CN112379766A - 数据处理方法、装置、非易失性存储介质和处理器 - Google Patents
数据处理方法、装置、非易失性存储介质和处理器 Download PDFInfo
- Publication number
- CN112379766A CN112379766A CN202011340302.5A CN202011340302A CN112379766A CN 112379766 A CN112379766 A CN 112379766A CN 202011340302 A CN202011340302 A CN 202011340302A CN 112379766 A CN112379766 A CN 112379766A
- Authority
- CN
- China
- Prior art keywords
- data processing
- virtual machines
- power
- target
- energy consumption
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 98
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 93
- 238000005265 energy consumption Methods 0.000 claims abstract description 87
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000005057 refrigeration Methods 0.000 description 20
- 238000004378 air conditioning Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000013468 resource allocation Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06F1/3234—Power saving characterised by the action undertaken
- G06F1/3287—Power saving characterised by the action undertaken by switching off individual functional units in the computer system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
- G06F11/3062—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations where the monitored property is the power consumption
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
- G06F2009/45583—Memory management, e.g. access or allocation
-
- 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)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Power Sources (AREA)
Abstract
本发明公开了一种数据处理方法、装置、非易失性存储介质和处理器。其中，该方法包括：获取多个虚拟机的计算资源信息，以及多个辅助设备的运行功率，其中，多个虚拟机设置在多个物理机上；基于能耗模型对计算资源信息以及运行功率进行分析，得到处理结果，其中，能耗模型为使用多组数据通过机器学习训练出的，处理结果至少包括：分配结果以及控制结果；根据分配结果将待分配资源分配给多个虚拟机，并根据控制结果控制多个辅助设备的启停，以使数据处理系统的消耗功率最小。本发明解决了相关技术中，数据中心节能策略资源监控单一化所导致节能效率低的技术问题。
Description
技术领域
本发明涉及数据处理领域，具体而言，涉及一种数据处理方法、装置、非易失性存储介质和处理器。
背景技术
数据中心是全球协作的特定设备网络，可用来在因特网基础设施上传递、加速、展示、计算、存储数据信息。随着数据中心产业的不断成熟和发展，企业级的数据中心也越来越多，用户规模的不断增加和企业级应用的持续更新迭代需要越来越大的计算资源，从而对数据中心规模提出更大的扩张需求。
传统的数据中心节能方法主要通过资源分配策略和控制制冷设备的能源消耗来实现。
其中，传统的资源分配策略主要是基于虚拟化资源的调度技术，通过虚拟化技术将有限的物理资源重新分配。底层利用率较低的虚拟机通过虚拟机动态迁移技术被整合到同一台服务器上，空置的服务器将会被关闭或强制休眠，以达到降低能耗的目的。
在上述过程中，基于单一的轮询方式或者事件驱动方式对资源进行监控，在监测虚拟资源的动态变化时灵活性差。而且，目前通常采用对CPU利用率或者内存利用率等因子进行时间积分的方式建立能耗模型，然后再通过遗传算法对能耗模型进行极值寻优，进而对待分配资源进行资源分配，该方法在实际工程中的运用率较低，而且也无法自适应的调节能耗模型的参数。由此可见，现有的数据中心节能策略存在监控资源单一化和基于积分方式的能耗模型建立所导致的节能效率不高的问题。
另外，数据中心聚集了大量的服务器、存储、制冷和供配电等设备，然而现有技术无法实时监控各个设备的能耗，例如，对于制冷设备，在设定好数据中心的理想温度之后，制冷设备高速运转，待温度恒定之后，并不能智能化地控制不再满负载运行的制冷设备停止运行，必须人工手动干预，从而加大了机房巡检的工作量，增加了数据中心的能耗问题。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种数据处理方法、装置、非易失性存储介质和处理器，以至少解决相关技术中，数据中心节能策略资源监控单一化所导致节能效率低的技术问题。
