CN114238060A - 设备集群的功耗预测方法、装置及设备 - Google Patents
设备集群的功耗预测方法、装置及设备 Download PDFInfo
- Publication number
- CN114238060A CN114238060A CN202111582282.7A CN202111582282A CN114238060A CN 114238060 A CN114238060 A CN 114238060A CN 202111582282 A CN202111582282 A CN 202111582282A CN 114238060 A CN114238060 A CN 114238060A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- equipment
- cluster
- prediction model
- data
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3476—Data logging
-
- 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)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种设备集群的功耗预测方法、装置及设备,其中,方法包括:获取设备集群中各个设备分别对应的初始功耗预测模型;将各个设备的负载参数数据分别输入对应的初始功耗预测模型,得到各个设备分别对应的预测功耗数据;根据各个设备分别对应的预测功耗数据,得到设备集群的预测总功耗数据;以预测总功耗数据与设备集群的实际总功耗数据之间的误差为反馈,对各个功耗预测模型进行调整,直到误差满足预设条件,得到各个设备分别对应的目标功耗预测模型,以通过目标功耗预测模型预测设备集群的功耗。本申请的技术方法能提高设备集群的功耗预测效率。
Description
技术领域
本申请属于人工智能技术领域,具体涉及一种设备集群的功耗预测方法、设备集群的功耗预测装置、以及电子设备。
背景技术
功耗预测是设备集群,如数据中心,规划、运营优化的重要依据。对于功耗随负载变化较大的设备如服务器,需要较为复杂的模型预测功耗。目前通常使用简单的线性模型来预测功耗,比如整个功耗包括一个基础功耗部分和随负载线性变化的部分。这种简单模型不足以准确反映实际情况。此外,模型求解需要为每个设备独立统计功耗,且需要人为制造各种动态负载为模型提供足够多的输入数据。因此,现有的设备集群的功耗预测的效率不高。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本申请的目的在于提供一种设备集群的功耗预测方法、装置及设备,至少在一定程度上克服相关技术中设备集群的功耗预测效率不高等技术问题。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供一种设备集群的功耗预测方法,包括:获取设备集群中各个设备分别对应的初始功耗预测模型;将各个设备的负载参数数据分别输入对应的初始功耗预测模型,得到各个设备分别对应的预测功耗数据;根据各个设备分别对应的预测功耗数据,得到设备集群的预测总功耗数据;以预测总功耗数据与设备集群的实际总功耗数据之间的误差为反馈,对各个功耗预测模型进行调整,直到误差满足预设条件,得到各个设备分别对应的目标功耗预测模型,以通过目标功耗预测模型预测设备集群的功耗。
在一些实施例中,获取设备集群中各个设备分别对应的初始功耗预测模型,包括:获取设备集群中,各个设备的历史负载参数数据,以及历史负载参数数据对应的历史功耗数据;将历史功耗数据以及历史负载参数数据作为训练样本,对设备对应的原始预测模型进行训练,得到各个设备分别对应的初始功耗预测模型。
在一些实施例中,获取设备集群中,各个设备的历史负载参数数据,以及历史负载参数数据对应的历史功耗数据,包括:获取在多个历史时段内,在设备集群中,各个设备分别对应的静态配置参数以及动态负载参数,以及获取各个历史时段内设备分别对应的历史功耗数据;在将历史功耗数据以及历史负载参数数据作为训练样本,对设备对应的原始预测模型进行训练之前,方法还包括:根据静态配置参数、动态负载参数,以及历史功耗数据,建立设备对应的原始预测模型。
在一些实施例中,获取各个设备分别对应的静态配置参数以及动态负载参数,包括:获取各个设备分别对应的静态配置参数;每隔预设时间间隔,获取各个设备分别对应的动态负载参数。
在一些实施例中,获取设备集群中各个设备分别对应的初始功耗预测模型,包括:对设备集群中的各个设备进行分类,以获取多个设备类别;根据设备类别,建立设备类别对应的初始功耗预测模型。
在一些实施例中,根据设备类别,建立设备类别对应的初始功耗预测模型,包括:基于设备类别,确定设备类别对应的初始模型参数;根据初始模型参数,生成设备类别分别对应的初始功耗预测模型。
