CN114330099A - 一种网卡功耗调整方法、装置、设备及可读存储介质 - Google Patents
一种网卡功耗调整方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN114330099A CN114330099A CN202111442858.XA CN202111442858A CN114330099A CN 114330099 A CN114330099 A CN 114330099A CN 202111442858 A CN202111442858 A CN 202111442858A CN 114330099 A CN114330099 A CN 114330099A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- network card
- operation information
- value
- server
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 239000002131 composite material Substances 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 13
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Landscapes
- Power Sources (AREA)
Abstract
本申请公开了一种网卡功耗调整方法、装置、设备及可读存储介质。本申请可实时获取服务器在某一时刻的运行信息、以及该时刻服务器上的网卡运行信息,然后以此两种运行信息为基础,用神经网络模型和LSTM模型对该网卡进行功耗预测,得到两个预测值,然后基于这两个预测值确定综合值,并基于综合值调整该网卡的功耗,从而实时对服务器上的网卡进行功耗调整,以进行服务器节能,提升服务器计算性能。相应地,本申请提供的一种网卡功耗调整装置、设备及可读存储介质,也同样具有上述技术效果。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种网卡功耗调整方法、装置、设备及可读存储介质。
背景技术
目前,服务器在运行过程中,服务器上的网卡也相应工作,这些网卡可能会产生较大功耗,不利于服务器的节能。当前,只能读取网卡信息,如:网卡速率、网络流量等,并不能对网卡的功耗进行调节。
因此,如何调节网卡功耗,是本领域技术人员需要解决的问题。
发明内容
有鉴于此,本申请的目的在于提供一种网卡功耗调整方法、装置、设备及可读存储介质,以调节网卡功耗。其具体方案如下:
第一方面,本申请提供了一种网卡功耗调整方法,包括:
获取当前时刻服务器的第一运行信息、以及所述服务器中的目标网卡的第二运行信息;
将所述第一运行信息和所述第二运行信息输入神经网络模型,得到下一时刻的第一功耗预测值,并将所述第一运行信息和所述第二运行信息输入LSTM模型,得到所述下一时刻的第二功耗预测值;
基于所述第一功耗预测值和所述第二功耗预测值确定综合值,并基于所述综合值调整所述目标网卡的功耗。
优选地,所述基于所述第一功耗预测值和所述第二功耗预测值确定综合值,包括:
将所述第一功耗预测值和所述第二功耗预测值的平均值确定为所述综合值。
优选地,所述基于所述第一功耗预测值和所述第二功耗预测值确定综合值,包括:
利用方差倒数法处理所述第一功耗预测值和所述第二功耗预测值,得到所述综合值。
优选地,所述基于所述综合值调整所述目标网卡的功耗,包括:
将所述综合值传输至所述服务器中的BMC,以使所述BMC调整所述目标网卡对应的风扇的转速,从而调整所述目标网卡的功耗。
优选地,所述第一运行信息包括:CPU占用率、硬盘读写速率、电源功率和/或机箱温度。
优选地,所述第二运行信息包括:网卡传输速率和/或网络流量。
优选地,所述将所述第一运行信息和所述第二运行信息输入神经网络模型,得到下一时刻的第一功耗预测值,并将所述第一运行信息和所述第二运行信息输入LSTM模型,得到所述下一时刻的第二功耗预测值之前,还包括:
利用K-S检验方法对所述第一运行信息和所述第二运行信息进行筛选。
第二方面,本申请提供了一种网卡功耗调整装置,包括:
获取模块,用于获取当前时刻服务器的第一运行信息、以及所述服务器中的目标网卡的第二运行信息;
预测模块,用于将所述第一运行信息和所述第二运行信息输入神经网络模型,得到下一时刻的第一功耗预测值,并将所述第一运行信息和所述第二运行信息输入LSTM模型,得到所述下一时刻的第二功耗预测值;
调整模块,用于基于所述第一功耗预测值和所述第二功耗预测值确定综合值,并基于所述综合值调整所述目标网卡的功耗。