根据本发明实施例的一个方面，提供了一种数据处理方法，应用于数据处理系统中，数据处理系统至少包括：多个物理机以及多个辅助设备，包括：获取多个虚拟机的计算资源信息，以及多个辅助设备的运行功率，其中，多个虚拟机设置在多个物理机上；基于能耗模型对计算资源信息以及运行功率进行分析，得到处理结果，其中，能耗模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：输入信息以及输入信息对应的数据处理系统的消耗功率，输入信息至少包括：计算资源信息以及运行功率，处理结果至少包括：分配结果以及控制结果；根据分配结果将待分配资源分配给多个虚拟机，并根据控制结果控制多个辅助设备的启停，以使数据处理系统的消耗功率最小。
进一步地，数据处理方法还包括：获取多个虚拟机对应的资源状态信息；根据多个虚拟机对应的资源状态信息确定多个虚拟机所对应的监控方式；根据监控方式对多个虚拟机进行监控，得到计算资源信息，其中，计算资源信息至少包括：处理器利用率以及内存利用率。
进一步地，数据处理方法还包括：根据多个虚拟机对应的资源状态信息确定多个虚拟机对应的资源状态信息的误差值；在误差值小于或等于预设误差值的情况下，确定监控方式为轮询监控方式；在误差值大于预设误差值的情况下，确定监控方式为事件驱动方式。
进一步地，数据处理方法还包括：在基于能耗模型对计算资源信息以及运行功率进行分析，得到处理结果之前，根据处理器利用率以及内存利用率确定多个虚拟机的第一总功率；对第一总功率进行积分计算，得到第一资源消耗；对每个辅助设备的运行功率进行累加，得到第二总功率；对第二总功率进行积分计算，得到第二资源消耗；根据第一资源消耗和第二资源消耗，构建能耗模型。
进一步地，数据处理方法还包括：确定目标处理器利用率以及目标内存利用率，其中，目标处理器利用率为数据处理系统的消耗功率最小时，多个虚拟机的处理器利用率，目标内存利用率为数据处理系统的消耗功率最小时，多个虚拟机的内存利用率；根据目标处理器利用率以及目标内存利用率对待分配资源进行分配，得到分配结果。
进一步地，数据处理方法还包括：确定多个辅助设备的目标运行功率，其中，目标运行功率为数据处理系统的消耗功率最小时，多个辅助设备的运行功率；控制目标运行功率满足预设条件的辅助设备启停。
进一步地，数据处理方法还包括：在目标辅助设备的运行功率小于预设功率时，控制目标辅助设备停止运行，目标辅助设备为多个辅助设备中的任意一个；和/或，在目标辅助设备的运行功率为最小运行功率时，控制目标辅助设备停止运行；和/或，在检测到环境温度高与预设温度时，控制目标辅助设备开始运行。
根据本发明实施例的另一方面，还提供了一种数据处理装置，应用于数据处理系统中，数据处理系统至少包括：多个物理机以及多个辅助设备，包括：获取模块，用于获取多个虚拟机的计算资源信息，以及多个辅助设备的运行功率，其中，多个虚拟机设置在多个物理机上；分析模块，用于基于能耗模型对计算资源信息以及运行功率进行分析，得到处理结果，其中，能耗模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：输入信息以及输入信息对应的数据处理系统的消耗功率，输入信息至少包括：计算资源信息以及运行功率，处理结果至少包括：分配结果以及控制结果；处理模块，用于根据分配结果将待分配资源分配给多个虚拟机，并根据控制结果控制多个辅助设备的启停，以使数据处理系统的消耗功率最小。
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，该非易失性存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述的数据处理方法。
根据本发明实施例的另一方面，还提供了一种处理器，该处理器用于运行程序，其中，程序被设置为运行时执行上述的数据处理方法。
在本发明实施例中，采用资源分配与设备智能控制相结合的方式，在获取多个虚拟机的计算资源信息以及多个辅助设备的运行功率之后，通过基于能耗模型对计算资源信息以及运行功率进行分析，得到包含分配结果和控制结果的处理结果，最后，根据分配结果将待分配资源分配给多个虚拟机，并根据控制结果控制多个辅助设备的启停，以使数据处理系统的消耗功率最小，其中，其中，能耗模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：输入信息以及输入信息对应的数据处理系统的消耗功率，输入信息至少包括：计算资源信息以及运行功率。
在上述过程中，本申请可检测虚拟机的计算资源信息以及其他辅助设备的运行功率，由此可见，本申请监控信息多样化。另外，本申请还基于能耗模型来控制辅助设备的启停，该过程无需人工手动干预，从而降低了机房巡检的工作量，简化了数据中心的能耗问题。最后，本申请中的能耗模块输出的处理结果能够使数据处理系统的消耗功率最小，使得各个虚拟机的资源分配最优，辅助设备开启的数量最少，进而达到了节约资源的目的。
由此可见，本申请所提供的方案达到了资源监控多样化的目的，从而实现了提高节能效率的技术效果，进而解决了相关技术中，数据中心节能策略资源监控单一化所导致节能效率低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种数据处理方法的流程图；
图2是根据本发明实施例的一种可选的数据处理系统的示意图；
图3是根据本发明实施例的一种可选的计算资源监控模块的示意图；
图4是根据本发明实施例的一种可选的基于实时自动化监控模块的时序图；
图5是根据本发明实施例的一种可选的RBM算法模型的示意图；
图6是根据本发明实施例的一种数据处理装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种数据处理方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
此外，还需要说明的是，本实施例所提供的数据处理方法可应用于数据处理系统中，数据处理系统至少包括：多个物理机以及多个辅助设备。其中，辅助设备可以包括但不限于制冷设备(例如，空调)、照明设备、存储设备、供电设备等。
图1是根据本发明实施例的数据处理方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取多个虚拟机的计算资源信息，以及多个辅助设备的运行功率，其中，多个虚拟机设置在多个物理机上。