在一些实施例中,以预测总功耗数据与设备集群的实际总功耗数据之间的误差为反馈,对各个功耗预测模型进行调整,直到误差满足预设条件,得到各个设备分别对应的目标功耗预测模型,包括:实时获取设备集群的实际总功耗数据,以及实时获取预测总功耗数据;根据实时获取的实际总功耗数据以及预测总功耗数据,对初始功耗预测模型进行测试;在测试准确率达到预设阈值的情况下,得到各个设备分别对应的目标功耗预测模型。
在一些实施例中,根据实时获取的实际总功耗数据以及实际总功耗数据,对初始功耗预测模型进行测试,包括:根据实际总功耗数据与预测总功耗数据的差值,建立损失函数;对损失函数执行梯度下降迭代,以获取最小化的损失函数以及初始功耗预测模型的模型参数。
根据本申请实施例的一个方面,提供一种设备集群的功耗预测装置,包括:
第一获取单元,用于获取设备集群中各个设备分别对应的初始功耗预测模型;
训练单元,用于将各个设备的负载参数数据分别输入对应的初始功耗预测模型,得到各个设备分别对应的预测功耗数据;
第二获取单元,用于根据各个设备分别对应的预测功耗数据,得到设备集群的预测总功耗数据;
预测单元,用于以预测总功耗数据与设备集群的实际总功耗数据之间的误差为反馈,对各个功耗预测模型进行调整,直到误差满足预设条件,得到各个设备分别对应的目标功耗预测模型,以通过目标功耗预测模型预测设备集群的功耗。
根据本申请实施例的一个方面,提供一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如以上技术方案中的设备集群的功耗预测方法。
根据本申请实施例的一个方面,提供一种电子设备,该电子设备包括:处理器;以及存储器,用于存储处理器的可执行指令;其中,处理器被配置为经由执行可执行指令来执行如以上技术方案中的设备集群的功耗预测方法。
根据本申请实施例的一个方面,提供一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行如以上技术方案中的设备集群的功耗预测方法。
在本申请实施例提供的技术方案中,首先通过各个设备分别对应的预测功耗数据确定预测总功耗数据,进而在设备集群运行过程中获取实际总功耗数据,从而以预测总功耗数据与设备集群的实际总功耗数据之间的误差为反馈,对各个功耗预测模型进行调整,直到误差满足预设条件,进而得到各个设备分别对应的目标功耗预测模型,以通过目标功耗预测模型预测设备集群的功耗,本申请中,通过数据获取的便利性和准确性来提升设备集群的功耗预测的便利性和准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示意性地示出了应用本申请技术方案的示例性系统架构框图。
图2是根据本申请一实施例提供的一种设备集群的功耗预测方法的流程图。
图3是本申请又一实施例提供的设备集群的功耗预测方法的流程图。
图4示意性地示出了本申请实施例提供的设备集群的功耗预测装置的结构框图。
图5示意性示出了适于用来实现本申请实施例的电子设备的计算机系统结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示意性地示出了应用本申请技术方案的示例性系统架构框图。
如图1所示,系统架构100可以包括终端设备110、网络120和服务器130。终端设备110可以包括智能手机、平板电脑、笔记本电脑、台式电脑等各种电子设备。服务器130可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器。网络120可以是能够在终端设备110和服务器130之间提供通信链路的各种连接类型的通信介质,例如可以是有线通信链路或者无线通信链路。
根据实现需要,本申请实施例中的系统架构可以具有任意数目的终端设备、网络和服务器。例如,服务器130可以是由多个服务器设备组成的服务器群组。本申请中的设备集群的功耗预测可以由终端设备110具体执行,具体的,终端设备110获取设备集群中各个设备分别对应的初始功耗预测模型,终端设备110将各个设备的负载参数数据分别输入对应的初始功耗预测模型,得到各个设备分别对应的预测功耗数据,终端设备110根据各个设备分别对应的预测功耗数据,得到设备集群的预测总功耗数据,并以预测总功耗数据与设备集群的实际总功耗数据之间的误差为反馈,对各个功耗预测模型进行调整,直到误差满足预设条件,得到各个设备分别对应的目标功耗预测模型,以通过目标功耗预测模型预测设备集群的功耗。本申请中的设备集群的功耗预测可以由服务器130具体执行,或者可以由终端设备110和服务器130共同实施,本申请对此不做特殊限定。
下面结合具体实施方式对本申请提供的设备集群的功耗预测做出详细说明。
图2是根据本申请一实施例提供的一种设备集群的功耗预测方法的流程图。该设备集群的功耗预测方法可以由测试终端具体执行,也可以由服务器执行,也可以由测试终端和服务器共同执行。如图2所示,设备集群的功耗预测方法至少可以包括以下步骤S210至步骤S240。
