CN114064282B - 资源挖掘方法、装置及电子设备 - Google Patents
资源挖掘方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114064282B CN114064282B CN202111393506.XA CN202111393506A CN114064282B CN 114064282 B CN114064282 B CN 114064282B CN 202111393506 A CN202111393506 A CN 202111393506A CN 114064282 B CN114064282 B CN 114064282B
- Authority
- CN
- China
- Prior art keywords
- target
- power
- resource
- cabinet
- resources
- 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
Classifications
-
- 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
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5094—Allocation of resources, e.g. of the central processing unit [CPU] where the allocation takes into account power or heat criteria
-
- 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
- G06F1/28—Supervision thereof, e.g. detecting power-supply failure by out of limits supervision
-
- 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
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K5/00—Casings, cabinets or drawers for electric apparatus
- H05K5/02—Details
- H05K5/0247—Electrical details of casings, e.g. terminals, passages for cables or wiring
-
- 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)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Power Sources (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开提供了一种资源挖掘方法、装置及电子设备,涉及计算机技术领域,具体涉及深度学习、机器学习等人工智能技术领域。具体实现方案为:获取目标机柜在M个资源维度上的运行数据,所述M个资源维度包括功率资源,M为正整数;基于所述运行数据,确定所述目标机柜的目标功率超配值,所述目标功率超配值用于表征所述目标机柜在功率额定值的基础上可增加使用的功率幅度值;基于所述目标功率超配值,确定在所述目标机柜中可增加部署的服务器的第一数量。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及深度学习、机器学习等人工智能技术领域,具体涉及一种资源挖掘方法、装置及电子设备。
背景技术
服务器是数据中心的主要用电设备,占据数据中心整体用电量的70%以上,通过在数据中心的机柜上部署服务器,来实现正常的业务运行。
目前,数据中心机柜上部署的服务器数量通常是根据机柜的额定功率和服务器的额定功率来计算的,通过将机柜的额定功率除以服务器的额定功率,从而得到机柜上可部署的服务器数量。并且,在数据中心的机柜上部署完成服务器之后,机柜会在额定功率的基础上运行服务器。
发明内容
本公开提供了一种资源挖掘方法、装置及电子设备。
根据本公开的第一方面,提供了一种资源挖掘方法,包括:
获取目标机柜在M个资源维度上的运行数据,所述M个资源维度包括功率资源,M为正整数;
基于所述运行数据,确定所述目标机柜的目标功率超配值,所述目标功率超配值用于表征所述目标机柜在功率额定值的基础上可增加使用的功率幅度值;
基于所述目标功率超配值,确定在所述目标机柜中可增加部署的服务器的第一数量。
根据本公开的第二方面,提供了一种资源挖掘装置,包括:
获取模块,用于获取目标机柜在M个资源维度上的运行数据,所述M个资源维度包括功率资源,M为正整数;
第一确定模块,用于基于所述运行数据,确定所述目标机柜的目标功率超配值,所述目标功率超配值用于表征所述目标机柜在功率额定值的基础上可增加使用的功率幅度值;
第二确定模块,用于基于所述目标功率超配值,确定在所述目标机柜中可增加部署的服务器的第一数量。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器能够执行第一方面中的任一项方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行第一方面中的任一项方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现第一方面中的任一项方法。