在步骤S102中，计算资源信息至少包括：处理器利用率以及内存利用率，其中，处理器利用率表征了处理器执行非空闲进程的时间占处理器总的执行时间的比例，内存利用率表征了所有进程所开销的内存占总内存的比例。另外，在本实施例中，以制冷设备为辅助设备进行说明。
可选的，图2示出了一种可选的数据处理系统的示意图，由图2可知，该系统主要包括实时自动化监控模块、能耗模块以及处理模块，其中，处理模块用于实现资源分配以及制冷设备的智能控制，在图2中，制冷设备为空调。
在一种可选的实施例中，由图2可知，实时自动化监控模块包括：计算资源监控模块和制冷设备监控模块，其中，计算资源监控模块对各个虚拟机的计算资源信息(如图2中的处理器利用率Ucpu和内存利用率Umem)进行实时监控，制冷设备监控模块可使用功率测量设备(例如，功率表)实时监控各个制冷设备的实时功率。
步骤S104，基于能耗模型对计算资源信息以及运行功率进行分析，得到处理结果，其中，能耗模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：输入信息以及输入信息对应的数据处理系统的消耗功率，输入信息至少包括：计算资源信息以及运行功率，处理结果至少包括：分配结果以及控制结果。
可选的，由图2可知，实时自动化监控模块将获取的计算资源信息以及运行功率传送给能耗模块，由能耗模块对能耗模型进行构建和运算，建立非线性函数模型。然后，处理模块基于能耗模块构建的能耗模型对计算资源信息以及运行功率进行极值寻优计算，输出对物理主机的资源进行智能化分配调度的分配结果以及对空调设备(即辅助设备)进行智能化控制的控制结果。
步骤S106，根据分配结果将待分配资源分配给多个虚拟机，并根据控制结果控制多个辅助设备的启停，以使数据处理系统的消耗功率最小。
可选的，由图2可知，在得到处理结果之后，物理机进一步根据处理器利用率以及内存利用率进行底层计算资源的分配，关闭空置的虚拟机，从而达到降低能耗的目的。而空调设备可通过物联网设备根据各个空调设备的功率，关闭功率较小的空调，以达到降低制冷设备能耗的目的，从而降低了数据中心的整体能耗，并将各个虚拟机的资源状态信息(如图2中的Rstatus和Cstatus)和以及空调设备的实时功率(如图2中的P空调(t))的实时数据再回传至实时自动化监控模块，实现整个控制的闭环，并将数据存入训练样本集，最终达到自适应的调节的目的。
基于上述步骤S202至步骤S206所限定的方案，可以获知，采用资源分配与设备智能控制相结合的方式，在获取多个虚拟机的计算资源信息以及多个辅助设备的运行功率之后，通过基于能耗模型对计算资源信息以及运行功率进行分析，得到包含分配结果和控制结果的处理结果，最后，根据分配结果将待分配资源分配给多个虚拟机，并根据控制结果控制多个辅助设备的启停，以使数据处理系统的消耗功率最小，其中，其中，能耗模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：输入信息以及输入信息对应的数据处理系统的消耗功率，输入信息至少包括：计算资源信息以及运行功率。
容易注意到的是，在上述过程中，本申请可检测虚拟机的计算资源信息以及其他辅助设备的运行功率，由此可见，本申请监控信息多样化。另外，本申请还基于能耗模型来控制辅助设备的启停，该过程无需人工手动干预，从而降低了机房巡检的工作量，简化了数据中心的能耗问题。最后，本申请中的能耗模块输出的处理结果能够使数据处理系统的消耗功率最小，使得各个虚拟机的资源分配最优，辅助设备开启的数量最少，进而达到了节约资源的目的。
由此可见，本申请所提供的方案达到了资源监控多样化的目的，从而实现了提高节能效率的技术效果，进而解决了相关技术中，数据中心节能策略资源监控单一化所导致节能效率低的技术问题。
在一种可选的实施例中，在对计算资源信息以及运动功率进行处理之前，需要获取多个虚拟机的计算资源信息。具体的，首先获取多个虚拟机对应的资源状态信息，然后根据多个虚拟机对应的资源状态信息确定多个虚拟机所对应的监控方式，最后，根据监控方式对多个虚拟机进行监控，得到计算资源信息，其中，计算资源信息至少包括：处理器利用率以及内存利用率。
需要说明的是，上述监控方式包括轮询监控方式和事件驱动方式，其中，固定周期的轮询监控方式能够监控到稳定不间断的有效数据，但轮询监控方式的灵活性较差，无法根据实际的状况调整监控周期，消耗了资源。而事件驱动方式的监控能够在任务多、资源利用率比较大的情况下，及时触发，不会因为轮询次数过多而引起资源阻塞。因此，为了保证监控系统的可靠性运行，本申请基于两者结合的监控方式进行监控。
在一种可选的实施例中，图3示出了一种可选的计算资源监控模块的示意图，由图3可知，计算资源监控模块包括监控模块控制器、数据存储模块、集群监控器、代理节点五个部分。其中，计算资源监控模块通过周期性的接收代理节点发送的该节点处的处理器利用率Ucpu和内存利用率Umem，以此作为数据中心的资源监控信息。具体实施步骤如下：
(1)对数据中心集群中的物理主机进行编号(1、2…m)，对物理主机内的虚拟机编号为(1.1、1.2…1.n)，即V(m，n)表示第m台物理主机上的第n台虚拟机；
(2)实时自动化监控模块获取各个虚拟机的资源状态信息Rstatus和Cstatus的值；
(3)选取不同的监控方式，并获取监测到的各个虚拟机的处理器利用率Ucpu和内存利用率Umem，并传送给获取出来并传给能耗模块。
需要说明的是，Rstatus为全局物理主机节点资源总使用状态的参数，Cstatus为集群监控器的资源总使用状态的参数。
在一种可选的实施例中，在得到资源状态信息之后，可根据多个虚拟机对应的状态信息确定多个虚拟机所对应的监控方式。具体的，根据多个虚拟机对应的资源状态信息确定多个虚拟机对应的资源状态信息的误差值，在误差值小于或等于预设误差值的情况下，确定监控方式为轮询监控方式；在误差值大于预设误差值的情况下，确定监控方式为事件驱动方式。
需要说明的是，可通过如下公式确定资源状态信息的误差值：
在上式中，Maxstatus为物理主机节点的资源总使用状态的最大值，Minstatus为物理主机节点的资源总使用状态的最小值，则在t时刻，物理主机节点状态和集群监控器中的状态关系为：