第三方面,本申请提供了一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序,以实现前述公开的网卡功耗调整方法。
第四方面,本申请提供了一种可读存储介质,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现前述公开的网卡功耗调整方法。
通过以上方案可知,本申请提供了一种网卡功耗调整方法,包括:获取当前时刻服务器的第一运行信息、以及所述服务器中的目标网卡的第二运行信息;将所述第一运行信息和所述第二运行信息输入神经网络模型,得到下一时刻的第一功耗预测值,并将所述第一运行信息和所述第二运行信息输入LSTM模型,得到所述下一时刻的第二功耗预测值;基于所述第一功耗预测值和所述第二功耗预测值确定综合值,并基于所述综合值调整所述目标网卡的功耗。
可见,本申请可实时获取服务器在某一时刻的运行信息、以及该时刻服务器上的网卡运行信息,然后以此两种运行信息为基础,用神经网络模型和LSTM模型对该网卡进行功耗预测,得到两个预测值,然后基于这两个预测值确定综合值,并基于综合值调整该网卡的功耗,从而实时对服务器上的网卡进行功耗调整,以进行服务器节能,提升服务器计算性能。
相应地,本申请提供的一种网卡功耗调整装置、设备及可读存储介质,也同样具有上述技术效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种网卡功耗调整方法流程图;
图2为本申请公开的另一种网卡功耗调整方法流程图;
图3为本申请公开的一种网卡功耗调整装置示意图;
图4为本申请公开的一种电子设备示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
目前,服务器在运行过程中,服务器上的网卡也相应工作,这些网卡可能会产生较大功耗,不利于服务器的节能。当前,只能读取网卡信息,如:网卡速率、网络流量等,并不能对网卡的功耗进行调节。为此,本申请提供了一种网卡功耗调整方案,能够调节网卡功耗,进行服务器节能,提升服务器计算性能。
参见图1所示,本申请实施例公开了一种网卡功耗调整方法,包括:
S101、获取当前时刻服务器的第一运行信息、以及服务器中的目标网卡的第二运行信息。
在本实施例中,服务器可以为任意类型的服务器,其上可以安装多个网卡。
在一种具体实施方式中,第一运行信息包括:CPU(Central Processing Unit,中央处理器)占用率、硬盘读写速率、电源功率和/或机箱温度。当然,第一运行信息还可以包括:服务器内存占用率等。
在一种具体实施方式中,第二运行信息包括:网卡传输速率和/或网络流量。当然,第二运行信息还可以包括:网卡带宽占用率等。网卡通常作为PCIe(Peripheral ComponentInterconnect express,一种高速串行计算机扩展总线标准)设备插接于服务器上,一般通过BIOS(Basic Input Output System,基本输入输出系统)可以获取网卡速率、功耗等信息。
S102、将第一运行信息和第二运行信息输入神经网络模型,得到下一时刻的第一功耗预测值,并将第一运行信息和第二运行信息输入LSTM模型,得到下一时刻的第二功耗预测值。
在本实施例中,神经网络模型基于RTRL(Real-Time Recurrent Learning,递归方式)或其他方式实现。LSTM(Long Short-Term Memory,长短期记忆网络)模型可以包括:输入门、输出门、记忆门等,具体可参照现有相关技术。
S103、基于第一功耗预测值和第二功耗预测值确定综合值,并基于综合值调整目标网卡的功耗。
在一种具体实施方式中,基于第一功耗预测值和第二功耗预测值确定综合值,包括:将第一功耗预测值和第二功耗预测值的平均值确定为综合值。
在一种具体实施方式中,基于第一功耗预测值和第二功耗预测值确定综合值,包括:利用方差倒数法处理第一功耗预测值和第二功耗预测值,得到综合值。
在一种具体实施方式中,基于综合值调整目标网卡的功耗,包括:将综合值传输至服务器中的BMC(Baseboard Management Controller,基板管理控制器),以使BMC调整目标网卡对应的风扇的转速,从而调整目标网卡的功耗。其中,目标网卡对应的风扇可以是:距离网卡较近的风扇。
在一种具体实施方式中,将第一运行信息和第二运行信息输入神经网络模型,得到下一时刻的第一功耗预测值,并将第一运行信息和第二运行信息输入LSTM模型,得到下一时刻的第二功耗预测值之前,还包括:利用K-S(Kolmogorov–Smirnov)检验方法对第一运行信息和第二运行信息进行筛选,以剔除掉错误或重复的信息。