根据本公开的技术解决了数据中心的资源利用率比较低的问题,提高了数据中心的资源利用率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的资源挖掘方法的流程示意图;
图2是目标模型的训练过程示意图;
图3是目标模型的自动学习过程示意图;
图4是资源挖掘方法的整体流程示意图;
图5是根据本公开第二实施例的资源挖掘装置的结构示意图;
图6是用来实施本公开的实施例的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
第一实施例
如图1所示,本公开提供一种资源挖掘方法,包括如下步骤:
步骤S101:获取目标机柜在M个资源维度上的运行数据,所述M个资源维度包括功率资源,M为正整数。
本实施例中,资源挖掘方法涉及计算机技术领域,尤其涉及深度学习、机器学习等人工智能技术领域,其可以广泛应用于数据中心中服务器的部署场景下。本公开实施例的资源挖掘方法,可以由本公开实施例的资源挖掘装置执行。本公开实施例的资源挖掘装置可以配置在任意电子设备中,以执行本公开实施例的资源挖掘方法。该电子设备可以为服务器,也可以为终端,这里不做具体限定。
该步骤中,应用场景可以为:针对一数据中心,该数据中心可以包括至少一个机柜,目标机柜即可以为数据中心的任一机柜。本实施例中,可以以机柜为最小单位,针对数据中心的每一机柜,均进行相应的资源挖掘,以使得在数据中心的基础设施资源不变的情况下,提高数据中心的资源利用率。
可以在目标机柜上部署至少一台服务器,以实现正常的业务运行,另外,数据中心还可以包括电力设备和制冷设备等,以维持机柜中服务器的正常运行。
为了最大化利用目标机柜的功率资源,运营商通常会基于机柜的额定功率和需要部署的服务器的额定功率来事先在机柜上部署服务器,并在机柜的额定功率基础上运行服务器。
比如,机柜的额定功率为8千瓦kW,服务器的额定功率为800瓦W,则经过计算可以部署10台服务器,之后,机柜最大会同时运行这10台服务器,以保证机柜的运行功率不超过额定功率。
然而,服务器的运行功率往往比额定功率小,若服务器的运行功率低,使得机柜的功率负荷低,往往会造成机柜上的功率资源闲置,因此,可以在机柜原有部署的基础上,通过资源挖掘,使得在满足安全风险评估的基础上,在机柜上额外增配服务器,以充分利用数据中心的资源。
在此基础上,假设所有服务器均在额定功率运行,则机柜的功率负荷会超过机柜的额定功率。在机柜上额外增配服务器的基础上,电子设备会实时监控机柜的资源运行情况,以保证机柜的功率负荷不会超过机柜的额定功率。
具体的,可以获取目标机柜在M个资源维度上的运行数据,该运行数据可以作为对目标机柜的资源挖掘算法的输入。该运行数据可以包括目标机柜在功率资源维度上的数据,即该运行数据可以包括目标机柜的功率负荷,基于目标机柜的功率负荷进行资源挖掘。
为了更加准确地评估该目标机柜上可增配的服务器的数量,M个资源维度除了包括功率资源的维度外,还可以包括以下至少一项:
电力资源;
制冷资源;
空间资源;
网络端口资源;
所述目标机柜中部署的服务器的中央处理器CPU的使用率;
所述目标机柜中部署的服务器的图形处理器GPU的使用率。
其中,目标机柜在电力资源维度上的运行数据可以指的是目标机柜运行过程中使用的电力能源,可以使用电力设备为其进行供电,目标机柜在制冷资源维度上的运行数据可以指的是目标机柜运行过程中使用的制冷能源,可以使用制冷设备为其进行制冷。
目标机柜在空间资源维度上的运行数据可以指的是目标机柜的空间使用率,如可以在目标机柜上部署20台服务器,而当前只部署10台服务器,则空间使用率为50%,目标机柜在网络端口资源维度上的运行数据可以指的是目标机柜的网络端口使用率。
另外,目标机柜在M个资源维度上的运行数据还可以包括目标机柜中部署的服务器的中央处理器(Central Processing Unit,CPU)的使用率和目标机柜中部署的服务器的图形处理器(Graphics Processing Unit,GPU)的使用率。
也就是说,在一可选实施方式中,可以基于目标机柜的功率、电力、制冷、空间、网络端口资源进行综合评估,并结合服务器的CPU和GPU的使用率进行资源挖掘,这样可以提高资源挖掘的准确性。
可以实时或周期自动获取目标机柜在M个资源维度上的运行数据,也可以在接收到触发信息如用户触发的情况下获取目标机柜在M个资源维度上的运行数据。
并且,目标机柜在M个资源维度上的运行数据的获取方式可以包括多种,比如,可以通过数据中心监控大数据平台来监控目标机柜的运行情况,以获取目标机柜在M个资源维度上的运行数据,也可以接收其他电子设备发送的该目标机柜在M个资源维度上的运行数据。
步骤S102:基于所述运行数据,确定所述目标机柜的目标功率超配值,所述目标功率超配值用于表征所述目标机柜在功率额定值的基础上可增加使用的功率幅度值。
该步骤中,目标功率超配值可以指的是目标机柜在额定功率的基础上还可以额外增配的功率幅度值,比如,若目标功率超配值为2kW,目标机柜的额定功率为8kW,在目标机柜额定的功率负荷为8kW的基础上,该目标机柜还可以额外增配2kW额定的功率负荷,最终使得该目标机柜可以配置10kW额定的功率负荷。
可以基于该运行数据,评估该目标机柜的潜力,并挖掘该目标机柜可部署服务器空间,以确定目标机柜的目标功率超配值。
具体可以通过制定机柜超配功率即挖掘识别算法,从该目标机柜的功率负荷、部署服务器的CPU和GPU利用率、电力容量、制冷容量等M个维度的运行数据,来综合评估该目标机柜是否可挖潜,以及在可挖掘的情况下该目标机柜的目标功率超配值。该目标功率超配值通常为大于0的值,且可以小于该目标机柜的功率额定值。