步骤S210、获取设备集群中各个设备分别对应的初始功耗预测模型。
具体的,设备集群,如数据中心,在运行中功耗和负载都在不断变化,为刻画功耗模型提供了丰富的数据。由此,可便于根据设备集群中每个设备的运行功耗以及负载数据,建立各个设备分别对应的初始功耗预测模型,且数据获取的渠道可靠性高,因此,所建立的初始功耗预测模型的准确性较高。
步骤S220、将各个设备的负载参数数据分别输入对应的初始功耗预测模型,得到各个设备分别对应的预测功耗数据。
负载参数数据包括设备配置,示意性的,服务器CPU的工作频率,CPU数量,输入输出吞吐量等。在一个实施例中,负载参数数据可包括静态配置参数以及动态负载参数,其中,动态负载参数为变化中的参数数据,静态配置参数为在持续时间段内变化范围较小的参数数据,从而提高参数数据的描述的准确性。
步骤S230、根据各个设备分别对应的预测功耗数据,得到设备集群的预测总功耗数据。
容易理解的,将各个设备分别对应的预测功耗数据相加,可得到设备集群的预测总功耗数据。
步骤S240、以预测总功耗数据与设备集群的实际总功耗数据之间的误差为反馈,对各个功耗预测模型进行调整,直到误差满足预设条件,得到各个设备分别对应的目标功耗预测模型,以通过目标功耗预测模型预测设备集群的功耗。
示意性的,可根据耗电量获取设备集群的实际总功耗数据。
由此,在本申请中,首先通过各个设备分别对应的预测功耗数据确定预测总功耗数据,进而在设备集群运行过程中获取实际总功耗数据,从而以预测总功耗数据与设备集群的实际总功耗数据之间的误差为反馈,对各个功耗预测模型进行调整,直到误差满足预设条件,进而得到各个设备分别对应的目标功耗预测模型,以通过目标功耗预测模型预测设备集群的功耗,从而提升设备集群的功耗预测的便利性和准确性。且训练过程无需为每个设备独立统计功耗,能够利用大量真实动态数据进行模型训练,从而保证模型的有效性。
图3是本申请又一实施例提供的设备集群的功耗预测方法的流程图。如图3所示,在该实施例中,获取设备集群中各个设备分别对应的初始功耗预测模型,具体可包括以下步骤:
步骤S310、获取设备集群中,各个设备的历史负载参数数据,以及历史负载参数数据对应的历史功耗数据;
步骤S320、将历史功耗数据以及历史负载参数数据作为训练样本,对设备对应的原始预测模型进行训练,得到各个设备分别对应的初始功耗预测模型。
具体的,历史负载参数数据可以从设备的运行日志中获取。历史功耗数据可以分别对设备测试获取,也可以通过安装在设备供电装置中的芯片获取,容易理解的,历史负载参数数据和历史功耗数据能够被便利且准确地获取。
可获取在多个历史时段内,在设备集群中,各个设备分别对应的静态配置参数以及动态负载参数,以及获取各个历史时段内设备分别对应的历史功耗数据,从而根据静态配置参数、动态负载参数,以及历史功耗数据,建立设备对应的原始预测模型。多个历史时段可以是相邻的时段,也可以是不相邻的时段,示意性的,可以选择每一天的同一时段,例如,8点至9点,以此来使外界影响因素尽量一致。还可以选择同一季节内的不同时段,以降低外界温度变化对设备功耗预测模型的影响。
其中,静态配置参数可以是多个,是示意性的,如CPU数量、频率。动态负载参数也可以是多个,如CPU利用率,IO吞吐量等。
需要说明的是,静态配置参数和动态负载参数需根据设备的不同而有所区分,需要尽可能地包含相应设备中与功耗相关度较高的数据,另外,对应不确定相关度是否高的参数,也作为神经网络输入,通过真实数据在训练过程由神经网络自动赋予权重。单台设备建模的神经网络可以是普通的多层全连接网络,也可以是更紧凑的卷积网络,也可以引入残差结构,此处不加以限制。
在一个实施例中,获取各个设备分别对应的静态配置参数以及动态负载参数,具体可包括以下步骤:获取各个设备分别对应的静态配置参数;每隔预设时间间隔,获取各个设备分别对应的动态负载参数。由此,可提升系统操作的可靠性,且又能及时地得到动态负载参数的变化情况,进而提升初始功耗预测模型训练的准确性。
在一个实施例中,为了降低计算量,提升系统稳定性,还可以对设备集群中的各个设备进行分类,以获取多个设备类别,从而根据设备类别,建立设备类别对应的初始功耗预测模型。
由此,可获取各个设备类别对应的初始功耗预测模型,进而通过各个设备类别的初始功耗预测模型预测设备集群的功耗。其中,由于同一设备类别的相似性,同一设备类别的模型参数和网络结构可共享,从而进一步降低系统计算量和成本,提升预测系统工作的稳定性。
具体的,根据设备类别,建立设备类别对应的初始功耗预测模型,可包括以下步骤:基于设备类别,确定设备类别对应的初始模型参数;根据初始模型参数,生成设备类别分别对应的初始功耗预测模型。示意性的,设备类别可包括服务器、用户机、测试机等等,从而根据各设备类别的设备的硬件和软件配置的不同建立起不同的初始功耗预测模型。
