CN115576856B - 能耗评估方法及装置 - Google Patents
能耗评估方法及装置 Download PDFInfo
- Publication number
- CN115576856B CN115576856B CN202211568710.5A CN202211568710A CN115576856B CN 115576856 B CN115576856 B CN 115576856B CN 202211568710 A CN202211568710 A CN 202211568710A CN 115576856 B CN115576856 B CN 115576856B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- software
- optimized
- data
- type
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 603
- 238000011156 evaluation Methods 0.000 title claims abstract description 130
- 238000012360 testing method Methods 0.000 claims abstract description 276
- 238000000034 method Methods 0.000 claims abstract description 60
- 238000010998 test method Methods 0.000 claims abstract description 55
- 230000003044 adaptive effect Effects 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 230000005012 migration Effects 0.000 claims abstract description 8
- 238000013508 migration Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 31
- 238000010219 correlation analysis Methods 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000007619 statistical method Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 230000003321 amplification Effects 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000010977 unit operation Methods 0.000 claims description 4
- 230000002787 reinforcement Effects 0.000 claims description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000008602 contraction Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software 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
-
- 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
Abstract
本申请涉及能耗评估领域，提供一种能耗评估方法及装置。所述方法包括：在软件部署前，根据适配软件类型的能耗测试方法对软件进行能耗测试；根据能耗测试结果与适配软件类型的能耗评估标准的比对结果确定软件所属的能耗级别以及优化建议；再根据能耗级别优选算力并部署软件后，采集能耗相关数据并对能耗测试方法和评估标准进行优化，并针对高耗能算力资源节点，向用户反馈节点迁移建议。本申请提供的能耗评估方法能够满足多种类型软件的能耗评估需求，使得能耗评估方法具备迁移性和通用性，且通过部署前能耗数据优化软件，部署后能耗数据优化能耗测试方法、能耗评估标准和算力资源节点，实现软件能耗与算力调度的联动。