可以通过深度学习模型或机器学习模型,基于该运行数据来确定该目标机柜的目标功率超配值,挖掘识别算法以机器学习模型为例,可以基于挖掘识别算法对挖潜样本数据进行逻辑回归,并离线学习,训练后可以得到挖潜识别模型,该挖掘识别模型即为机器学习模型,其具体训练过程将在下述进行详细描述。其中,挖掘样本数据可以包括机柜样本在所述M个资源维度上的第一历史运行数据和所述机柜样本的功率超配标签,挖掘样本数据在包括上述数据的基础上,还可以包括所述机柜样本对应的机架排样本和机房样本的第二历史运行数据,另外,挖掘样本数据还可以包括机柜类型。
之后可以将目标机柜在M个资源维度上的运行数据输入至挖掘识别模型进行目标机柜的资源挖掘,相应的,该挖掘识别模型基于学习到的参数进行挖掘计算,从而输出目标机柜的目标功率超配值。
在通过挖掘识别模型,基于目标机柜的功率、电力、制冷、空间、网络端口资源进行综合评估,并结合服务器的CPU和GPU的使用率进行资源挖掘的情况下,所确定出的目标机柜的目标功率超配值考虑了电力、制冷、空间和网络端口资源余量,同时结合了目标机柜的历史运行规律(包括该目标机柜的历史功率负荷的峰值和均值、以及电力资源和制冷资源的历史使用情况等)、目标机柜当前的功率负荷和部署服务器的CPU和GPU的使用率,这样充分考虑了多种因素,从而可以在保证风险评估安全的情况下提高资源挖掘的准确性。
步骤S103:基于所述目标功率超配值,确定在所述目标机柜中可增加部署的服务器的第一数量。
该步骤中,可以将目标功率超配值除以所需要部署的服务器的额定功率,之后将得到的值进行向下取整,取整后得到的整数值即可以确定为第一数量,其中,所需要部署的服务器可以根据业务需求来设置。
比如,若目标功率超配值为2kW,所需要部署的服务器的额定功率为800W,则将目标功率超配值除以所需要部署的服务器的额定功率得到的向下取整的整数值为2,因此,还可以在该目标机柜上额外再部署两台服务器。
若目标功率超配值是充分考虑了电力资源、制冷资源、空间资源和网络端口资源等因素的情况下所确定的,所得到的目标功率超配值是已经经过了安全风险评估,也就是说,若基于该目标功率超配值所确定的第一数量在目标机柜上额外部署服务器,可以保证该目标机柜的电力、制冷、空间和网络端口满足安全要求。
而在确定目标功率超配值时没有考虑电力资源、制冷资源、空间资源和网络端口资源等因素的情况下,可以结合这些维度的资源来综合确定可增加部署的服务器的第一数量。
比如,将目标功率超配值除以所需要部署的服务器的额定功率得到的向下取整的整数值为5,若综合电力资源、制冷资源、空间资源和网络端口资源,在额外部署5台服务器的情况下无法满足安全要求,如存在超电风险,机柜温度太高,或者,空间和网络端口资源不足等,而目标机柜当前这些维度的资源仅能额外满足4台服务器的安全运行,因此,可以确定在该目标机柜中可增加部署的服务器的第一数量为4。
之后,可以基于第一数量来确定数据中心的服务器部署策略,并基于该服务器部署策略找出可增配的机柜,以及该机柜上可增部服务器位置,并在该机柜上额外部署服务器,从而可以充分利用该数据中心的资源,进而可以提高数据中心的资源利用率。
可以直接基于第一数量来确定数据中心的服务器部署策略,比如,针对数据中心中的所有机柜,可以基于每一机柜可额外部署的服务器的数量来确定该数据中心的服务器部署策略,该服务器部署策略可以包括该数据中心中每一机柜可额外部署的服务器的数量。
在一场景中,该数据中心中的机柜是部署在机房的机架排中的,该机房还可以包括多个机架排,可以经过机架排和机房的整体安全风险评估后,再基于第一数量确定数据中心中机房的服务器部署策略。否则,需要减少数据中心中各个机柜额外部署的服务器的数量,如减少目标机柜额外部署的服务器数量,使其小于第一数量,以满足机架排和机房的整体安全风险评估。
另外,在制定服务器部署策略时还可以考虑服务器的实际需求,即由业务人员根据实际业务进行评估审核,如第一数量为5,而服务器的实际需求为4,则额外部署4台服务器即可满足业务需求。
本实施例中,通过获取目标机柜在M个资源维度上的运行数据,所述M个资源维度包括功率资源;基于所述运行数据,确定所述目标机柜的目标功率超配值,所述目标功率超配值用于表征所述目标机柜在功率额定值的基础上可增加使用的功率幅度值;基于所述目标功率超配值,确定在所述目标机柜中可增加部署的服务器的第一数量。如此,可以基于第一数量来确定数据中心的服务器部署策略,并基于服务器部署策略在该机柜上额外部署服务器,从而可以充分利用该数据中心的资源,进而可以提高数据中心的资源利用率。
可选的,所述目标机柜部署于数据中心的机房内的机架排中,所述方法还包括:
若所述机架排在N个资源维度上的可用资源,以及所述机房在所述N个资源维度上的可用资源均满足预设条件,基于所述第一数量,确定所述数据中心在所述机房内的服务器增配策略;
其中,所述预设条件包括:部署所述第一数量的服务器所消耗的资源处于可用资源的范围内,所述N个资源维度包括电力资源、制冷资源、空间资源、网络端口资源中至少一项,N为正整数。
本实施方式中,其具体的应用场景可以为:一数据中心可以包括多个机房,每个机房可以包括多个机架排,每个机架排可以包括多个机柜,而目标机柜即部署在一机房的机架排中。
本实施方式中,可以经过机架排和机房的整体安全风险评估后,再基于第一数量确定数据中心中机房的服务器部署策略。具体的,模拟在目标机柜上部署第一数量的服务器,若这些服务器所消耗的资源处于机架排在N个资源维度上的可用资源的范围内,以及处于机房在N个资源维度上的可用资源的范围内,则说明经过了机架排和机房的整体安全风险评估,可以在目标机柜上额外部署第一数量的服务器,防止大面积超电风险。