在一个实施例中,以预测总功耗数据与设备集群的实际总功耗数据之间的误差为反馈,对各个功耗预测模型进行调整,直到误差满足预设条件,得到各个设备分别对应的目标功耗预测模型,具体可包括以下步骤:实时获取设备集群的实际总功耗数据,以及实时获取预测总功耗数据;根据实时获取的实际总功耗数据以及预测总功耗数据,对初始功耗预测模型进行测试;在测试准确率达到预设阈值的情况下,得到各个设备分别对应的目标功耗预测模型。
具体的,可根据实际总功耗数据与预测总功耗数据的差值,建立损失函数;对损失函数执行梯度下降迭代,以获取最小化的损失函数以及初始功耗预测模型的模型参数。由此,能够可靠地获取目标功耗预测模型。具体的,可为实际总功耗数据与预测总功耗数据的差值的平方。在进行训练时,可每隔预设时间间隔对每个设备或每个设备类别进行负载参数数据统计并输入至各个设备对应的功耗预测模型,同时收集该周期内的实际总功耗数据,进而执行梯度下降迭代,得到各个功耗预测模型的模型参数。
应当注意,尽管在附图中以特定顺序描述了本申请中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
以下介绍本申请的装置实施例,可以用于执行本申请上述实施例中的设备集群的功耗预测方法。图4示意性地示出了本申请实施例提供的设备集群的功耗预测装置400的结构框图。如图4所示,设备集群的功耗预测装置包括:
第一获取单元410,用于获取设备集群中各个设备分别对应的初始功耗预测模型;
训练单元420,用于将所述各个设备的负载参数数据分别输入对应的初始功耗预测模型,得到各个设备分别对应的预测功耗数据;
第二获取单元430,用于根据各个所述设备分别对应的预测功耗数据,得到所述设备集群的预测总功耗数据;
预测单元440,用于以所述预测总功耗数据与所述设备集群的实际总功耗数据之间的误差为反馈,对各个所述功耗预测模型进行调整,直到所述误差满足预设条件,得到各个设备分别对应的目标功耗预测模型,以通过所述目标功耗预测模型预测所述设备集群的功耗。
其中,在一个实施例中,第一获取单元410还用于获取设备集群中,各个设备的历史负载参数数据,以及历史负载参数数据对应的历史功耗数据;将历史功耗数据以及历史负载参数数据作为训练样本,对设备对应的原始预测模型进行训练,得到各个设备分别对应的初始功耗预测模型。
在一个实施例中,第一获取单元410还用于获取在多个历史时段内,在设备集群中,各个设备分别对应的静态配置参数以及动态负载参数,以及获取各个历史时段内设备分别对应的历史功耗数据;根据静态配置参数、动态负载参数,以及历史功耗数据,建立设备对应的原始预测模型。
在一个实施例中,第一获取单元410还用于获取各个设备分别对应的静态配置参数;每隔预设时间间隔,获取各个设备分别对应的动态负载参数。
在一个实施例中,第一获取单元410还用于对设备集群中的各个设备进行分类,以获取多个设备类别;根据设备类别,建立设备类别对应的初始功耗预测模型。
在一个实施例中,第一获取单元410还用于基于设备类别,确定设备类别对应的初始模型参数;根据初始模型参数,生成设备类别分别对应的初始功耗预测模型。
本申请各实施例中提供的设备集群的功耗预测装置的具体细节已经在对应的方法实施例中进行了详细的描述,此处不再赘述。
图5示意性地示出了用于实现本申请实施例的电子设备的计算机系统结构框图。
需要说明的是,图5示出的电子设备的计算机系统500仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理器501(Central Processing Unit,CPU),其可以根据存储在只读存储器502(Read-Only Memory,ROM)中的程序或者从存储部分508加载到随机访问存储器503(Random Access Memory,RAM)中的程序而执行各种适当的动作和处理。在随机访问存储器503中,还存储有系统操作所需的各种程序和数据。中央处理器501、在只读存储器502以及随机访问存储器503通过总线504彼此相连。输入/输出接口505(Input/Output接口,即I/O接口)也连接至总线504。
以下部件连接至输入/输出接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如局域网卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至输入/输出接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本申请的实施例,各个方法流程图中所描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理器501执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种设备集群的功耗预测方法,其特征在于,包括:
获取设备集群中各个设备分别对应的初始功耗预测模型;
将各个所述设备的负载参数数据分别输入对应的初始功耗预测模型,得到各个设备分别对应的预测功耗数据;