Description
技术领域
本申请涉及能耗评估技术领域，具体涉及一种能耗评估方法及装置。
背景技术
绿色低碳是经济社会发展的核心目标之一，减小能源消耗是实现该目标的重要手段。
但在当前已有的方案中，相比于面向硬件等基础设施的节能设计及环境调优，面向包括应用系统在内的各类软件的能耗评估方法较少，且已有的面向软件的能耗评估方法通常也只针对某一特定软件类型，使得这些能耗评估方法不具备迁移性和通用性。
发明内容
本申请实施例提供一种能耗评估方法及装置，用以解决已有的面向软件的能耗评估方法通常只针对某一特定软件类型，使得这些能耗评估方法不具备迁移性和通用性的技术问题。
第一方面，本申请实施例提供一种能耗评估方法，包括：
为不同类型的软件分配对应的能耗测试方法和能耗评估标准；
根据所述能耗测试方法对对应类型的软件进行能耗测试，得到能耗测试结果；
将所述能耗测试结果与对应软件类型的能耗评估标准进行比对，根据比对结果确定所述能耗测试结果对应的软件所属的能耗级别。
在一个实施例中，所述为不同类型的软件分配对应的能耗测试方法和能耗评估标准，包括：
若所述软件属于数据密集型，则所述软件的能耗测试方法为理论分析法、物理环境测试法和AI预测法中至少一种方法；
若所述软件属于基础环境型，则所述软件的能耗测试方法为物理环境测试法和AI预测法中至少一种方法；
若所述软件属于计算密集型，则所述软件的能耗测试方法为理论分析法、物理环境测试法和AI预测法中至少一种方法；
若所述软件属于通信密集型，则所述软件的能耗测试方法为物理环境测试法和AI预测法中至少一种方法；
若所述软件属于Web通用型，则所述软件的能耗测试方法为物理环境测试法和AI预测法中至少一种方法。
在一个实施例中，所述为不同类型的软件分配对应的能耗测试方法和能耗评估标准，包括：
若所述软件属于数据密集型，则所述软件的能耗评估标准定义为所述软件平均每次完成单位输入输出或者单个批次的输入输出消耗的焦耳量；
若所述软件属于基础环境型，则所述软件的能耗评估标准定义为所述软件的任一虚拟机或操作系统服务层运行单位时长消耗的焦耳量；
若所述软件属于计算密集型，则所述软件的能耗评估标准定义为所述软件平均每次完成单位运算或者单个批次运算消耗的焦耳量；
若所述软件属于通信密集型，则所述软件的能耗评估标准定义为所述软件传输单位数据量消耗的焦耳量；
若所述软件属于Web通用型，则所述软件的能耗评估标准定义为所述软件平均每次提供服务消耗的焦耳量。
在一个实施例中，所述根据所述能耗测试方法对对应类型的软件进行能耗测试，得到能耗测试结果，包括：
若所述软件由不同类型的子软件组成，则对所述子软件按照对应类型的能耗测试方法进行测试，得到所有子软件的能耗测试数据；
加总所有子软件的能耗测试数据，得到加总能耗测试数据；
将所述加总能耗测试数据乘以放大系数，得到所述软件的能耗测试结果；
若所述软件属于Web通用型，则对不同负载水平下的所述软件进行能耗测试，得到不同负载水平下的能耗测试数据；所述不同负载水平包括空载、半并发量和全并发量；
对所述不同负载水平下的能耗测试数据进行加权平均，得到所述软件的能耗测试结果；
若所述软件的能耗测试方法为物理环境测试法，则根据系统指标测试数据和负载指标测试数据得到所述软件的能耗测试结果；所述负载指标包括输入输出次数、计算次数和访问次数。
在一个实施例中，所述将所述能耗测试结果与对应软件类型的能耗评估标准进行比对，根据比对结果确定所述能耗测试结果对应的软件所属的能耗级别，包括：
根据第一标准阈值和第二标准阈值划分所述能耗测试结果对应软件类型的能耗评估标准；所述第一标准阈值大于所述第二标准阈值；
若所述能耗测试结果大于所述第一标准阈值，则确定所述能耗测试结果对应的软件为高耗能软件；
若所述能耗测试结果大于或等于所述第二标准阈值且小于或等于所述第一标准阈值，则确定所述能耗测试结果对应的软件为中耗能软件；
若所述能耗测试结果小于所述第二标准阈值，则确定所述能耗测试结果对应的软件为低耗能软件。
在一个实施例中，所述根据比对结果确定所述能耗测试结果对应的软件所属的能耗级别之后，包括：
若所述能耗测试结果对应的软件为高能耗软件，则根据所述软件的类型为用户提供能耗优化建议；
