CN111914000A - 一种基于功耗预测模型的服务器功率封顶方法、系统 - Google Patents

一种基于功耗预测模型的服务器功率封顶方法、系统 Download PDF

Info

Publication number
CN111914000A
CN111914000A CN202010572777.0A CN202010572777A CN111914000A CN 111914000 A CN111914000 A CN 111914000A CN 202010572777 A CN202010572777 A CN 202010572777A CN 111914000 A CN111914000 A CN 111914000A
Authority
CN
China
Prior art keywords
power consumption
server
value
power
time
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
Application number
CN202010572777.0A
Other languages
English (en)
Other versions
CN111914000B (zh
Inventor
林伟伟
吴光欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202010572777.0A priority Critical patent/CN111914000B/zh
Publication of CN111914000A publication Critical patent/CN111914000A/zh
Application granted granted Critical
Publication of CN111914000B publication Critical patent/CN111914000B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3206—Monitoring of events, devices or parameters that trigger a change in power modality
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Power Sources (AREA)

Abstract

本发明公开了一种基于功耗预测模型的服务器功率封顶方法，包括以下步骤：实时采集服务器的功耗数据，再将数据存储到数据库中；获取不同CPU负载对应的服务器整机功耗；计算不同CPU负载下服务器对应的能效比，得到最佳能效比的功耗区间；构建预测模型，处理服务器的历史功耗数据，构建三类输入特征，训练初始的服务器功耗预测模型；构造输入特征，预测服务器未来一段时间的功耗序列；检测模型的累计预测误差，判断是否需要重新训练模型；计算预测序列的功耗均值，与最佳能效的功耗区间进行比较，选择对应的功率封顶设置值或功耗控制策略。本方法可以使服务器保持在较高的能效水平，降低服务器在低载时的能源消耗。