或者,模拟在目标机柜上部署第一数量的服务器,若机架排所消耗的资源处于机架排在N个资源维度上的资源容量范围内,以及机房所消耗的资源处于机房在N个资源维度上的资源容量范围内,则说明经过了机架排和机房的整体安全风险评估,可以在目标机柜上额外部署第一数量的服务器。
比如,模拟在目标机柜上部署第一数量的服务器,若机架排没有超电,没有超出额定的功率负荷,以及温度在预设范围内,以及机房没有超电,没有超出额定的功率负荷,以及温度也在预设范围内,则说明经过了机架排和机房的整体安全风险评估,可以在目标机柜上额外部署第一数量的服务器。
本实施方式中,通过在经过机架排和机房的整体安全风险评估的情况下,基于第一数量确定所述数据中心在所述机房内的服务器增配策略,如此,在保证数据中心整体安全的前提下,提高数据中心的资源利用率。
可选的,所述基于所述运行数据,确定所述目标机柜的目标功率超配值,包括:
将所述运行数据输入至目标模型进行资源挖掘操作,得到所述目标机柜的目标功率超配值;
其中,所述目标模型基于如下数据训练得到:
机柜样本在所述M个资源维度上的第一历史运行数据、所述机柜样本的功率超配标签、所述机柜样本对应的机架排样本和机房样本的第二历史运行数据。
本实施方式中,可以通过机器学习模型进行机柜的资源挖掘,具体可以将运行数据输入至目标模型进行资源挖掘操作,得到所述目标机柜的目标功率超配值。其中,目标模型即为挖掘识别模型,其为机器学习模型。
该目标模型在使用之前,需要预先训练,其训练数据可以包括机柜样本在所述M个资源维度上的第一历史运行数据、所述机柜样本的功率超配标签、所述机柜样本对应的机架排样本和机房样本的第二历史运行数据。
目标模型的训练过程如图2所示,数据中心监控大数据平台监控各数据中心的运行数据,将各数据中心的历史运行数据存储至数据仓库,可以通过调度任务获取数据仓库中各数据中心的历史运行数据,并经过数据抽取、数据清洗和数据映射等数据处理,获取数据中心中各个机柜样本在M个资源维度上的第一历史运行数据,之后进行数据聚合,获取机柜样本对应的机架排样本和机房样本的第二历史运行数据,同时进行数据标签处理,获取机柜样本的功率超配标签。
另外,在对数据中心监控大数据平台监控的历史运行数据进行数据处理之后,还可以增设人工评估和审核流程,以保证训练数据获取的准确性。
其中,第一历史运行数据可以包括机柜样本历史运行时的功率负荷峰值和均值、CPU和GPU使用率均值、电力使用情况、以及制冷情况等。功率超配标签可以表征机柜样本是否可挖掘,以及在可挖掘的情况下,相应的功率超配值标签。第二历史运行数据可以包括机架排的电力使用情况和制冷情况、以及机房的电力使用情况和制冷情况等。
可以基于上述数据对目标模型进行训练,具体可以针对每个机柜样本,将机柜样本的挖掘样本数据输入至目标模型进行资源挖掘操作,输出该机柜样本的挖掘结果,基于该挖掘结果与功率超配标签进行逻辑回归,以调整目标模型的参数。之后,可以基于第二历史运行数据再逐级往上从机架排和房间级别进行整体安全风险评估,防止大面积超电风险。
相应的,目标模型训练完成之后,可以将所述运行数据输入至目标模型进行资源挖掘操作,得到所述目标机柜的目标功率超配值。
本实施方式中,通过机器学习模型进行目标机柜的资源挖掘,且基于机柜样本在所述M个资源维度上的第一历史运行数据、所述机柜样本的功率超配标签、以及所述机柜样本对应的机架排样本和机房样本的第二历史运行数据对机器学习模型进行训练,如此,可以在保证数据中心整体安全运行的情况下,实现对目标机柜的资源挖掘。
可选的,所述目标模型包括超配参数,所述超配参数用于控制所述目标模型输出的功率超配值,资源挖掘操作包括:
在基于所述第一历史运行数据确定所述机柜样本具备资源挖掘潜力的情况下,基于所述目标模型的超配参数确定第一功率超配值;
在基于所述第一功率超配值和所述第二历史运行数据,确定所述机架排样本和/或所述机房样本存在安全风险的情况下,调整所述目标模型的超配参数,以降低所述目标模型输出的功率超配值。
本实施方式中,所述目标模型可以包括超配参数和潜力评估计算模块,超配参数可以作用于潜力评估计算模块,以计算出机柜的功率超配值,该超配参数用于控制目标模型输出的功率超配值,即该超配参数不同,所计算出来的机柜的功率超配值也会不同。
如图2所示,资源挖掘操作可以包括两个部分,第一个部分可以为机柜超配计算逻辑,用于基于第一历史运行数据确定机柜样本是否具备资源挖掘潜力,即将第一历史运行数据输入至目标模型,该目标模型基于超配参数和潜力评估计算模块,确定机柜样本是否具备资源挖掘潜力。在该部分中,若确定机柜样本具备资源挖掘潜力,可以基于目标模型的超配参数确定第一功率超配值,并基于功率超配标签和目标模型输出的第一功率超配值调整该超配参数,使得功率超配标签和目标模型输出的功率超配值越来越相近。
第二个部分可以为多维度风险评估,可以基于目标模型输出的功率超配值进行机架排和机房的多维度风险评估,具体可以模拟在基于目标模型输出的功率超配值在目标机柜上额外增配服务器的情况下,基于第二历史运行数据确定机架排电力是否超负荷以及机房电力是否超负荷,同时,还可以确定机架排制冷是否超负荷以及机房制冷是否超负荷。在基于所述第一功率超配值和所述第二历史运行数据,确定所述机架排样本和/或所述机房样本存在安全风险的情况下,调整目标模型的超配参数,以降低目标模型输出的功率超配值,保证机架排和机房的整体安全运行。
之后,调整超配参数之后,可以基于调整后的超配参数,输出机柜样本的最终挖掘结果。
本实施方式中,目标模型的训练过程中,通过在满足机柜的安全运行基础上,逐级往上从机架排和房间级别进行风险评估,并在基于所述第一功率超配值和所述第二历史运行数据,确定所述机架排样本和/或所述机房样本存在安全风险的情况下,调整目标模型的超配参数,以降低目标模型输出的功率超配值,从而可以保证机架排和机房的整体安全运行,防止大面积超电风险,进而基于该挖掘识别模型进行资源挖掘时可以提高机柜的资源挖掘的准确性。