待用户完成软件优化后，返回根据所述能耗测试方法对对应类型的软件进行能耗测试，得到能耗测试结果的步骤，直到重新确定所述能耗测试结果对应的软件所属的能耗级别；
向用户反馈重新确定的能耗级别，并为用户提供是否部署优化后软件的选择；
若用户选择部署所述优化后软件，则根据所述优化后软件的能耗级别和基本信息，选择最佳算力资源节点；所述基本信息包括软件类型、资源需求和其他需求；
将所述优化后软件部署至所述最佳算力资源节点。
在一个实施例中，所述根据所述优化后软件的能耗级别和基本信息，选择最佳算力资源节点，包括：
根据所述优化后软件的资源需求和其他需求选择候选算力资源节点；
根据所述优化后软件的软件类型在所述候选算力资源节点中选择类型适配算力资源节点；
根据所述优化后软件的能耗级别、所述类型适配算力资源节点的能耗情况和所述类型适配算力资源节点的自身属性，在所述类型适配算力资源节点中选择最佳算力资源节点。
在一个实施例中，所述将所述优化后软件部署至所述最佳算力资源节点之后，包括：
采集所述优化后软件在运行过程中的能耗数据、系统负载数据、关键事件数据和服务能力数据；
对所述系统负载数据、所述关键事件数据和所述服务能力数据进行统计分析，得到所述优化后软件的运行关键信息，并将所述运行关键信息反馈给用户；
在所述优化后软件运行完成后，或在所述优化后软件运行特定周期内，对所述能耗数据、所述关键事件数据和所述服务能力数据进行关联分析，并生成能耗报告；
若所述能耗数据大于预计能耗数据，则确定所述优化后软件能耗异常，在所述能耗报告中记录能耗异常的原因并向用户反馈。
在一个实施例中，所述采集所述优化后软件在运行过程中的能耗数据、系统负载数据、关键事件数据和服务能力数据之后，包括：
在所述优化后软件运行完成后，或在所述优化后软件运行特定周期内，对所述能耗数据、所述系统负载数据、所述关键事件数据和所述服务能力数据进行关联分析，根据关联分析的结果对能耗测试方法进行优化；
根据优化后的能耗测试方法对对应类型的优化后软件进行能耗测试，得到优化能耗测试结果；
对同一类型的优化后软件的优化能耗测试结果进行统计分析，得到位于不同能耗级别的优化后软件的个数；
若属于某一能耗级别的优化后软件个数与属于任一其他能耗级别的优化后软件个数的差值相对值大于相对值阈值，则调整所述第一标准阈值和所述第二标准阈值，直到同一类型的优化后软件个数在不同能耗级别中分布均衡；其中，所述相对值阈值大于零。
在一个实施例中，所述根据关联分析的结果对能耗测试方法进行优化，包括：
若所述优化后软件对应的能耗评估标准为理论分析法，则根据关联分析的结果、所述优化后软件的架构和所述优化后软件的计算量之间的关系，调整和完善理论分析法中的超参数；
若所述优化后软件对应的能耗评估标准为物理环境测试法，则根据关联分析的结果，调整和完善物理环境测试法中服务器负载参数与能耗之间的关系模型；
若所述优化后软件对应的能耗评估标准为AI测试法，则根据关联分析的结果，构建无监督AI测试法、有监督AI测试法和强化学习AI测试法。
在一个实施例中，所述同一类型的优化后软件个数在不同能耗级别中分布均衡之后，包括：
根据算力资源节点、软件类型和软件能耗之间的映射关系，分析在不同软件类型和不同软件能耗下，不同算力资源节点的能耗等级；
若某一算力资源节点为高能耗节点，则向用户反馈节点迁移建议。
第二方面，本申请实施例提供一种能耗评估装置，包括：
匹配模块，用于：为不同类型的软件分配对应的能耗测试方法和能耗评估标准；
能耗测试模块，用于：根据所述能耗测试方法对对应类型的软件进行能耗测试，得到能耗测试结果；
能耗分级模块，用于：将所述能耗测试结果与对应软件类型的能耗评估标准进行比对，根据比对结果确定所述能耗测试结果对应的软件所属的能耗级别。
本申请实施例提供的能耗评估方法及装置，先为不同类型的软件分配对应的能耗测试方法和能耗评估标准，在根据能耗测试方法对对应类型的软件进行能耗测试，得到能耗测试结果，最后将能耗测试结果与对应软件类型的能耗评估标准进行比对，根据比对结果确定能耗测试结果对应的软件所属的能耗级别。本申请中，通过软件类型、能耗测试方法和能耗评估标准的适配，使得每种类型的软件都能匹配到最为合适的能耗测试方法和能耗评估标准，从而能够满足多种类型软件的能耗评估需求，使得本申请的能耗评估方法具备迁移性和通用性。
附图说明