需要说明的是,一台服务器一般可以支持多张不同类型的网卡,而不同网卡的功耗随服务器实际运行压力的不同而不同,因此在服务器实际运行过程中,进行网卡功耗的实时调节,能够有效降低网卡功耗,从而降低服务器功耗,从而实现有效节能,提升服务器性能。
可见,本实施例能够实时获取服务器在某一时刻的运行信息、以及该时刻服务器上的网卡运行信息,然后以此两种运行信息为基础,用神经网络模型和LSTM模型对该网卡进行功耗预测,得到两个预测值,然后基于这两个预测值确定综合值,并基于综合值调整该网卡的功耗,从而实时对服务器上的网卡进行功耗调整,以进行服务器节能,提升服务器计算性能。
请参见图2,本实施例提供了一种基于组合预测法的服务器网卡功耗控制方案,该方案能够实现服务器网卡功耗的智能化预测和控制,并集成管理一个服务器上的多个网卡。
该方案具体包括:
步骤(1):数据采集。
大量采集服务器运行状态数据、网卡速率、网络流量,作为模型的训练样本。优选的,服务器运行状态数据包括但不限于CPU占用率、内存利用率、硬盘读写速率、电源功率、机箱温度等。
步骤(2):样本数据筛选。
以服务器中的网卡1为例,将t时刻服务器运行状态数据和网卡1的运行信息作为样本,并采用K-S检验方法对样本进行筛选,得到训练样本集。同时记录t+1时刻网卡1的实际功耗值。
其中,针对其他网卡,也据此确定训练样本集和实际功耗值。
步骤(3):模型训练。
以上述训练样本集和t+1时刻网卡1的实际功耗值为基础,对初始状态的神经网络模型和LSTM进行训练,并基于其他网卡的训练样本集和实际功耗值继续训练这两个模型,直至得到可预测网卡1功耗值的神经网络模型和LSTM。具体的模型训练过程可以参照现有相关技术。
其中,神经网络模型基于RTRL实现,该神经网络模型包括:联合的输入层和处理层。
神经网络模型处理训练样本的过程包括:每次输入一个X维向量和一个Y维向量,经过处理层处理后,得到一个X维向量。该X维向量与另一Y向量作为下一次输入,如此循环,直至A中的最后一个Y维向量被处理。
其中,每次输入的数据用如下公式表示:
其中,s(n)表示n时刻的Y维输入向量,即:训练样本集A中的某一个参数;l(n)表示n时刻的X维输入向量,即:外加输入以及每次输出的X维向量组成的集合B中的某一个向量。
以X=2,Y=4为例,网络共有XY个前向连接和Y2个反馈连接,其中Y个是自反馈连接,用ω代表权矩阵。
那么n时刻,所输入的参数j的净输入为:
在下一时刻,参数j的输出为:
lj(n+1)=φ[vj(n)]
其中,j指B中所包含的任一元素的下标。
用qj(n)表示n时刻模型的实际输出;C(n)代表下一时刻的实际功耗值集合,lj(n)为C(n)中的元素,计算单元中其他单元为隐单元,定义N维误差向量e(n)中第j个元素为ej(n)=qj(n)-lj(n),定义n时刻的瞬间误差平方和为:
之后,采用梯度向量法进行网络权值的更新,当j=k,i=l(网络的第一层)时,对某一特定权ωkl(n),其在n时刻的增量为:
那么,更新权值为:
ωkl(n+1)=ωkl(n)+Δωkl(n)
据此,可对网络的各层进行参数更新,直至模型收敛。
具体的,可以选取CPU占用率、硬盘读写速率、电源功率、机箱温度、网卡速率、网络流量6个变量作为神经网络的输入,服务器网卡1的功耗作为输出,因此选取RTRL网络结构为i=4,j=6,则权值ω∈R(4+6)×6。
另外,LSTM模型中有3个控制门:输入门、输出门、记忆门。据此,参照上述以及LSTM模型的常规训练方式可训练LSTM模型,直至LSTM模型收敛。
步骤(4):功耗预测。
以网卡1为例,采集当前时刻服务器运行状态以及网卡的运行信息,并用训练好的LSTM模型和神经网络模型进行功耗预测,得到网卡1的两个预测值。同理可得到其他网卡的功耗预测值。
步骤(5):网卡功耗及其散热设定。
针对任一网卡,基于步骤(4)得到的两个预测值确定综合值,并基于综合值调整该网卡的功耗。如:将功耗指令下达给BMC,BMC以PWM方波形式调整服务器风扇转速,以对该网卡的功耗进行调节。
那么,最后综合值S1=w1×L1+w2×H1。
其中,D1为前一时刻的实际功耗值,L1为下一时刻的一个预测值,H1为下一时刻的另一个预测值。
可见,本实施例首先大量采集运行状态数据,对数据进行筛选形成样本集,使用样本对两个模型进行训练,得到可预测网卡功耗的两个模型,然后用这两个模型同时针对同一网卡进行功耗预测,从而实现:对同一个问题,采用不同预测方法,以综合利用不同方法所提供的信息,尽可能地提高预测精度,最后实现服务器网卡功耗的智能化控制,使网卡运行更稳定。对多个网卡可同时调整,从而集成管理多张网卡,使网卡功耗系统及时对机箱整体情况做出调节,减小繁忙网卡的功耗,未使用或使用率低的网卡可以暂时停用,达到节能目的。
下面对本申请实施例提供的一种网卡功耗调整装置进行介绍,下文描述的一种网卡功耗调整装置与上文描述的一种网卡功耗调整方法可以相互参照。