可选的,所述基于所述目标功率超配值,确定在所述目标机柜中可增加部署的服务器的第一数量之后,所述方法还包括如下至少一项:
若基于所述第一数量在所述目标机柜部署服务器,监控所述目标机柜在K个资源维度上的资源使用情况,所述K个资源维度包括电力资源、制冷资源和功率资源中至少一项,K为正整数;
若所述资源使用情况表征所述目标机柜在所述K个资源维度中目标资源维度上的使用资源超出所述目标资源维度的额定值,生成反馈信息,所述反馈信息用于调整所述目标模型的超配参数,以降低所述目标模型输出的功率超配值。
本实施方式中,在一场景中,可以实时或周期监控目标机柜在K个资源维度上的资源使用情况,以确定目标机柜的电力使用情况、制冷情况、功率负荷情况,若监控到目标机柜超电、温度太高或功率负荷大于功率额定值等,此时,可以生成反馈信息。
在另一场景中,可以基于第一数量在所述目标机柜部署服务器,并在服务器上架后,也可以实时或周期监控目标机柜在K个资源维度上的资源使用情况,以确定目标机柜的电力使用情况、制冷情况、功率负荷情况,若监控到目标机柜超电、温度太高或功率负荷大于功率额定值等,此时,可以生成反馈信息。同时,针对目标机柜,可以下架一部分服务器,并将其上的业务迁移,保证其安全运行。
如图3所示,为目标模型的自动学习过程,具体可以为:首先对挖掘样本数据进行逻辑回归,并离线学习,训练得到挖掘识别模型,之后基于该挖掘识别模型对机柜的运行数据进行分类分析,以判断该机柜是否可挖掘,得到挖掘结果,之后人工修正挖掘结果或基于反馈信息,对挖掘识别模型进行在线学习,以调整目标模型的超配参数。
本实施方式中,通过监控所述目标机柜在K个资源维度上的资源使用情况,若所述资源使用情况表征所述目标机柜在所述K个资源维度中目标资源维度上的使用资源超出所述目标资源维度的额定值,生成反馈信息,所述反馈信息用于调整所述目标模型的超配参数,以降低所述目标模型输出的功率超配值。如此,可以对目标模型进行在线学习,进一步提高对机柜的资源挖掘的准确性。
下面对本实施例的资源挖掘方法的整体流程进行阐述,如图4所示,资源挖掘过程具体可以包括两个过程,第一个过程可以为挖掘识别模型的训练过程,可以基于数据中心监控大数据平台上的数据,并结合人工评估和审核,对挖掘识别模型进行训练。
第二个过程可以为基于挖掘识别模型进行资源挖掘的过程,可以将数据中心中机柜的运行数据(包括电力、制冷、空间和网络端口)输入至挖掘识别模型进行资源挖掘,得到挖掘结果,可以基于该挖掘结果和服务器的实际需求在机柜的机架位上部署服务器,并进行服务器上架,服务器上架后,可以监控该机柜的资源使用情况,并进行超电告警监控,生成反馈信息,以调整挖掘识别模型的超配参数。
第二实施例
如图5所示,本公开提供一种资源挖掘装置500,包括:
获取模块501,用于获取目标机柜在M个资源维度上的运行数据,所述M个资源维度包括功率资源,M为正整数;
第一确定模块502,用于基于所述运行数据,确定所述目标机柜的目标功率超配值,所述目标功率超配值用于表征所述目标机柜在功率额定值的基础上可增加使用的功率幅度值;
第二确定模块503,用于基于所述目标功率超配值,确定在所述目标机柜中可增加部署的服务器的第一数量。
可选的,所述目标机柜部署于数据中心的机房内的机架排中,所述装置还包括:
第三确定模块,用于若所述机架排在N个资源维度上的可用资源,以及所述机房在所述N个资源维度上的可用资源均满足预设条件,基于所述第一数量,确定所述数据中心在所述机房内的服务器增配策略;
其中,所述预设条件包括:部署所述第一数量的服务器所消耗的资源处于可用资源的范围内,所述N个资源维度包括电力资源、制冷资源、空间资源、网络端口资源中至少一项,N为正整数。
可选的,所述第一确定模块502,具体用于:
将所述运行数据输入至目标模型进行资源挖掘操作,得到所述目标机柜的目标功率超配值;
其中,所述目标模型基于如下数据训练得到:
机柜样本在所述M个资源维度上的第一历史运行数据、所述机柜样本的功率超配标签、所述机柜样本对应的机架排样本和机房样本的第二历史运行数据。
可选的,所述目标模型包括超配参数,所述超配参数用于控制所述目标模型输出的功率超配值,所述资源挖掘操作包括:
在基于所述第一历史运行数据确定所述机柜样本具备资源挖掘潜力的情况下,基于所述目标模型的超配参数确定第一功率超配值;
在基于所述第一功率超配值和所述第二历史运行数据,确定所述机架排样本和/或所述机房样本存在安全风险的情况下,调整所述目标模型的超配参数,以降低所述目标模型输出的功率超配值。
可选的,所述装置还包括:
监控模块,用于若基于所述第一数量在所述目标机柜部署服务器,监控所述目标机柜在K个资源维度上的资源使用情况,所述K个资源维度包括电力资源、制冷资源和功率资源中至少一项,K为正整数;
生成模块,用于若所述资源使用情况表征所述目标机柜在所述K个资源维度中目标资源维度上的使用资源超出所述目标资源维度的额定值,生成反馈信息,所述反馈信息用于调整所述目标模型的超配参数,以降低所述目标模型输出的功率超配值。
可选的,所述M个资源维度还包括以下至少一项:
电力资源;
制冷资源;
空间资源;
网络端口资源;
所述目标机柜中部署的服务器的中央处理器CPU的使用率;
所述目标机柜中部署的服务器的图形处理器GPU的使用率。