为了更清楚地说明本申请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一简单地介绍，显而易见地，下面描述中的附图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是本申请实施例提供的能耗评估方法的流程示意图之一；
图2是本申请实施例提供的能耗评估方法的流程示意图之二；
图3是本申请实施例提供的能耗评估方法的流程示意图之三；
图4是本申请实施例提供的能耗评估方法的流程示意图之四；
图5是本申请实施例提供的能耗评估方法的流程示意图之五；
图6是本申请实施例提供的能耗评估方法的能耗报告之一；
图7是本申请实施例提供的能耗评估方法的能耗报告之二；
图8是本申请实施例提供的能耗评估方法的流程示意图之六；
图9是本申请实施例提供的能耗评估方法的流程示意图之七；
图10为本申请实施例提供的能耗评估装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
图1是本申请实施例提供的能耗评估方法的流程示意图之一。参照图1，本申请实施例提供一种能耗评估方法，可以包括：
101、为不同类型的软件分配对应的能耗测试方法和能耗评估标准；
102、根据能耗测试方法对对应类型的软件进行能耗测试，得到能耗测试结果；
103、将能耗测试结果与对应软件类型的能耗评估标准进行比对，根据比对结果确定能耗测试结果对应的软件所属的能耗级别。
需要说明的是，为不同类型的软件分配对应的能耗测试方法和能耗评估标准之后，还可以为用户提供系统界面，包括文本框、下拉框等交互元素，以供用户填报相关软件的基本信息以及上传软件文件等，并基于此调整能耗测试方法和能耗评估标准，其中相关软件的基本信息可以通过用户意图解析方法分析得到。
本实施例提供的能耗评估方法，先为不同类型的软件分配对应的能耗测试方法和能耗评估标准，在根据能耗测试方法对对应类型的软件进行能耗测试，得到能耗测试结果，最后将能耗测试结果与对应软件类型的能耗评估标准进行比对，根据比对结果确定能耗测试结果对应的软件所属的能耗级别。本实施例中，通过软件类型、能耗测试方法和能耗评估标准的适配，使得每种类型的软件都能匹配到最为合适的能耗测试方法和能耗评估标准，从而能够满足多种类型软件的能耗评估需求，使得本实施例的能耗评估方法具备迁移性和通用性。
在一个实施例中，为不同类型的软件分配对应的能耗测试方法和能耗评估标准，可以包括：
若软件属于数据密集型，则软件的能耗测试方法为理论分析法、物理环境测试法和AI预测法中至少一种方法；该物理环境测试法可以是在标准服务器等物理环境进行测试的方法。
若软件属于基础环境型，则软件的能耗测试方法为物理环境测试法和AI预测法中至少一种方法；该基础环境型包括但不限于应用系统环境型，虚拟化环境型和容器化层环境型。
若软件属于计算密集型，则软件的能耗测试方法为理论分析法、物理环境测试法和AI预测法中至少一种方法；
若软件属于通信密集型，则软件的能耗测试方法为物理环境测试法和AI预测法中至少一种方法；
若软件属于Web通用型，则软件的能耗测试方法为物理环境测试法和AI预测法中至少一种方法。
需要说明的是，本实施例中，为每一种软件类型分配的能耗测试方法可以为一种，也可以为多种，此处不作限定。
另外，针对跨多个类型的软件或是无法进行分类的软件，可以不经过软件分类，而采用物理环境测试法直接进行能耗测试。
本实施例通过对不同类型的软件分配不同的能耗测试方法，使得每种类型软件的能耗都能以最合适的测试方法进行测试。
在一个实施例中，为不同类型的软件分配对应的能耗测试方法和能耗评估标准，可以包括：
若软件属于数据密集型，则软件的能耗评估标准定义为软件平均每次完成单位输入输出或者单个批次的输入输出消耗的焦耳量；
若软件属于基础环境型，则软件的能耗评估标准定义为软件的任一虚拟机或操作系统服务层运行单位时长消耗的焦耳量；
若软件属于计算密集型，则软件的能耗评估标准定义为软件平均每次完成单位运算或者单个批次运算消耗的焦耳量；
若软件属于通信密集型，则软件的能耗评估标准定义为软件传输单位数据量消耗的焦耳量；
若软件属于Web通用型，则软件的能耗评估标准定义为软件平均每次提供服务消耗的焦耳量。
需要说明的是，每种类型软件的能耗评估标准除了以上列出的之外，也可以采用其他等价方式，此处不作限定。