Description

一种基于功耗预测模型的服务器功率封顶方法、系统
技术领域
本发明涉及服务器节能管理领域，特别涉及一种基于功耗预测模型的服务器功率封顶方法、系统。
背景技术
云计算需求的与日俱增，使得数据中心的规模和能源消耗也在不断地攀升。用电需求的剧增除了带来高昂的运营成本外，也给数据中心的IT基础设施的能源管理，特别是服务器，带来了巨大的考验。一般情况下，数据中心或者服务器机柜所能承载的服务器数量与它的总配电额度有关。为了防止服务器群的耗电超过额定功率而触发过电保护，一般服务器的数量会按照它的最大功率来估算，即：总的配电额度/单台服务器的最大功率。但是在实际使用情况下，大多数服务器并不是时时刻刻都处于满载的状态，也就是有额外的电力资源没有被利用起来。功率封顶则是一种可以控制服务器功耗的方式，它可以将服务器所能达到的峰值功率控制在特定的阈值之下。目前，大多数服务器都提供板上管理控制单元(Board Management Control，简称BMC)对服务器的功耗进行周期性地监控。在实时获取服务器功耗的同时，BMC提供一个功率封顶的功能。它根据监控得到的服务器功耗和预设的服务器功耗封顶值进行功耗封顶控制。在具体的执行过程中，功率封顶是通过调节CPU的工作频率状态(Performance State，简称P-state)和时钟占空比状态(Throttle state)、内存的P-state和T-state以及其他部件的工作状态而实现的。
功率封顶技术是一种实现服务器电力资源分配的技术，基于功率封顶技术实现的服务器功耗控制方案主要涉及三个部分：对服务器实时功耗的监控、是否开启功耗封顶功能和封顶值的设置、执行封顶操作。在现有技术中，一般通过监控服务器当前的功耗是否超过设定的阈值来决定是否开启功率封顶，封顶值会预先根据机柜的配电额度和服务器数量来设置。2012年王江涛等人公开的专利《功耗封顶的控制方法、设备和系统》实现了类似的思想，对整框功耗进行监控，根据监控的结果判断当前服务器的电力资源是否溢出，从而决定是否进行功耗封顶。此外，Facebook公司公开的论文成果——Dynamo，实现了一种基于优先级的三段式功耗封顶方法，根据服务器类型不同决定实现功率封顶操作的先后顺序。设定一个功耗阈值，当服务器的功耗超过该阈值，触发封顶操作。执行时，优先考虑在优先级低的服务器上执行。当服务器的功耗低于设定的下限时，再解除功率封顶操作。
此外，还有相关的研究是考虑根据当前服务器运行的应用所需要的性能水平，动态设定功率封顶，实现在保证服务质量轻微地损失的情况下，达到最大程度的节能。例如：Krzywada等人的论文《ALPACA:Application Performance Aware Server Power Capping》中提出应用性能感知的服务器功率封顶方法，通过分析功率分配和应用性能之间的关系，求解一个最优化模型，为每个应用程序决定的功率分配的大小，最终决定服务器整机的功率分配。
上述提及的相关解决方案，有的不够灵活，不能根据服务器的性能需要动态决定功耗封顶相关设置；有的实现难度较大，缺乏普遍的适用性。例如：基于当前监控信息的方法，在服务器的负载多变的情况下，容易遇到已经执行的操作不符合当前服务器性能需要，造成服务质量较大的损失；应用性能感知的方法在于很难确定一种能够衡量所有应用服务性能的方法，因此只能对某一类型的应用建立性能与功耗的映射关系，从而指导功率封顶操作，缺乏普遍的适用性。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于功耗预测模型的服务器功率封顶方法。
本发明的目的通过以下的技术方案实现：
一种基于功耗预测模型的服务器功率封顶方法，包括以下步骤：
第一步骤：实时采集服务器的功耗数据，再将数据存储到数据库中；
第二步骤：使用CPU密集型的基准程序，获取不同CPU负载对应的服务器整机功耗；
第三步骤：计算不同CPU负载下服务器对应的能效比，得到最佳能效比的功耗区间；