根据各个所述设备分别对应的预测功耗数据,得到所述设备集群的预测总功耗数据;
以所述预测总功耗数据与所述设备集群的实际总功耗数据之间的误差为反馈,对各个所述功耗预测模型进行调整,直到所述误差满足预设条件,得到各个设备分别对应的目标功耗预测模型,以通过所述目标功耗预测模型预测所述设备集群的功耗。
2.根据权利要求1所述的方法,其特征在于,所述获取设备集群中各个设备分别对应的初始功耗预测模型,包括:
获取设备集群中,各个设备的历史负载参数数据,以及所述历史负载参数数据对应的历史功耗数据;
将所述历史功耗数据以及所述历史负载参数数据作为训练样本,对所述设备对应的原始预测模型进行训练,得到各个设备分别对应的初始功耗预测模型。
3.根据权利要求2所述的方法,其特征在于,所述获取设备集群中,各个设备的历史负载参数数据,以及所述历史负载参数数据对应的历史功耗数据,包括:
获取在多个历史时段内,在所述设备集群中,各个所述设备分别对应的静态配置参数以及动态负载参数,以及获取各个所述历史时段内所述设备分别对应的历史功耗数据;
在所述将所述历史功耗数据以及所述历史负载参数数据作为训练样本,对所述设备对应的原始预测模型进行训练之前,所述方法还包括:
根据所述静态配置参数、所述动态负载参数,以及所述历史功耗数据,建立所述设备对应的原始预测模型。
4.根据权利要求1或3所述的方法,其特征在于,所述获取各个设备分别对应的静态配置参数以及动态负载参数,包括:
获取各个设备分别对应的静态配置参数;
每隔预设时间间隔,获取各个所述设备分别对应的动态负载参数。
5.根据权利要求1所述的方法,其特征在于,所述获取设备集群中各个设备分别对应的初始功耗预测模型,包括:
对设备集群中的各个设备进行分类,以获取多个设备类别;
根据所述设备类别,建立所述设备类别对应的初始功耗预测模型。
6.根据权利要求5所述的方法,其特征在于,所述根据所述设备类别,建立所述设备类别对应的初始功耗预测模型,包括:
基于所述设备类别,确定所述设备类别对应的初始模型参数;
根据所述初始模型参数,生成所述设备类别分别对应的初始功耗预测模型。
7.根据权利要求1所述的方法,其特征在于,所述以所述预测总功耗数据与所述设备集群的实际总功耗数据之间的误差为反馈,对各个所述功耗预测模型进行调整,直到所述误差满足预设条件,得到各个设备分别对应的目标功耗预测模型,包括:
实时获取所述设备集群的实际总功耗数据,以及实时获取预测总功耗数据;
根据实时获取的所述实际总功耗数据以及所述预测总功耗数据,对所述初始功耗预测模型进行测试;
在测试准确率达到预设阈值的情况下,得到各个设备分别对应的目标功耗预测模型。
8.根据权利要求7所述的方法,其特征在于,所述根据实时获取的所述实际总功耗数据以及所述实际总功耗数据,对所述初始功耗预测模型进行测试,包括:
根据所述实际总功耗数据与所述预测总功耗数据的差值,建立损失函数;
对所述损失函数执行梯度下降迭代,以获取最小化的所述损失函数以及所述初始功耗预测模型的模型参数。
9.一种设备集群的功耗预测装置,其特征在于,包括:
第一获取单元,用于获取设备集群中各个设备分别对应的初始功耗预测模型;
训练单元,用于将所述各个设备的负载参数数据分别输入对应的初始功耗预测模型,得到各个设备分别对应的预测功耗数据;
第二获取单元,用于根据各个所述设备分别对应的预测功耗数据,得到所述设备集群的预测总功耗数据;
预测单元,用于以所述预测总功耗数据与所述设备集群的实际总功耗数据之间的误差为反馈,对各个所述功耗预测模型进行调整,直到所述误差满足预设条件,得到各个设备分别对应的目标功耗预测模型,以通过所述目标功耗预测模型预测所述设备集群的功耗。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至8中任意一项所述的设备集群的功耗预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111582282.7A CN114238060A (zh) | 2021-12-22 | 2021-12-22 | 设备集群的功耗预测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111582282.7A CN114238060A (zh) | 2021-12-22 | 2021-12-22 | 设备集群的功耗预测方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114238060A true CN114238060A (zh) | 2022-03-25 |
Family
ID=80761474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111582282.7A Pending CN114238060A (zh) | 2021-12-22 | 2021-12-22 | 设备集群的功耗预测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114238060A (zh) |