另外，若软件属于Web通用型，也可以将该软件的能耗评估标准定义为软件在空载情况下的单位时间消耗的焦耳量。
对于其他类型的软件，能耗评估标准可以通过参考行业经验或对历史部署软件的分析得到。
本实施例通过对不同类型的软件分配不同的能耗评估标准，使得每种类型软件的能耗都能以最合适的能耗评估标准进行能耗分级。
在一个实施例中，根据能耗测试方法对对应类型的软件进行能耗测试，得到能耗测试结果，可以包括：
若软件由不同类型的子软件组成，则对子软件按照对应类型的能耗测试方法进行测试，得到所有子软件的能耗测试数据；
加总所有子软件的能耗测试数据，得到加总能耗测试数据；
将加总能耗测试数据乘以放大系数，得到软件的能耗测试结果。
这种情况下，考虑到子软件间数据或业务传输产生的能耗泄露，因此需要对加总能耗测试数据乘以一个放大系数，以此抵消能耗泄露的影响。
若软件属于Web通用型，则对不同负载水平下的软件进行能耗测试，得到不同负载水平下的能耗测试数据；不同负载水平包括空载、半并发量和全并发量；
对不同负载水平下的能耗测试数据进行加权平均，得到软件的能耗测试结果。
若软件的能耗测试方法为物理环境测试法，则根据系统指标测试数据和负载指标测试数据得到软件的能耗测试结果；负载指标包括输入输出次数、计算次数和访问次数。
除了以上各类情况之外，还可以对同一软件进行多次或多种能耗测试方法的测试，再将能耗测试数据进行加权平均，得到该软件的能耗测试结果。
本实施例在根据能耗测试方法对对应类型的软件进行能耗测试的总原则下，针对多种单一场景对对应的能耗测试方法进行了进一步细化，使得细化后的能耗测试方法更加适用于对应的场景。
图2是本申请实施例提供的能耗评估方法的流程示意图之二。参照图2，将能耗测试结果与对应软件类型的能耗评估标准进行比对，根据比对结果确定能耗测试结果对应的软件所属的能耗级别，可以包括：
201、根据第一标准阈值和第二标准阈值划分能耗测试结果对应软件类型的能耗评估标准；
第一标准阈值大于第二标准阈值；
202、若能耗测试结果大于第一标准阈值，则确定能耗测试结果对应的软件为高耗能软件；
203、若能耗测试结果大于或等于第二标准阈值且小于或等于第一标准阈值，则确定能耗测试结果对应的软件为中耗能软件；
204、若能耗测试结果小于第二标准阈值，则确定能耗测试结果对应的软件为低耗能软件。
例如针对Web通用型软件，其能耗评估标准定义为软件平均每次提供服务消耗的焦耳量，可以设定第一标准阈值为0.5J，第二标准阈值为0.4J，即该软件平均每次提供服务消耗的焦耳量的第一标准阈值为0.5J，该软件平均每次提供服务消耗的焦耳量的第二标准阈值为0.5J，若该软件的能耗测试结果大于0.5J，则确定该软件为高耗能软件，若该软件的能耗测试结果大于或等于0.4J且小于或等于0.5J，则确定该软件为中耗能软件，若该软件的能耗测试结果小于0.4J，则确定该软件为低耗能软件，具体可如下表所示：
表1 单一软件类型能耗等级表
需要说明的是，也可以采用N级能耗或其他等价分类标准对软件进行能耗等级的划分，此处不作限定。
另外，针对有多个分类的子软件组成的软件，可以分别对各个子软件进行能耗等级划分。
本实施例通过对软件进行能耗等级划分，能够识别出多个软件中的高耗能软件，有助于后续针对高能耗软件为用户提供针对性的优化建议。
图3是本申请实施例提供的能耗评估方法的流程示意图之三。参照图3，根据比对结果确定能耗测试结果对应的软件所属的能耗级别之后，可以包括：
301、若能耗测试结果对应的软件为高能耗软件，则根据软件的类型为用户提供能耗优化建议；
302、待用户完成软件优化后，返回根据能耗测试方法对对应类型的软件进行能耗测试，得到能耗测试结果的步骤，直到重新确定能耗测试结果对应的软件所属的能耗级别；
303、向用户反馈重新确定的能耗级别，并为用户提供是否部署优化后软件的选择；
304、若用户选择部署优化后软件，则根据优化后软件的能耗级别和基本信息，选择最佳算力资源节点；
基本信息包括软件类型、资源需求和其他需求；
305、将优化后软件部署至最佳算力资源节点。
步骤301中，对于部分典型软件，如进行深度学习训练等采用通用框架的计算密集型软件，结合用户提供的软件基本信息，为用户提供能耗优化建议，如适当减少训练次数等；
对于采用物理环境测试法进行能耗测试的软件，可以根据软件运行中的输入输出次数、计算次数、缓存命中比例、网络负载量等，为用户提供能耗优化建议；