第四步骤：构建预测模型，处理服务器的历史功耗数据，构建三类输入特征：统计特征、历史功耗值和时间戳特征，训练初始的服务器功耗预测模型；
第五步骤：构造输入特征，预测服务器未来一段时间的功耗序列；
第六步骤：检测模型的累计预测误差，判断是否需要重新训练模型；
第七步骤：计算预测序列的功耗均值，与最佳能效的功耗区间进行比较，选择对应的功率封顶设置值或功耗控制策略。
所述第一步骤，具体为：设定采集的时间间隔(比如1分钟，可以根据实际需要进行设置)，定时采集从服务器内置功耗传感器或者外置电表采集服务器的整机功耗，并随后存入数据库中，每条记录存储的对象为时间戳和整机功耗值。
作为优选的技术方案，在第二步骤中，CPU负载的定义是CPU利用率，所述第二步骤，具体为：通过调节基准程序的参数，设定递增的步长值，使得服务器的CPU利用率从10％到100％按照设定的步长递增，采集每个CPU负载点对应的服务器整机功耗。
作为优选的技术方案，在第三步骤中，所述不同CPU负载下服务器对应的能效比和最佳能效比的功耗区间，具体计算方法如下：
Figure BDA0002550253690000041
计算完不同的CPU负载下服务器对应的能效值，将不同的能耗值和对应的能效值组合成一个元组(PCPULoadx，EE(CPULoadx))，根据CPULoad的值升序排列元组集合，找到能效值最大的点EEmax，然后找到与EEmax邻近的最大能效值点EEmax2，所有最佳能效区间为(EEmax2，EEmax)，其对应的服务器功耗区间为[PCPULoad1，PCPULoad2]，其中PCPULoad1＜PCPULoad2。
作为优选的技术方案，在第四步骤中，所述构建预测模型具体指的是建立一个多值预测模型，预测算法采用xgboost算法；假设当前时刻为k，分别一次性构建前10个时刻的特征作为输入，其中第k-i时刻的特征对应用于预测得到k+i+1(i＝0，1，...，9)。例如，第k时刻的特征预测第k+10时刻的值，第k-1时刻的特征预测第k+9时刻的值，......，以此类推。
作为优选的技术方案，在第四步骤中，所述处理服务器的历史功耗数据，构建三类输入特征，是指：从数据库中提取指定长度的最近时间的原始功耗时序序列；基于原始的功耗时序序列，分别构建统计特征、功耗特征和时间戳特征；具体地，当要构造第k时刻的特征用于预测第k+10时刻的功耗值时，需要获取第k时刻前10分钟的原始功耗序列和第k+10时刻的时间戳，具体的特征如下：
(1)统计特征：分别计算获取当前时刻的前10分钟和前5分钟功耗的均值、中位数和众数；
(2)功耗特征：包括最近的一个已知功耗值和第k个时刻的功耗值；
(3)时间戳特征：当获取到具体需要预测的时刻的时间戳，分别从该时间戳中提取对应的周天、小时和分钟三种数值信息。
作为优选的技术方案，所述第六步骤，用于防止当服务器上的任务负载发生改变，引起功耗的变化特征发生改变，前期的训练集没有覆盖对应的情况导致预测的误差增大，模型失准的情况，其具体步骤如下：
(1)功耗模型一次预测出未来10个时刻的服务器功耗值，执行每次预测的间隔为10个时刻，初始化累计误差值errCount为0，累计误差上限为errCountMax；
(2)当预测模型进行下一次预测前，检测前一次的预测结果与采集到真实值的误差，若超出误差范围，errCount自增1；否则errCount不变；
(3)判断errCount之errCountMax，若成立，从数据库中获取最近的功耗序列，构建特征，训练新的模型。
作为优选的技术方案，作为优选的技术方案，所述第七步骤，具体为：
(1)计算预测序列的均值，记为Pavg，最佳能效的功耗区间为[PCPULoad1，PCPULoad2]；
(2)功率封顶控制方法包含以下的子步骤：
若Pavg≥PCPULoad2，此时开启服务器的功率封顶，设置封顶值为PCPULoad1；
若Pavg≤PCPULoad1，分为以下两种情况：
a)若Pavg≥PCPULoad＝50％，开启服务器的功率封顶，设置封顶值为Pavg；