参见图3所示,本申请实施例公开了一种网卡功耗调整装置,包括:
获取模块301,用于获取当前时刻服务器的第一运行信息、以及服务器中的目标网卡的第二运行信息;
预测模块302,用于将第一运行信息和第二运行信息输入神经网络模型,得到下一时刻的第一功耗预测值,并将第一运行信息和第二运行信息输入LSTM模型,得到下一时刻的第二功耗预测值;
调整模块303,用于基于第一功耗预测值和第二功耗预测值确定综合值,并基于综合值调整目标网卡的功耗。
在一种具体实施方式中,调整模块具体用于:
将第一功耗预测值和第二功耗预测值的平均值确定为综合值。
在一种具体实施方式中,调整模块具体用于:
利用方差倒数法处理第一功耗预测值和第二功耗预测值,得到综合值。
在一种具体实施方式中,调整模块具体用于:
将综合值传输至服务器中的BMC,以使BMC调整目标网卡对应的风扇的转速,从而调整目标网卡的功耗。
在一种具体实施方式中,第一运行信息包括:CPU占用率、硬盘读写速率、电源功率和/或机箱温度。
在一种具体实施方式中,第二运行信息包括:网卡传输速率和/或网络流量。
在一种具体实施方式中,还包括:
筛选模块,用于利用K-S检验方法对第一运行信息和第二运行信息进行筛选。
其中,关于本实施例中各个模块、单元更加具体的工作过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
可见,本实施例提供了一种网卡功耗调整装置,能够实时对服务器上的网卡进行功耗调整,以进行服务器节能,提升服务器计算性能。
下面对本申请实施例提供的一种电子设备进行介绍,下文描述的一种电子设备与上文描述的一种网卡功耗调整方法及装置可以相互参照。
参见图4所示,本申请实施例公开了一种电子设备,包括:
存储器401,用于保存计算机程序;
处理器402,用于执行所述计算机程序,以实现上述任意实施例公开的方法。
下面对本申请实施例提供的一种可读存储介质进行介绍,下文描述的一种可读存储介质与上文描述的一种网卡功耗调整方法、装置及设备可以相互参照。
一种可读存储介质,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现前述实施例公开的网卡功耗调整方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本申请涉及的“第一”、“第二”、“第三”、“第四”等(如果存在)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,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。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、方法或设备固有的其它步骤或单元。
需要说明的是,在本申请中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的可读存储介质中。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种网卡功耗调整方法,其特征在于,包括:
获取当前时刻服务器的第一运行信息、以及所述服务器中的目标网卡的第二运行信息;
将所述第一运行信息和所述第二运行信息输入神经网络模型,得到下一时刻的第一功耗预测值,并将所述第一运行信息和所述第二运行信息输入LSTM模型,得到所述下一时刻的第二功耗预测值;
基于所述第一功耗预测值和所述第二功耗预测值确定综合值,并基于所述综合值调整所述目标网卡的功耗。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一功耗预测值和所述第二功耗预测值确定综合值,包括:
将所述第一功耗预测值和所述第二功耗预测值的平均值确定为所述综合值。
3.根据权利要求1所述的方法,其特征在于,所述基于所述第一功耗预测值和所述第二功耗预测值确定综合值,包括:
利用方差倒数法处理所述第一功耗预测值和所述第二功耗预测值,得到所述综合值。
4.根据权利要求1所述的方法,其特征在于,所述基于所述综合值调整所述目标网卡的功耗,包括:
将所述综合值传输至所述服务器中的BMC,以使所述BMC调整所述目标网卡对应的风扇的转速,从而调整所述目标网卡的功耗。
5.根据权利要求1所述的方法,其特征在于,所述第一运行信息包括:CPU占用率、硬盘读写速率、电源功率和/或机箱温度。
6.根据权利要求1所述的方法,其特征在于,所述第二运行信息包括:网卡传输速率和/或网络流量。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述将所述第一运行信息和所述第二运行信息输入神经网络模型,得到下一时刻的第一功耗预测值,并将所述第一运行信息和所述第二运行信息输入LSTM模型,得到所述下一时刻的第二功耗预测值之前,还包括:
利用K-S检验方法对所述第一运行信息和所述第二运行信息进行筛选。
8.一种网卡功耗调整装置,其特征在于,包括:
获取模块,用于获取当前时刻服务器的第一运行信息、以及所述服务器中的目标网卡的第二运行信息;
预测模块,用于将所述第一运行信息和所述第二运行信息输入神经网络模型,得到下一时刻的第一功耗预测值,并将所述第一运行信息和所述第二运行信息输入LSTM模型,得到所述下一时刻的第二功耗预测值;
调整模块,用于基于所述第一功耗预测值和所述第二功耗预测值确定综合值,并基于所述综合值调整所述目标网卡的功耗。
9.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序,以实现如权利要求1至7任一项所述的方法。
10.一种可读存储介质,其特征在于,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111442858.XA CN114330099A (zh) | 2021-11-30 | 2021-11-30 | 一种网卡功耗调整方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111442858.XA CN114330099A (zh) | 2021-11-30 | 2021-11-30 | 一种网卡功耗调整方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114330099A true CN114330099A (zh) | 2022-04-12 |
Family
ID=81047944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111442858.XA Pending CN114330099A (zh) | 2021-11-30 | 2021-11-30 | 一种网卡功耗调整方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330099A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114860548A (zh) * | 2022-05-30 | 2022-08-05 | 苏州浪潮智能科技有限公司 | 一种用于服务器的功耗管理方法、系统、设备及介质 |
CN116627770A (zh) * | 2023-07-18 | 2023-08-22 | 苏州浪潮智能科技有限公司 | 网卡温度预测方法、装置、计算机设备及存储介质 |
CN117406844A (zh) * | 2023-11-14 | 2024-01-16 | 珠海世宁达科技有限公司 | 一种基于神经网络的显卡风扇控制方法及相关装置 |
CN117729114A (zh) * | 2024-01-18 | 2024-03-19 | 苏州元脑智能科技有限公司 | 网卡功耗调整方法、装置、网卡、电子设备及存储介质 |
-
2021
- 2021-11-30 CN CN202111442858.XA patent/CN114330099A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114860548A (zh) * | 2022-05-30 | 2022-08-05 | 苏州浪潮智能科技有限公司 | 一种用于服务器的功耗管理方法、系统、设备及介质 |
CN116627770A (zh) * | 2023-07-18 | 2023-08-22 | 苏州浪潮智能科技有限公司 | 网卡温度预测方法、装置、计算机设备及存储介质 |
CN116627770B (zh) * | 2023-07-18 | 2023-09-26 | 苏州浪潮智能科技有限公司 | 网卡温度预测方法、装置、计算机设备及存储介质 |
CN117406844A (zh) * | 2023-11-14 | 2024-01-16 | 珠海世宁达科技有限公司 | 一种基于神经网络的显卡风扇控制方法及相关装置 |
CN117406844B (zh) * | 2023-11-14 | 2024-04-19 | 珠海世宁达科技有限公司 | 一种基于神经网络的显卡风扇控制方法及相关装置 |
CN117729114A (zh) * | 2024-01-18 | 2024-03-19 | 苏州元脑智能科技有限公司 | 网卡功耗调整方法、装置、网卡、电子设备及存储介质 |