Δstatus≤ρ
其中，资源状态信息误差的最大容系数为ρ(即上述预设误差值)。其中，ρ越小，表示事件驱动方式下的更新监控数据越快；ρ越大，表示事件驱动方式下的更新监控数据越平稳，此时发送资源监控信息最适合采用轮询的方式。
可选的，图4示出了一种基于实时自动化监控模块的时序图，由图4可知，该时序包括如下步骤：
步骤S1：虚拟机发送监控请求，针对虚拟机的资源状态信息确定监控方式，其中，轮询监控方式的状态关键字为POLL，事件驱动方式的状态关键字为EVENT，并将资源状态信息初始化为0；
步骤S2：将监控请求传送至代理节点，并判断Δstatus≤ρ是否成立；
步骤S3：若Δstatus≤ρ成立，将POLL置为1，并开始轮询监控方式，然后将监控信息存储到数据存储模块中；
步骤S4：更新集群监控器的状态为最新状态，即，将发过来的集群监控器的状态更新为最新状态Cstatus；
步骤S5：若Δstatus≤ρ不成立，发送事件驱动的监控请求；
步骤S6：监控模块的控制器响应事件驱动请求；
步骤S7：集群监控器接收来自监控模块控制器的信号后，将EVENT置为1；
步骤S8：开启事件驱动方式的监控，将最新节点状态更新为集群监控器状态；
步骤S9：代理节点响应监控，并将信号传给虚拟机，将监控数据存储到数据存储模块。
需要说明的是，可根据资源状态信息误差的最大容系数ρ的大小调整监控策略，具体的，当ρ较大时，可以采用周期性的轮询方式进行资源监控，此时的集群资源监控系统只需按照轮询方式不断的实时更新数据信息即可。而事件驱动方式只有在集群监控器所获取到的数据资源信息状态波动大的时候触发，此时，集群监控器会以事件驱动方式读取物理节点的监控数据。
当ρ较小时，可采用事件驱动方式作为监控策略，其中，ρ越小，资源状态信息对于资源的准确度要求越高，即误差的容忍度越低，对资源利用率的变化越敏感，即只要资源利用率发生变动，集群监控器即会收到监控模块发送的状态信息。当资源利用率的Δstatus≤ρ时，监控器将周期性地发送资源监控数据，避免物理主机的状态信息在长时间内不能实时更新。
此外，还需要说明的是，ρ的取值可以为0.6，在不同规模的数据中心和集群规模中，可根据监控虚拟机的资源状态信息确定ρ的取值，此处不再赘述。
相对于计算资源信息的监控，制冷设备的监控相对简单，只需考虑物联网的设计即可，选用智能化实时功率表对数据中心各个空调进行实时功率的采集，得出图2中的P空调(t)，并将P空调(t)发送至能耗模块。
在一种可选的实施例中，在基于能耗模型对计算资源信息以及运行功率进行分析，得到处理结果之前，需要构建能耗模型。具体的，首先根据处理器利用率以及内存利用率确定多个虚拟机的第一总功率，并对第一总功率进行积分计算，得到第一资源消耗；然后对每个辅助设备的运行功率进行累加，得到第二总功率，并对第二总功率进行积分计算，得到第二资源消耗。最后，根据第一资源消耗和第二资源消耗，构建能耗模型。
需要说明的是，数据中心的能耗主要包括计算资源能耗和制冷设备能耗以及其他用电设施能耗(例如，照明等能耗)。由于其他用电设施的能耗相对于计算资源能耗和制冷设备的能耗，占比较小，因此，在本申请中，将计算资源能耗和制冷设备的能耗作为数据中心的总能耗，建立非线性函数模型，而将照明等其他能耗作为常量处理。
另外，数据中心的计算资源的能耗主要是各个服务器计算节点的能耗，服务器计算节点主要包括虚拟机处理器、磁盘存储、网络接口和内存四个部分。其中，处理器和内存是计算节点能源消耗的核心部分。而根据计算系统运行原理，处理器能耗的增加必然导致内存能耗的增加；磁盘存储的能耗则在一定的变动区间内变化，磁盘一旦使用，必然造成能源消耗；而网络接口的能耗则主要是由网络交换设备的运转而产生，在实际工程的资源分配策略中，主要考虑处理器和内存能耗，其他的相关因素作为基础常量考虑。
可选的，处理器利用率Ucpu与整个能耗系统的负载成正比的，因此，在本申请中，将处理器利用率Ucpu、内存利用率Umem和能耗用正相关函数来计算总的能耗值(即第一资源消耗)。其中，可根据利用处理器利用率Ucpu来得到服务器功耗P的线性函数：
P∝P0+Pα*Ucpu+Pβ*Umem
在上式中，P0为常数，表示除处理器利用率Ucpu和内存利用率Umem之外的相关因素的基础常数，Pα表示Ucpu对能耗的影响系数，Pβ代表Umem对能耗的影响系数，例如，图3中，数据中心中有m*n虚拟机，则第一总功率为：
P总(计算资源)∝m*n*P0+Pα*Ucpu+m*n*Pβ*Umem
则第一资源消耗为：
可选的，制冷设备的总能耗是数据中心所有空调设备实时功率的累加，数据中心有n台空调，则第二总功率为：
则第二资源消耗为：
则能耗模型可由下式表示：
E总＝E计算资源+E制冷设备
进一步的，在创建能耗模型之后，可基于能耗模型对计算资源信息以及运行功率进行分析，得到处理结果。具体的，确定目标处理器利用率以及目标内存利用率，并根据目标处理器利用率以及目标内存利用率对待分配资源进行分配，得到分配结果。其中，目标处理器利用率为数据处理系统的消耗功率最小时，多个虚拟机的处理器利用率，目标内存利用率为数据处理系统的消耗功率最小时，多个虚拟机的内存利用率。
可选的，可利用RBM(Restricted Boltzmann Machine，受限玻尔兹曼机)神经网络求解能耗模型，然后求解出能耗最小时，所对应的Ucpu、Umem和P空调(t)的参数矩阵，最后依据Ucpu和Umem进行虚拟资源的分配，迁移利用率低的虚拟机，关闭闲置的虚拟机，从而达到降低计算资源能耗的作用。
对于辅助设备的控制，首先，确定多个辅助设备的目标运行功率，然后，控制目标运行功率满足预设条件的辅助设备启停。其中，目标运行功率为数据处理系统的消耗功率最小时，多个辅助设备的运行功率。
可选的，依据P空调(t)对空调设备进行智能化控制，关闭功率较小的空调设备，并实时监测数据中心的温度，在温度符合机房要求的条件下，尽可能的运行最小数量的空调设备，以达到降低制冷设备能耗的作用。
在一种可选的实施例中，可通过如下任意一种或多种方式控制目标运行功率满足预设条件的辅助设备启停：