本公开提供的资源挖掘装置500能够实现资源挖掘方法实施例实现的各个过程,且能够达到相同的有益效果,为避免重复,这里不再赘述。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如资源挖掘方法。例如,在一些实施例中,资源挖掘方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的资源挖掘方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行资源挖掘方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (12)
1.一种资源挖掘方法,包括:
获取目标机柜在M个资源维度上的运行数据,所述M个资源维度包括功率资源,M为正整数;
基于所述运行数据,确定所述目标机柜的目标功率超配值,所述目标功率超配值用于表征所述目标机柜在功率额定值的基础上可增加使用的功率幅度值;
基于所述目标功率超配值,确定在所述目标机柜中可增加部署的服务器的第一数量;
所述基于所述运行数据,确定所述目标机柜的目标功率超配值,包括:
将所述运行数据输入至目标模型进行资源挖掘操作,得到所述目标机柜的目标功率超配值;
其中,所述目标模型基于如下数据训练得到:
机柜样本在所述M个资源维度上的第一历史运行数据、所述机柜样本的功率超配标签、所述机柜样本对应的机架排样本和机房样本的第二历史运行数据。
2.根据权利要求1所述的方法,其中,所述目标机柜部署于数据中心的机房内的机架排中,所述方法还包括:
若所述机架排在N个资源维度上的可用资源,以及所述机房在所述N个资源维度上的可用资源均满足预设条件,基于所述第一数量,确定所述数据中心在所述机房内的服务器增配策略;
其中,所述预设条件包括:部署所述第一数量的服务器所消耗的资源处于可用资源的范围内,所述N个资源维度包括电力资源、制冷资源、空间资源、网络端口资源中至少一项,N为正整数。
3.根据权利要求1所述的方法,其中,所述目标模型包括超配参数,所述超配参数用于控制所述目标模型输出的功率超配值,资源挖掘操作包括:
在基于所述第一历史运行数据确定所述机柜样本具备资源挖掘潜力的情况下,基于所述目标模型的超配参数确定第一功率超配值;
在基于所述第一功率超配值和所述第二历史运行数据,确定所述机架排样本和/或所述机房样本存在安全风险的情况下,调整所述目标模型的超配参数,以降低所述目标模型输出的功率超配值。
4.根据权利要求1所述的方法,所述基于所述目标功率超配值,确定在所述目标机柜中可增加部署的服务器的第一数量之后,所述方法还包括如下至少一项:
若基于所述第一数量在所述目标机柜部署服务器,监控所述目标机柜在K个资源维度上的资源使用情况,所述K个资源维度包括电力资源、制冷资源和功率资源中至少一项,K为正整数;
若所述资源使用情况表征所述目标机柜在所述K个资源维度中目标资源维度上的使用资源超出所述目标资源维度的额定值,生成反馈信息,所述反馈信息用于调整所述目标模型的超配参数,以降低所述目标模型输出的功率超配值。
5.根据权利要求1所述的方法,其中,所述M个资源维度还包括以下至少一项:
电力资源;
制冷资源;
空间资源;
网络端口资源;
所述目标机柜中部署的服务器的中央处理器CPU的使用率;
所述目标机柜中部署的服务器的图形处理器GPU的使用率。
6.一种资源挖掘装置,包括:
获取模块,用于获取目标机柜在M个资源维度上的运行数据,所述M个资源维度包括功率资源,M为正整数;
第一确定模块,用于基于所述运行数据,确定所述目标机柜的目标功率超配值,所述目标功率超配值用于表征所述目标机柜在功率额定值的基础上可增加使用的功率幅度值;
第二确定模块,用于基于所述目标功率超配值,确定在所述目标机柜中可增加部署的服务器的第一数量;
所述第一确定模块,具体用于:
将所述运行数据输入至目标模型进行资源挖掘操作,得到所述目标机柜的目标功率超配值;
其中,所述目标模型基于如下数据训练得到:
机柜样本在所述M个资源维度上的第一历史运行数据、所述机柜样本的功率超配标签、所述机柜样本对应的机架排样本和机房样本的第二历史运行数据。
7.根据权利要求6所述的装置,其中,所述目标机柜部署于数据中心的机房内的机架排中,所述装置还包括:
第三确定模块,用于若所述机架排在N个资源维度上的可用资源,以及所述机房在所述N个资源维度上的可用资源均满足预设条件,基于所述第一数量,确定所述数据中心在所述机房内的服务器增配策略;
其中,所述预设条件包括:部署所述第一数量的服务器所消耗的资源处于可用资源的范围内,所述N个资源维度包括电力资源、制冷资源、空间资源、网络端口资源中至少一项,N为正整数。
8.根据权利要求6所述的装置,其中,所述目标模型包括超配参数,所述超配参数用于控制所述目标模型输出的功率超配值,资源挖掘操作包括:
在基于所述第一历史运行数据确定所述机柜样本具备资源挖掘潜力的情况下,基于所述目标模型的超配参数确定第一功率超配值;
在基于所述第一功率超配值和所述第二历史运行数据,确定所述机架排样本和/或所述机房样本存在安全风险的情况下,调整所述目标模型的超配参数,以降低所述目标模型输出的功率超配值。
9.根据权利要求6所述的装置,所述装置还包括:
监控模块,用于若基于所述第一数量在所述目标机柜部署服务器,监控所述目标机柜在K个资源维度上的资源使用情况,所述K个资源维度包括电力资源、制冷资源和功率资源中至少一项,K为正整数;
生成模块,用于若所述资源使用情况表征所述目标机柜在所述K个资源维度中目标资源维度上的使用资源超出所述目标资源维度的额定值,生成反馈信息,所述反馈信息用于调整所述目标模型的超配参数,以降低所述目标模型输出的功率超配值。
10.根据权利要求6所述的装置,其中,所述M个资源维度还包括以下至少一项:
电力资源;
制冷资源;
空间资源;
网络端口资源;
所述目标机柜中部署的服务器的中央处理器CPU的使用率;
所述目标机柜中部署的服务器的图形处理器GPU的使用率。