-
2021
- 2021-12-22 CN CN202111582282.7A patent/CN114238060A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10963292B2 (en) | Techniques to manage virtual classes for statistical tests | |
US9111232B2 (en) | Portable workload performance prediction for the cloud | |
CN113821332B (zh) | 自动机器学习系统效能调优方法、装置、设备及介质 | |
Beghoura et al. | Green software requirements and measurement: random decision forests-based software energy consumption profiling | |
CN110377472B (zh) | 定位芯片运行错误的方法及装置 | |
Chen et al. | Optimal variability sensitive condition-based maintenance with a Cox PH model | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
Cheng et al. | Tuning configuration of apache spark on public clouds by combining multi-objective optimization and performance prediction model | |
WO2022009010A1 (en) | Model fidelity monitoring and regeneration for manufacturing process decision support | |
CN112420125A (zh) | 分子属性预测方法、装置、智能设备和终端 | |
CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
Morichetta et al. | Demystifying deep learning in predictive monitoring for cloud-native SLOs | |
Proficz et al. | Performance and power-aware modeling of MPI applications for cluster computing | |
Singha et al. | LEAPER: Fast and Accurate FPGA-based System Performance Prediction via Transfer Learning | |
CN114238060A (zh) | 设备集群的功耗预测方法、装置及设备 | |
Stöckel et al. | Binary associative memories as a benchmark for spiking neuromorphic hardware | |
CN114610648A (zh) | 一种测试方法、装置及设备 | |
CN114676272A (zh) | 多媒体资源的信息处理方法、装置、设备及存储介质 | |
CN113762972A (zh) | 数据存储控制方法及装置、电子设备、存储介质 | |
CN112036641A (zh) | 基于人工智能的留存预测方法、装置、计算机设备及介质 | |
Shen et al. | Data characteristics aware prediction model for power consumption of data center servers | |
Le et al. | Dynamic estimation for medical data management in a cloud federation | |
CN112861951B (zh) | 一种图像神经网络参数的确定方法及电子设备 | |
CN117435870B (zh) | 一种负荷数据实时填充方法、系统、设备和介质 | |
Wang et al. | DNNEmu: A Lightweight Performance Emulator for Distributed DNN Training |
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 |