方式一：在目标辅助设备的运行功率小于预设功率时，控制目标辅助设备停止运行。其中，目标辅助设备为多个辅助设备中的任意一个，例如，关闭运行功率小于预设功率的空调。其中，预设功率可根据实际需求进行设定，也可对所有辅助设备的运行功率进行运算后得到预设功率，例如，将所有辅助设备的运行功率的平均值作为预设功率。
方式二：在目标辅助设备的运行功率为最小运行功率时，控制目标辅助设备停止运行。
方式三：在检测到环境温度高于预设温度时，控制目标辅助设备开始运行。例如，当环境温度较高时，控制空调设备开启，以降低环境温度。
方式四：在检测到环境温度低于预设温度时，控制目标辅助设备停止运行。可选的，根据环境温度与预设温度的温度差值来控制空调设备停止运行，例如，温度差值大于预设温度差值，则控制运行功率最高的空调设备停止运行；温度差值不大于预设温度差值，则控制运行功率最低的空调设备停止运行。
可选的，图5示出了一种可选的2层的RBM算法模型，其中，C和b分别表示可见层和隐层，数据从可见层输入，通过计算可得出隐层的值。在图5中，可见层与隐层之间的权值为Wnm，图5中h层有n个节点，v有m个节点，单个节点用vj和hi描述，其中，
{0，1}为集合，该集合中只有2个元素，即只能取0或者1，b为隐层的偏置，c为可见层的偏置。
可选的，训练样本为X＝(x1，x2，...，xm)，每个分量对应着可见层的一个节点，即可见层有m个节点，样本通过可见层输入到RBM算法模型中，经过一系列运算得到向量Y＝(y1，y2，…，yn)，向量Y中的每个值也是与隐层的每个节点一一对应，即可以理解为RBM模型将一个维度为m的向量(即一个样本有m个特征)映射到一个维度为n的向量(一个样本具有n个特征)。
其中，RBM算法模型更新权值和偏执的算法步骤如下：
步骤1：由V0计算H0
首先，计算出每个h0i对应的p(h0i＝1|v0)
再对p(h0i＝1|v0)求simple运算即为H0，即产生一个0-1之间的随机数，若p(h0i＝1|v0)大于该随机数，则最终值h0i取1，否则取0。
上式中，ci为隐层的偏执。
步骤2：由H0计算V1
首先，计算出每个v1j对应的p(v1j＝1|h0)
再对p(v1j＝1|h0)求simple运算即为V1，即产生一个0-1之间的随机数，若p(v1j＝1|h0)大于该随机数，则最终值v1j取1，否则取0。
上式中，bj是可见层的偏执。
步骤3：V1计算H1
首先，计算出每个h1i对应的Y中的p(h1i＝1|v1)
对p(h1i＝1|v1)不做simple运算，直接即为H1。
上式中，ci为隐层的偏执。
步骤4：更新权值w和2个偏执b、c
w←w+lr(h0v0'-p(h1＝1|v1)v1′)
b←b+lr(h0-p(h1＝1|v1))
c←c+lr(v0-v1)
在上述过程中，v0、v1为可见层的值，v0为最初的输入值，v1相当于方向训练得出的值，h0、h1为隐层的值，h0为正向得出的值，h1为反向得出的值。
由上述内容可知，本申请主要针对目前数据中心资源分配策略中的监控资源方法单一、灵活性有限的问题，提出一种基于神经网络模型的数据中心节能策略方法，本申请所提供的方法不仅可以提供自动化的监控模块和能耗模型，还能提供基于神经网络模型的节能策略，经过试验具有良好的能耗节省率。
实施例2
根据本发明实施例，提供了一种数据处理装置的实施例，应用于数据处理系统中，数据处理系统至少包括：多个物理机以及多个辅助设备，其中，图6是根据本发明实施例的数据处理装置的示意图，如图6所示，该装置包括：获取模块601、分析模块603以及处理模块605。
其中，获取模块601，用于获取多个虚拟机的计算资源信息，以及多个辅助设备的运行功率，其中，多个虚拟机设置在多个物理机上；分析模块603，用于基于能耗模型对计算资源信息以及运行功率进行分析，得到处理结果，其中，能耗模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：输入信息以及输入信息对应的数据处理系统的消耗功率，输入信息至少包括：计算资源信息以及运行功率，处理结果至少包括：分配结果以及控制结果；处理模块605，用于根据分配结果将待分配资源分配给多个虚拟机，并根据控制结果控制多个辅助设备的启停，以使数据处理系统的消耗功率最小。
需要说明的是，上述获取模块601、分析模块603以及处理模块605对应于上述实施例中的步骤S102至步骤S106，三个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
可选的，获取模块包括：第一获取模块、第一确定模块以及监控模块。其中，第一获取模块，用于获取多个虚拟机对应的资源状态信息；第一确定模块，用于根据多个虚拟机对应的资源状态信息确定多个虚拟机所对应的监控方式；监控模块，用于根据监控方式对多个虚拟机进行监控，得到计算资源信息，其中，计算资源信息至少包括：处理器利用率以及内存利用率。
可选的，第一确定模块包括：第二确定模块、第三确定模块以及第四确定模块。其中，第二确定模块，用于根据多个虚拟机对应的资源状态信息确定多个虚拟机对应的资源状态信息的误差值；第三确定模块，用于在误差值小于或等于预设误差值的情况下，确定监控方式为轮询监控方式；第四确定模块，用于在误差值大于预设误差值的情况下，确定监控方式为事件驱动方式。
可选的，数据处理装置还包括：第五确定模块、第一计算模块、第一累加模块、第二计算模块以及第二累加模块。其中，第五确定模块，用于在基于能耗模型对计算资源信息以及运行功率进行分析，得到处理结果之前，根据处理器利用率以及内存利用率确定多个虚拟机的第一总功率；第一计算模块，用于对第一总功率进行积分计算，得到第一资源消耗；第一累加模块，用于对每个辅助设备的运行功率进行累加，得到第二总功率；第二计算模块，用于对第二总功率进行积分计算，得到第二资源消耗；第二累加模块，用于根据第一资源消耗和第二资源消耗，构建能耗模型。
可选的，分析模块包括：第六确定模块以及分配模块。其中，第六确定模块，用于确定目标处理器利用率以及目标内存利用率，其中，目标处理器利用率为数据处理系统的消耗功率最小时，多个虚拟机的处理器利用率，目标内存利用率为数据处理系统的消耗功率最小时，多个虚拟机的内存利用率；分配模块，用于根据目标处理器利用率以及目标内存利用率对待分配资源进行分配，得到分配结果。