CN117729114B (zh) * | 2024-01-18 | 2024-05-07 | 苏州元脑智能科技有限公司 | 网卡功耗调整方法、装置、网卡、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114330099A (zh) | 一种网卡功耗调整方法、装置、设备及可读存储介质 | |
CN113534936B (zh) | 一种服务器风扇转速控制方法、装置、设备及介质 | |
CN109714400B (zh) | 一种面向容器集群的能耗优化资源调度系统及其方法 | |
DE112007001215B4 (de) | Vorhersage der Leistungsnutzung von Rechenplattformspeicher | |
DE112016004801T5 (de) | Arbeitslastzuweisung für computerressourcen | |
CN110869909B (zh) | 应用机器学习算法来计算健康分数以进行工作负载调度的系统和方法 | |
DE112011100143B4 (de) | Optimieren der elektrischen Leistungsaufnahme in einem Rechenzentrum | |
US8880477B2 (en) | Latency-aware live migration for multitenant database platforms | |
US20060235664A1 (en) | Model-based capacity planning | |
JP2006024017A (ja) | コンピュータ資源のキャパシティを予測するためのシステム、方法およびプログラム | |
DE102019112776A1 (de) | Thermisches selbstlernen mit durch bestärkung lernendem agenten | |
CN106648890A (zh) | 一种能耗感知的云计算服务器资源在线管理方法和系统 | |
DE112017001772T5 (de) | Systeme, Verfahren und Vorrrichtungen zur Verwendung eines thermischen Spielraums eines Kerns in einem Prozessor | |
CN111582604A (zh) | 数据处理方法和装置、电子设备、及介质 | |
CN115168027A (zh) | 一种基于深度强化学习的算力资源度量方法 | |
Zhang et al. | Deep reinforcement learning towards real-world dynamic thermal management of data centers | |
Omara et al. | Optimum resource allocation of database in cloud computing | |
EP2471006A2 (en) | Thermodynamic process control based on pseudo-density root for equation of state | |
CN116126052A (zh) | 用于温度控制的方法、装置、设备和存储介质 | |
Aslam et al. | Using artificial neural network for VM consolidation approach to enhance energy efficiency in green cloud | |
Bui et al. | Energy efficiency in cloud computing based on mixture power spectral density prediction | |
CN114679899B (zh) | 机房空调自适应节能控制方法及装置、介质及设备 | |
Bogdan et al. | Energy-efficient computing from systems-on-chip to micro-server and data centers | |
US7120567B2 (en) | Method and apparatus for determining output uncertainty of computer system models | |
CN114860548A (zh) | 一种用于服务器的功耗管理方法、系统、设备及介质 |
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 |