b)Pavg＜PCPULoad＝50％，采用DVFS调节处理器进入低频状态；
若PCPULoad1≤Pavg≤PCPULoad2，不执行任何功耗控制策略。
本发明的另一目的在于克服现有技术的缺点与不足，提供一种基于功耗预测模型的服务器功率封顶系统。
本发明的另一目的通过以下的技术方案实现：
一种基于功耗预测模型的服务器功率封顶系统，包括顺序连接的数据采集模块、功耗预测模块和功耗控制模块。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明利用基于服务器的历史功耗数据，构建了一个预测模型，用于对服务器短期的功耗变化趋势进行预测。相较于单纯地根据监控服务器的功耗变化来执行功率封顶操作，本发明更深层地挖掘功耗序列变化的特性和规律，获取前瞻性的信息，有利于更加精准的执行功率封顶操作。
2、本发明相较于已有的技术方法，更加关注服务器的能效与功率封顶操作之间关系，通过提前确定服务器最佳能效的功耗区间，结合功耗预测模型进行功耗控制，将服务器保持在一个较高的能效水平，间接地达到在发挥服务器的最大性能的同时降低无效能源消耗的目标。
附图说明
图1是本发明所述一种基于功耗预测模型的服务器功率封顶方法的流程图；
图2为本发明所述一种基于功耗预测模型的服务器功率封顶系统的架构图；
图3为实施例中预测模型的框架图。
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。
如图1所示，一种基于功耗预测模型的服务器功率封顶方法，包括下述步骤：
1)实时采集服务器的功耗数据，再将数据存储到数据库中，对应图中的步骤100和200；
2)使用CPU密集型的基准程序，获取不同CPU负载对应的服务器整机功耗，对应图中的步骤300；
3)计算不同CPU负载下服务器对应的能效比，得到最佳能效比的功耗区间，对应图中的步骤400；
4)构建预测模型，处理服务器的历史功耗数据，构建三类输入特征：统计特征、历史功耗值和时间戳特征，训练初始的服务器功耗预测模型，对应图中的步骤500；
5)构造输入特征，预测服务器未来一段时间的功耗序列，对应图中的步骤600；
6)检测模型的累计预测误差，判断是否需要重新训练模型，对应图中的步骤700；
7)计算预测序列的功耗均值，与最佳能效的功耗区间进行比较，选择对应的功率封顶设置值或功耗控制策略，核心的做法是当服务器的预测功耗均值处于最佳能效的区间时不采取任何操作；当高于最佳能效区间时，采用功率封顶，并设置封顶值为该区间的上限值；当低于该区间，但是CPU的负载大于50％设置封顶值为预测序列的均值，否则使用DVFS调节处理器进入低频状态。对应图中从步骤800到步骤1300。
本实施例中给出基于功耗预测模型的服务器功率封顶方法的一种实施方式，如图2所示，一种基于功耗预测模型的服务器功率封顶系统包含三个模块：数据采集模块、功耗预测模块和功耗控制模块。
该系统的运行流程包含以下步骤：
步骤1：在数据采集模块中，通过服务器的基板管理控制器(BaseboardManagement Controller，简称BMC)提供的接口来获取服务器的整机功耗，并通过数据持久化模块存储数据；
步骤2：数据采集模块中的服务器能效测试模块包含一个CPU密集型的基准程序，通过改变运行改程序的参数，生成不同的CPU负载，获取对应的功耗值；
步骤3：计算不同CPU负载下服务器对应的能效比，得到最佳能效比的功耗区间。其中CPU负载的定义是CPU利用率，通过调节基准程序的参数，设定递增的步长值，获取服务器的CPU利用率从10％到100％对应的整机功耗，计算服务器最佳能效对应的功耗区间。上述功耗区间，具体计算方法如下：
Figure BDA0002550253690000081
计算完不同的CPU负载下服务器对应的能效值，将不同的能耗值和对应的能效值组合成一个元组(PCPULoadx，EE(CPULoadx))，根据CPULoad的值升序排列元组集合，找到能效值最大的点EEmax，然后找到与EEmax邻近的最大能效值点EEmax2，所有最佳能效区间为(EEmax2，EEmax)，其对应的服务器功耗区间为[PCPULoad1，PCPULoad2]，其中PCPULoad1＜PCPULoad2；