可选的，分析模块包括：第七确定模块以及控制模块。其中，第七确定模块，用于确定多个辅助设备的目标运行功率，其中，目标运行功率为数据处理系统的消耗功率最小时，多个辅助设备的运行功率；控制模块，用于控制目标运行功率满足预设条件的辅助设备启停。
可选的，控制模块包括：第一控制模块，用于在目标辅助设备的运行功率小于预设功率时，控制目标辅助设备停止运行，目标辅助设备为多个辅助设备中的任意一个；和/或，第二控制模块，用于在目标辅助设备的运行功率为最小运行功率时，控制目标辅助设备停止运行；和/或，第三控制模块，用于在检测到环境温度高于预设温度时，控制目标辅助设备开始运行。
实施例3
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，该非易失性存储介质中存储有计算机程序，其中，计算机程序被设置为运行时执行上述实施例1中的数据处理方法。
实施例4
根据本发明实施例的另一方面，还提供了一种处理器，该处理器用于运行程序，其中，程序被设置为运行时执行上述实施例1中的数据处理方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种数据处理方法，其特征在于，应用于数据处理系统中，所述数据处理系统至少包括：多个物理机以及多个辅助设备，所述方法包括：
获取多个虚拟机的计算资源信息，以及所述多个辅助设备的运行功率，其中，所述多个虚拟机设置在所述多个物理机上；
基于能耗模型对所述计算资源信息以及所述运行功率进行分析，得到处理结果，其中，所述能耗模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：输入信息以及所述输入信息对应的所述数据处理系统的消耗功率，所述输入信息至少包括：所述计算资源信息以及所述运行功率，所述处理结果至少包括：分配结果以及控制结果；
根据所述分配结果将待分配资源分配给所述多个虚拟机，并根据所述控制结果控制所述多个辅助设备的启停，以使所述数据处理系统的消耗功率最小。
2.根据权利要求1所述的方法，其特征在于，获取多个虚拟机的计算资源信息，包括：
获取所述多个虚拟机对应的资源状态信息；
根据所述多个虚拟机对应的资源状态信息确定所述多个虚拟机所对应的监控方式；
根据所述监控方式对所述多个虚拟机进行监控，得到所述计算资源信息，其中，所述计算资源信息至少包括：处理器利用率以及内存利用率。
3.根据权利要求2所述的方法，其特征在于，根据多个虚拟机对应的状态信息确定所述多个虚拟机所对应的监控方式，包括：
根据所述多个虚拟机对应的资源状态信息确定所述多个虚拟机对应的资源状态信息的误差值；
在所述误差值小于或等于预设误差值的情况下，确定所述监控方式为轮询监控方式；
在所述误差值大于所述预设误差值的情况下，确定所述监控方式为事件驱动方式。
4.根据权利要求2所述的方法，其特征在于，在基于能耗模型对所述计算资源信息以及所述运行功率进行分析，得到处理结果之前，所述方法还包括：
根据所述处理器利用率以及所述内存利用率确定所述多个虚拟机的第一总功率；
对所述第一总功率进行积分计算，得到第一资源消耗；
对每个辅助设备的运行功率进行累加，得到第二总功率；
对所述第二总功率进行积分计算，得到第二资源消耗；
根据所述第一资源消耗和所述第二资源消耗，构建所述能耗模型。
5.根据权利要求4所述的方法，其特征在于，基于能耗模型对所述计算资源信息以及所述运行功率进行分析，得到处理结果，包括：
确定目标处理器利用率以及目标内存利用率，其中，所述目标处理器利用率为所述数据处理系统的消耗功率最小时，所述多个虚拟机的处理器利用率，所述目标内存利用率为所述数据处理系统的消耗功率最小时，所述多个虚拟机的内存利用率；
根据所述目标处理器利用率以及所述目标内存利用率对所述待分配资源进行分配，得到所述分配结果。
6.根据权利要求4所述的方法，其特征在于，基于能耗模型对所述计算资源信息以及所述运行功率进行分析，得到处理结果，包括：
确定所述多个辅助设备的目标运行功率，其中，所述目标运行功率为所述数据处理系统的消耗功率最小时，所述多个辅助设备的运行功率；
控制所述目标运行功率满足预设条件的辅助设备启停。
7.根据权利要求6所述的方法，其特征在于，控制所述目标运行功率满足预设条件的辅助设备停止运行包括：
在目标辅助设备的运行功率小于预设功率时，控制所述目标辅助设备停止运行，所述目标辅助设备为所述多个辅助设备中的任意一个；和/或，
在所述目标辅助设备的运行功率为最小运行功率时，控制所述目标辅助设备停止运行；和/或，
在检测到环境温度高于预设温度时，控制所述目标辅助设备开始运行。
8.一种数据处理装置，其特征在于，应用于数据处理系统中，所述数据处理系统至少包括：多个物理机以及多个辅助设备，所述装置包括：
获取模块，用于获取多个虚拟机的计算资源信息，以及所述多个辅助设备的运行功率，其中，所述多个虚拟机设置在所述多个物理机上；
分析模块，用于基于能耗模型对所述计算资源信息以及所述运行功率进行分析，得到处理结果，其中，所述能耗模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：输入信息以及所述输入信息对应的所述数据处理系统的消耗功率，所述输入信息至少包括：所述计算资源信息以及所述运行功率，所述处理结果至少包括：分配结果以及控制结果；
处理模块，用于根据所述分配结果将待分配资源分配给所述多个虚拟机，并根据所述控制结果控制所述多个辅助设备的启停，以使所述数据处理系统的消耗功率最小。
9.一种非易失性存储介质，其特征在于，所述非易失性存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的数据处理方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序被设置为运行时执行所述权利要求1至7任一项中所述的数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011340302.5A CN112379766B (zh) | 2020-11-25 | 2020-11-25 | 数据处理方法、装置、非易失性存储介质和处理器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011340302.5A CN112379766B (zh) | 2020-11-25 | 2020-11-25 | 数据处理方法、装置、非易失性存储介质和处理器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112379766A true CN112379766A (zh) | 2021-02-19 |