11.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111393506.XA CN114064282B (zh) | 2021-11-23 | 2021-11-23 | 资源挖掘方法、装置及电子设备 |
US17/992,550 US20230092978A1 (en) | 2021-11-23 | 2022-11-22 | Resource Tapping Method, Resource Tapping Apparatus and Electronic Device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111393506.XA CN114064282B (zh) | 2021-11-23 | 2021-11-23 | 资源挖掘方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114064282A CN114064282A (zh) | 2022-02-18 |
CN114064282B true CN114064282B (zh) | 2023-07-25 |
Family
ID=80279497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111393506.XA Active CN114064282B (zh) | 2021-11-23 | 2021-11-23 | 资源挖掘方法、装置及电子设备 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230092978A1 (zh) |
CN (1) | CN114064282B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018009103A1 (en) * | 2016-07-05 | 2018-01-11 | Telefonaktiebolaget Lm Ericsson (Publ) | Power manager and method performed thereby for managing power of a datacentre |
CN108595301A (zh) * | 2018-03-26 | 2018-09-28 | 中国科学院计算技术研究所 | 一种基于机器学习的服务器能耗预测方法和系统 |
CN109600956A (zh) * | 2018-12-10 | 2019-04-09 | 国家电网有限公司信息通信分公司 | 一种数据中心服务器放置位置优化算法和系统 |
CN109800082A (zh) * | 2018-12-18 | 2019-05-24 | 平安科技(深圳)有限公司 | 结合实际功耗采购服务器的方法、装置及存储介质 |
CN109840180A (zh) * | 2018-12-18 | 2019-06-04 | 平安科技(深圳)有限公司 | 服务器运行功耗管理方法、装置及计算机可读存储介质 |
CN110569170A (zh) * | 2019-08-28 | 2019-12-13 | 深圳力维智联技术有限公司 | 服务器利用率的评价方法、装置、设备及其存储介质 |
CN112667403A (zh) * | 2020-12-31 | 2021-04-16 | 北京百度网讯科技有限公司 | 一种服务器的调度方法、装置及电子设备 |
CN112888268A (zh) * | 2021-02-04 | 2021-06-01 | 中国工商银行股份有限公司 | 数据中心机房节能控制方法、装置、设备及存储介质 |
CN113498300A (zh) * | 2020-03-19 | 2021-10-12 | 百度(美国)有限责任公司 | 数据中心的电子机架以及用于确定其操作参数的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10331198B2 (en) * | 2015-12-31 | 2019-06-25 | Facebook, Inc. | Dynamically adapting to demand for server computing resources |
US11625277B2 (en) * | 2019-05-20 | 2023-04-11 | Intel Corporation | Dynamically augmenting edge resources |
-
2021
- 2021-11-23 CN CN202111393506.XA patent/CN114064282B/zh active Active
-
2022
- 2022-11-22 US US17/992,550 patent/US20230092978A1/en active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018009103A1 (en) * | 2016-07-05 | 2018-01-11 | Telefonaktiebolaget Lm Ericsson (Publ) | Power manager and method performed thereby for managing power of a datacentre |
CN108595301A (zh) * | 2018-03-26 | 2018-09-28 | 中国科学院计算技术研究所 | 一种基于机器学习的服务器能耗预测方法和系统 |