步骤4：进入功耗预测模块的工作流程，其中该模块内置了功耗预测模型的具体实现。所述的预测模型具体指的是建立一个多值预测模型，预测算法采用xgboost算法；假设当前时刻为k，分别一次性构建前10个时刻的特征作为输入，其中第k-i时刻的特征对应用于预测得到k+i+1(i＝0，1，...，9)。如图3所示，第k时刻的特征预测第k+1时刻的值，第k-1时刻的特征预测第k+2时刻的值，......，以此类推；此步骤中开始构建三类输入特征作为训练集：统计特征、历史功耗值和时间戳特征，训练初始的服务器功耗预测模型，具体的特征如下：
(1).统计特征：分别计算获取当前时刻的前10分钟和前5分钟功耗的均值、中位数和众数；
(2).功耗特征：包括最近的一个已知功耗值和第k个时刻的功耗值；
(3).时间戳特征：当获取到具体需要预测的时刻的时间戳，分别从该时间戳中提取对应的周天、小时和分钟三种数值信息；
步骤5：输入训练集，开始训练初始的服务器功耗预测模型；
步骤6：检测模型的累计预测误差，判断是否需要重新训练模型，误差检测的具体过程如下：
(1).功耗模型一次预测出未来10个时刻的服务器功耗值，执行每次预测的间隔为10个时刻，初始化累计误差值errCount为0，累计误差上限为errCountMax；
(2).当预测模型进行下一次预测前，检测前一次的预测结果与采集到真实值的误差，若超出误差范围，errCount自增1；否则errCount不变；
(3).判断errCount≥errCountMax，若成立，从数据库中获取最近的功耗序列，构建特征，训练新的模型；
步骤7：功耗预测模块中模型的预测值会被功耗控制模块中的策略控制器使用。如图3所示，策略控制器首先获取预测序列，然后计算预测序列的功耗均值，与最佳能效的功耗区间进行比较，选择对应的功率封顶设置值或功耗控制策略；所述的功率封顶设置值或功耗控制策略包含如下规则，记：预测序列的均值为Pavg，最佳能效的功耗区间为[PCPULoad1，PCPULoad2]，PCPULoad＝50％为CPU利用率为50％时服务器的功耗值：
若Pavg≥PCPULoad2，此时开启服务器的功率封顶，设置封顶值为PCPULoad1；
若Pavg≤PCPULoad1，分为以下两种情况：a).若Pavg≥PCPULoad＝50％，开启服务器的功率封顶，设置封顶值为Pavg；b).Pavg＜PCPULoad＝50％，采用DVFS调节处理器进入低频状态；
若PCPULoad1≤Pavg≤PCPULoad2，不执行任何功耗控制策略；
在功耗控制模块中通过BMC的内置接口实现功耗封顶，DVFS则通过Linux系统中的cpufreq工具进行实现。
所述的功耗数据处理和构建输入特征，具体指从数据库中提取指定长度的最近时间的原始功耗序列，对于权利要求5中提及的第k时刻的特征，从原始功耗序列中分别计算以下三类特征：
1)统计特征
特征 描述
'pre_10_min_pwr_mean' 前10min的功耗值均值
'pre_10_min_pwr_median' 前10min的功耗值中位数
'pre_10_min_pwr_mode' 前10min的功耗值众数
'pre_5_min_pwr_mean' 前5min的功耗值均值
'pre_5_min_pwr_median' 前5min的功耗值中位数
'pre_5_min_pwr_mode 前5min的功耗值众数
2)历史功耗值
特征 描述
‘lagging_last_pwr’ 最近的已知功耗值
‘cur_pwr’ 第k个时刻的功耗值；
3)时间戳特征
Figure BDA0002550253690000101
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 (9)