| CN112379766B CN112379766B (zh) | 2024-04-26 |
Family
ID=74588219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011340302.5A Active CN112379766B (zh) | 2020-11-25 | 2020-11-25 | 数据处理方法、装置、非易失性存储介质和处理器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112379766B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113032216A (zh) * | 2021-03-26 | 2021-06-25 | 山东英信计算机技术有限公司 | 一种监控方法、装置、设备和介质 |
| CN114003373A (zh) * | 2021-09-30 | 2022-02-01 | 苏州浪潮智能科技有限公司 | 业务测试方法、装置、计算机设备及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102662750A (zh) * | 2012-03-23 | 2012-09-12 | 上海交通大学 | 基于弹性虚拟机池的虚拟机资源优化控制方法及其系统 |
| WO2013145288A1 (ja) * | 2012-03-30 | 2013-10-03 | 富士通株式会社 | 情報処理装置、仮想マシン停止方法およびプログラム |
| CN103345298A (zh) * | 2013-07-16 | 2013-10-09 | 山东省计算中心 | 一种基于虚拟it资源分配技术的数据中心节能系统及方法 |
| US20150058641A1 (en) * | 2013-08-24 | 2015-02-26 | Vmware, Inc. | Adaptive power management of a cluster of host computers using predicted data |
| CN104407688A (zh) * | 2014-10-29 | 2015-03-11 | 哈尔滨工业大学深圳研究生院 | 基于树回归的虚拟化云平台能耗测量方法及系统 |
| WO2016106747A1 (zh) * | 2014-12-31 | 2016-07-07 | 华为技术有限公司 | 虚拟机能耗确定方法、物理机和网络系统 |
| CN107479947A (zh) * | 2017-08-18 | 2017-12-15 | 郑州云海信息技术有限公司 | 一种虚拟机能耗优化方法和系统 |
| US20180088997A1 (en) * | 2016-09-26 | 2018-03-29 | Intel Corporation | Dynamic virtual cpu core allocation |
| US20190102233A1 (en) * | 2017-10-04 | 2019-04-04 | Politecnico Di Milano | Method for power optimization in virtualized environments and system implementing the same |
| CN110580210A (zh) * | 2019-07-31 | 2019-12-17 | 杭州电子科技大学 | 一种服务器功耗攻击的检测方法 |
| CN110651235A (zh) * | 2017-05-16 | 2020-01-03 | 美光科技公司 | 向存储器提供能量信息 |
-
2020
- 2020-11-25 CN CN202011340302.5A patent/CN112379766B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102662750A (zh) * | 2012-03-23 | 2012-09-12 | 上海交通大学 | 基于弹性虚拟机池的虚拟机资源优化控制方法及其系统 |
| WO2013145288A1 (ja) * | 2012-03-30 | 2013-10-03 | 富士通株式会社 | 情報処理装置、仮想マシン停止方法およびプログラム |
| CN103345298A (zh) * | 2013-07-16 | 2013-10-09 | 山东省计算中心 | 一种基于虚拟it资源分配技术的数据中心节能系统及方法 |
| US20150058641A1 (en) * | 2013-08-24 | 2015-02-26 | Vmware, Inc. | Adaptive power management of a cluster of host computers using predicted data |
| CN104407688A (zh) * | 2014-10-29 | 2015-03-11 | 哈尔滨工业大学深圳研究生院 | 基于树回归的虚拟化云平台能耗测量方法及系统 |
| WO2016106747A1 (zh) * | 2014-12-31 | 2016-07-07 | 华为技术有限公司 | 虚拟机能耗确定方法、物理机和网络系统 |
| US20180088997A1 (en) * | 2016-09-26 | 2018-03-29 | Intel Corporation | Dynamic virtual cpu core allocation |