CN109600956A (zh) * | 2018-12-10 | 2019-04-09 | 国家电网有限公司信息通信分公司 | 一种数据中心服务器放置位置优化算法和系统 |
CN109800082A (zh) * | 2018-12-18 | 2019-05-24 | 平安科技(深圳)有限公司 | 结合实际功耗采购服务器的方法、装置及存储介质 |
CN109840180A (zh) * | 2018-12-18 | 2019-06-04 | 平安科技(深圳)有限公司 | 服务器运行功耗管理方法、装置及计算机可读存储介质 |
CN110569170A (zh) * | 2019-08-28 | 2019-12-13 | 深圳力维智联技术有限公司 | 服务器利用率的评价方法、装置、设备及其存储介质 |
CN113498300A (zh) * | 2020-03-19 | 2021-10-12 | 百度(美国)有限责任公司 | 数据中心的电子机架以及用于确定其操作参数的方法 |
CN112667403A (zh) * | 2020-12-31 | 2021-04-16 | 北京百度网讯科技有限公司 | 一种服务器的调度方法、装置及电子设备 |
CN112888268A (zh) * | 2021-02-04 | 2021-06-01 | 中国工商银行股份有限公司 | 数据中心机房节能控制方法、装置、设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
Data center power management for regulation service using neural network-based power prediction;Ning Liu 等;《2017 18th International Symposium on Quality Electronic Design (ISQED)》;367-372 * |
Power Budgeting Techniques for Data Centers;Xin Zhan 等;《IEEE Transactions on Computers》;第64卷(第8期);2267-2278 * |
大型银行数据中心设计功率密度研究;陈庆;《中国金融电脑》;55-59 * |
集成数据中心的综合能源系统能量流–数据流协同规划综述及展望;吕佳炜 等;《中国电机工程学报》;第41卷(第16期);5500-5520 * |
Also Published As
Publication number | Publication date |
---|---|
CN114064282A (zh) | 2022-02-18 |
US20230092978A1 (en) | 2023-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112988381B (zh) | 为云资源生成优化信息的方法、装置和电子设备 | |
CN116169794B (zh) | 电力系统用提示装置与提示方法 | |
CN112667403A (zh) | 一种服务器的调度方法、装置及电子设备 | |
CN115860383A (zh) | 配电网调度方法、装置、电子设备及存储介质 | |
CN114064074A (zh) | 一种升级任务管控方法、装置、电子设备及存储介质 | |
CN113795039B (zh) | 运营商网络切换方法、装置、设备和计算机可读存储介质 | |
CN113468021B (zh) | 监控性能数据的方法、装置、设备以及存储介质 | |
CN113704058B (zh) | 一种业务模型的监控方法、装置及电子设备 | |
CN114818913A (zh) | 决策生成方法和装置 | |
CN114064282B (zh) | 资源挖掘方法、装置及电子设备 | |
CN106779443B (zh) | 电力调度中的操作风险确定方法和装置 | |
CN116502864B (zh) | 配电网应急电源车调度方法、装置、电子设备和存储介质 | |
CN116594563A (zh) | 分布式存储扩容方法、装置、电子设备和存储介质 | |
CN110958137A (zh) | 流量管理方法、装置及电子设备 | |
CN114943384A (zh) | 一种变电站负荷预测方法、装置、设备及存储介质 | |
CN114167832A (zh) | 液压支架控制设备的控制方法、装置、设备及存储介质 | |
CN115269176A (zh) | 任务分配方法、装置、计算机设备、存储介质和产品 | |
CN114139605A (zh) | 分布式的模型训练方法、系统、设备以及存储介质 | |
CN112560210A (zh) | 用于调整电网结构的方法、相关装置及计算机程序产品 | |
CN113550893B (zh) | 设备检测方法、装置、电子设备及存储介质 | |
CN117421131B (zh) | 一种监控服务器功耗负载的智能调度方法及系统 | |
CN112560211B (zh) | 用于调整电网结构的方法、相关装置及计算机程序产品 | |
CN115149572B (zh) | 发电机的并机控制方法、装置及计算机程序产品 | |
CN115965298A (zh) | 一种建筑数据智能管理方法、系统、设备及介质 | |
CN117236995A (zh) | 付费率预估方法、装置、设备及存储介质 |
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 |