1.一种基于功耗预测模型的服务器功率封顶方法，其特征在于，包括以下步骤：
第一步骤：实时采集服务器的功耗数据，再将数据存储到数据库中；
第二步骤：使用CPU密集型的基准程序，获取不同CPU负载对应的服务器整机功耗；
第三步骤：计算不同CPU负载下服务器对应的能效比，得到最佳能效比的功耗区间；
第四步骤：构建预测模型，处理服务器的历史功耗数据，构建三类输入特征：统计特征、历史功耗值和时间戳特征，训练初始的服务器功耗预测模型；
第五步骤：构造输入特征，预测服务器未来一段时间的功耗序列；
第六步骤：检测模型的累计预测误差，判断是否需要重新训练模型；
第七步骤：计算预测序列的功耗均值，与最佳能效的功耗区间进行比较，选择对应的功率封顶设置值或功耗控制策略。
2.根据权利要求1所述基于功耗预测模型的服务器功率封顶方法，其特征在于，所述第一步骤，具体为：设定采集的时间间隔，定时采集从服务器内置功耗传感器或者外置电表采集服务器的整机功耗，并随后存入数据库中，每条记录存储的对象为时间戳和整机功耗值。
3.根据权利要求1所述基于功耗预测模型的服务器功率封顶方法，其特征在于，所述第二步骤，具体为：通过调节基准程序的参数，设定递增的步长值，使得服务器的CPU利用率从10％到100％按照设定的步长递增，采集每个CPU负载点对应的服务器整机功耗。
4.根据权利要求1所述基于功耗预测模型的服务器功率封顶方法，其特征在于，在第三步骤中，所述不同CPU负载下服务器对应的能效比和最佳能效比的功耗区间，具体计算方法如下：
Figure FDA0002550253680000011
计算完不同的CPU负载下服务器对应的能效值，将不同的能耗值和对应的能效值组合成一个元组(PCPULoadx，EE(CPULoadx))，根据CPULoad的值升序排列元组集合，找到能效值最大的点EEmax，然后找到与EEmax邻近的最大能效值点EEmax2，所有最佳能效区间为(EEmax2，EEmax)，其对应的服务器功耗区间为[PCPULoad1，PCPULoad2]，其中PCPULoad1＜PCPULoad2。
5.根据权利要求1所述基于功耗预测模型的服务器功率封顶方法，其特征在于，在第四步骤中，所述构建预测模型具体指的是建立一个多值预测模型，预测算法采用xgboost算法；假设当前时刻为k，分别一次性构建前10个时刻的特征作为输入，其中第k-i时刻的特征对应用于预测得到k+i+1(i＝0，1，...，9)。
6.根据权利要求1所述基于功耗预测模型的服务器功率封顶方法，其特征在于，在第四步骤中，所述处理服务器的历史功耗数据，构建三类输入特征，是指：从数据库中提取指定长度的最近时间的原始功耗时序序列；基于原始的功耗时序序列，分别构建统计特征、功耗特征和时间戳特征；具体地，当要构造第k时刻的特征用于预测第k+10时刻的功耗值时，需要获取第k时刻前10分钟的原始功耗序列和第k+10时刻的时间戳，具体的特征如下：
(1)统计特征：分别计算获取当前时刻的前10分钟和前5分钟功耗的均值、中位数和众数；
(2)功耗特征：包括最近的一个已知功耗值和第k个时刻的功耗值；
(3)时间戳特征：当获取到具体需要预测的时刻的时间戳，分别从该时间戳中提取对应的周天、小时和分钟三种数值信息。
7.根据权利要求1所述基于功耗预测模型的服务器功率封顶方法，其特征在于，所述第六步骤，用于防止当服务器上的任务负载发生改变，引起功耗的变化特征发生改变，前期的训练集没有覆盖对应的情况导致预测的误差增大，模型失准的情况，其具体步骤如下：
(1)功耗模型一次预测出未来10个时刻的服务器功耗值，执行每次预测的间隔为10个时刻，初始化累计误差值errCount为0，累计误差上限为errCountMax；
(2)当预测模型进行下一次预测前，检测前一次的预测结果与采集到真实值的误差，若超出误差范围，errCount自增1；否则errCount不变；
(3)判断errCount≥errCountMax，若成立，从数据库中获取最近的功耗序列，构建特征，训练新的模型。
8.根据权利要求1所述基于功耗预测模型的服务器功率封顶方法，其特征在于，所述第七步骤，具体为：
(1)计算预测序列的均值，记为Pavg，最佳能效的功耗区间为[PCPULoad1，PCPULoad2]；
(2)功率封顶控制方法包含以下的子步骤：
若Pavg≥PCPULoad2，此时开启服务器的功率封顶，设置封顶值为PCPULoad1；
若Pavg≤PCPULoad1，分为以下两种情况：
a)若Pavg≥PCPULoad＝50％，开启服务器的功率封顶，设置封顶值为Pavg；
b)Pavg＜PCPULoad＝50％，采用DVFS调节处理器进入低频状态；
若PCPULoad1≤Pavg≤PCPULoad2，不执行任何功耗控制策略。
9.一种基于功耗预测模型的服务器功率封顶系统，用于实现权利要求1至8任一权利要求所述方法，其特征在于：包括顺序连接的数据采集模块、功耗预测模块和功耗控制模块。
CN202010572777.0A 2020-06-22 2020-06-22 一种基于功耗预测模型的服务器功率封顶方法、系统 Active CN111914000B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010572777.0A CN111914000B (zh) 2020-06-22 2020-06-22 一种基于功耗预测模型的服务器功率封顶方法、系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010572777.0A CN111914000B (zh) 2020-06-22 2020-06-22 一种基于功耗预测模型的服务器功率封顶方法、系统