| CN110651235A (zh) * | 2017-05-16 | 2020-01-03 | 美光科技公司 | 向存储器提供能量信息 |
| CN107479947A (zh) * | 2017-08-18 | 2017-12-15 | 郑州云海信息技术有限公司 | 一种虚拟机能耗优化方法和系统 |
| US20190102233A1 (en) * | 2017-10-04 | 2019-04-04 | Politecnico Di Milano | Method for power optimization in virtualized environments and system implementing the same |
| CN110580210A (zh) * | 2019-07-31 | 2019-12-17 | 杭州电子科技大学 | 一种服务器功耗攻击的检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 智伟威;周新星;: "神经网络在数据中心能耗模型研究中的应用", 计算机仿真, no. 10 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113032216A (zh) * | 2021-03-26 | 2021-06-25 | 山东英信计算机技术有限公司 | 一种监控方法、装置、设备和介质 |
| CN113032216B (zh) * | 2021-03-26 | 2023-04-25 | 山东英信计算机技术有限公司 | 一种监控方法、装置、设备和介质 |
| CN114003373A (zh) * | 2021-09-30 | 2022-02-01 | 苏州浪潮智能科技有限公司 | 业务测试方法、装置、计算机设备及存储介质 |
| CN114003373B (zh) * | 2021-09-30 | 2023-11-03 | 苏州浪潮智能科技有限公司 | 业务测试方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112379766B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9429921B2 (en) | Method and system for energy control management | |
| CN109800066B (zh) | 一种数据中心节能调度方法及系统 | |
| US10175745B2 (en) | Optimizing power consumption by dynamic workload adjustment | |
| CN104698843B (zh) | 一种基于模型预测控制的数据中心节能控制方法 | |
| US7904287B2 (en) | Method and system for real-time prediction of power usage for a change to another performance state | |
| Yoon et al. | Performance based thermal comfort control (PTCC) using deep reinforcement learning for space cooling | |
| Wei et al. | Deep reinforcement learning for joint datacenter and HVAC load control in distributed mixed-use buildings | |
| US9753477B2 (en) | Load forecasting for residential sector demand response | |
| WO2014153552A1 (en) | Building power management systems | |
| CN104317658A (zh) | 一种基于MapReduce的负载自适应任务调度方法 | |
| CN109491760B (zh) | 一种高效能数据中心云服务器资源自主管理方法 | |
| CN112379766A (zh) | 数据处理方法、装置、非易失性存储介质和处理器 | |
| JP2012506597A (ja) | 認識可能な電力管理を実現する方法 | |
| CN111880490A (zh) | 一种环境调节方法、装置、电子设备及存储介质 | |
| CN108429265B (zh) | 一种需求响应调控方法及装置 | |
| CN113222403B (zh) | 基于大数据的电力调节方法、装置、存储介质及电子设备 | |
| CN103428102A (zh) | 在分布式网络中实现动态负载平衡的方法和系统 | |
| CN110398029B (zh) | 控制方法和计算机可读存储介质 | |
| CN111609534A (zh) | 温度控制方法、装置及中央温度控制系统 | |
| CN109117269A (zh) | 一种分布式系统虚拟机调度方法、装置和可读存储介质 | |
| Ismaeel et al. | Multivariate time series ELM for cloud data centre workload prediction | |
| CN114556027B (zh) | 空调控制装置、空调系统、空调控制方法和记录介质 | |
| Hussin et al. | Efficient energy management using adaptive reinforcement learning-based scheduling in large-scale distributed systems | |
| CN104679444A (zh) | 虚拟化存储资源的动态调整方法与装置 | |
| CN108574600B (zh) | 云计算服务器的功耗和资源竞争协同控制的服务质量保障方法 |
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 |