的最佳推荐设置参数组合。

7.如权利要求4所述的方法，其特征在于，所述N＝4。

Images