Publications (2)

Publication Number Publication Date
CN111914000A true CN111914000A (zh) 2020-11-10
CN111914000B CN111914000B (zh) 2024-03-26

Family

ID=73226161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010572777.0A Active CN111914000B (zh) 2020-06-22 2020-06-22 一种基于功耗预测模型的服务器功率封顶方法、系统

Country Status (1)

Country Link
CN (1) CN111914000B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113051830A (zh) * 2021-04-01 2021-06-29 重庆大学 智能产线动态误差预测系统、控制系统、控制方法及数字孪生系统
CN116362179A (zh) * 2023-03-24 2023-06-30 深圳信创产业发展有限公司 一种基于动态调节mosfet电路功耗的控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120053925A1 (en) * 2010-08-31 2012-03-01 Steven Geffin Method and System for Computer Power and Resource Consumption Modeling
KR20150067806A (ko) * 2013-12-09 2015-06-19 한국전자통신연구원 부하 특성에 따른 시스템 전력 캐핑 장치
CN107861606A (zh) * 2017-11-21 2018-03-30 北京工业大学 一种通过协调dvfs和任务映射的异构多核功率封顶方法
US20180267597A1 (en) * 2017-03-15 2018-09-20 International Business Machines Corporation Power Capping for Power Consumption Devices With Multiple Power Supplies
CN108933687A (zh) * 2017-05-25 2018-12-04 华为技术有限公司 一种功耗控制方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120053925A1 (en) * 2010-08-31 2012-03-01 Steven Geffin Method and System for Computer Power and Resource Consumption Modeling
CN102959510A (zh) * 2010-08-31 2013-03-06 阿沃森特公司 用于计算机功率和资源消耗建模的方法和系统
KR20150067806A (ko) * 2013-12-09 2015-06-19 한국전자통신연구원 부하 특성에 따른 시스템 전력 캐핑 장치
US20180267597A1 (en) * 2017-03-15 2018-09-20 International Business Machines Corporation Power Capping for Power Consumption Devices With Multiple Power Supplies
CN108933687A (zh) * 2017-05-25 2018-12-04 华为技术有限公司 一种功耗控制方法及装置
CN107861606A (zh) * 2017-11-21 2018-03-30 北京工业大学 一种通过协调dvfs和任务映射的异构多核功率封顶方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HAIFENG WANG 等: "An Energy Efficiency Optimization and Control Model for Hadoop Clusters", IEEE ACCESS, vol. 7, 9 April 2019 (2019-04-09), pages 40534 - 40549, XP011717832, DOI: 10.1109/ACCESS.2019.2907018 *
杨良怀 等: "数据库服务器系统中一种有效的功率封顶机制", 计算机科学, vol. 42, no. 2, 30 November 2015 (2015-11-30), pages 490 - 496 *
林伟伟 等: "面向云计算环境的能耗测量和管理方法", 软件学报, vol. 27, no. 04, 5 January 2016 (2016-01-05), pages 1026 - 1041 *
赵小刚 等: "基于模型预测控制的数据中心节能调度算法", 软件学报, vol. 28, no. 02, 28 February 2017 (2017-02-28), pages 429 - 442 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113051830A (zh) * 2021-04-01 2021-06-29 重庆大学 智能产线动态误差预测系统、控制系统、控制方法及数字孪生系统
CN116362179A (zh) * 2023-03-24 2023-06-30 深圳信创产业发展有限公司 一种基于动态调节mosfet电路功耗的控制方法
CN116362179B (zh) * 2023-03-24 2023-11-17 深圳京鸿源科技有限公司 一种基于动态调节mosfet电路功耗的控制方法

Also Published As

Publication number Publication date
CN111914000B (zh) 2024-03-26

Similar Documents

Publication Publication Date Title
US20110119514A1 (en) Power control apparatus and method for cluster system
CN107608865B (zh) 数据存储方法和装置
CN103017290A (zh) 空调电能控制装置及空调电能管理方法
CN111489188B (zh) 一种居民可调负荷潜力挖掘方法及系统
CN111914000A (zh) 一种基于功耗预测模型的服务器功率封顶方法、系统
CN106199172B (zh) 一种用电状况的监控方法及系统
CN115642652A (zh) 一种基于人工智能的电力调节装置
CN111142647A (zh) 一种it系统的节能方法及系统
CN108896309A (zh) 一种用于低速重载设备的在线监测系统
CN115936868A (zh) 基于数据分析的分布式光伏发电交易风险评估方法及系统
CN117559542A (zh) 一种分布式新能源群控群调系统及方法
CN112564032A (zh) 地市电网低频减载保护装置整定线路调整方法
CN109871403B (zh) 基于产业供应链的工业大数据分析方法
CN116599858A (zh) 一种响应时间保障型集群系统及其规模调整方法
CN115392684A (zh) 一种基于带外方式的数据机房碳排放监控系统及方法
CN106887848B (zh) 基于模糊模式识别的电压无功实时控制方法
CN110046143B (zh) 一种一体化数据平台的整体架构优化系统及优化方法
CN103793041A (zh) 多核对称多处理系统的电源管理方法及装置
CN114221329A (zh) 一种基于大数据的电网负荷管理方法及系统
CN115907202B (zh) 一种双碳背景下的数据中心pue计算分析方法及系统
CN112084093A (zh) 一种服务器的能耗管控装置、方法及设备
CN111400284B (zh) 一种基于性能数据建立动态异常探测模型的方法
CN117650628B (zh) 一种基于自适应预调节场景的能效管理系统
CN116467828A (zh) 一种基于回归分析的空调运行状态限定方法、介质和系统
CN117505074B (zh) 一种基于节能分析的电除尘控制方法及系统

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