对于由多个类型的子软件组成的软件，可以针对各个子软件的能耗级别分别为用户提供能耗优化建议。
进一步地，对于需要优化能耗的软件，用户具有决定直接进行部署或者回退进行修改优化的权限，并可以通过弹窗等相关提示形式将选择呈现给用户。
步骤304中，资源需求可以包括计算资源需求、存储资源需求和网络资源需求，其他需求可以包括软件资源需求、成本预算需求和时延限制需求。
步骤305中，在将优化后软件部署到最佳算力资源中时，通过对实际部署环境硬件差异、运行时长等的分析，向用户反馈该次部署的预计能耗情况。
本实施例通过对高耗能软件进行优化并选择最佳算力资源节点进行部署，能够将软件能耗与算力资源节点的选择联系起来，实现算力资源的优化调度。
图4是本申请实施例提供的能耗评估方法的流程示意图之四。参照图4，根据优化后软件的能耗级别和基本信息，选择最佳算力资源节点，可以包括：
401、根据优化后软件的资源需求和其他需求选择候选算力资源节点；
402、根据优化后软件的软件类型在候选算力资源节点中选择类型适配算力资源节点；
403、根据优化后软件的能耗级别、类型适配算力资源节点的能耗情况和类型适配算力资源节点的自身属性，在类型适配算力资源节点中选择最佳算力资源节点。
步骤402中，例如，若优化后软件的软件类型为Web通用型，则可以选择通用数据中心为类型适配算力资源节点，若优化后软件的软件类型为计算密集型，则可以选择超算或智算中心为类型适配算力资源节点。
步骤403中，例如，若优化后软件为高能耗、低业务响应要求的软件，则可以选择郊区或西部数据中心为最佳算力资源节点，若优化后软件为低能耗、高业务响应要求的软件，则可以选择城市数据中心为最佳算力资源节点。
本实施例根据优化后软件的能耗级别和基本信息，以及算力资源节点的能耗情况和自身属性，经过层层筛选，确定与优化后软件最为匹配的最佳算力资源节点，进一步优化了算力资源节点的调度机制，使得优化后软件与最佳算力资源节点更加匹配。
图5是本申请实施例提供的能耗评估方法的流程示意图之五；
图6是本申请实施例提供的能耗评估方法的能耗报告之一；
图7是本申请实施例提供的能耗评估方法的能耗报告之二。
参照图5-图7，将优化后软件部署至最佳算力资源节点之后，可以包括：
501、采集优化后软件在运行过程中的能耗数据、系统负载数据、关键事件数据和服务能力数据；
502、对系统负载数据、关键事件数据和服务能力数据进行统计分析，得到优化后软件的运行关键信息，并将运行关键信息反馈给用户；
503、在优化后软件运行完成后，或在优化后软件运行特定周期内，对能耗数据、关键事件数据和服务能力数据进行关联分析，并生成能耗报告；
504、若能耗数据大于预计能耗数据，则确定优化后软件能耗异常，在能耗报告中记录能耗异常的原因并向用户反馈。
步骤501中，能耗数据可以通过软件部署过程中算力资源的能耗增量、优化后软件运行过程中算力资源的负载（包括输入输出、CPU、网络）等统计获得。
系统负载数据可以包括输入输出次数、计算次数、缓存命中比例、网络负载量、磁盘利用率、内存利用率、计算单元利用率。
关键事件数据与优化后软件运行过程中的生命周期相关，可以包括软件占用底层资源的扩缩容事件、软件异常启停、软件迁移事件，此时需要统计关键事件导致的能耗。
服务能力数据可以包括单位时间内的服务次数和单次服务的响应时长。
步骤503中的能耗数据即为实际能耗数据，生成的能耗报告如图6所示。
步骤504中，由于图6所示，实际能耗数据为159KJ，预计能耗数据为123KJ，即能耗数据（实际能耗数据）大于预计能耗数据，则能耗异常，因此在能耗报告中记录能耗异常的原因，如图7所示。
进一步地，在能耗异常原因分析的基础上，为用户提出对当前软件的改进建议，如减少频繁的扩缩容、避免异常启停等。
进一步地，在整体能耗分析的基础上，对优化后软件运行过程中发生的关键事件、服务过载等导致的额外能耗，可以结合其中导致的计算量，对用户进行适当的计费调整。
本实施例通过采集相关数据，并通过对这些数据的统计分析，将优化后软件的运行关键信息反馈给用户，通过对这些数据的关联分析，生成能耗报告并据此向用户反馈能耗异常的原因，能够使得用户能够及时了解当前软件运行情况和能耗情况，根据能耗异常的原因进行针对性的能耗优化。
图8是本申请实施例提供的能耗评估方法的流程示意图之六。参照图8，采集优化后软件在运行过程中的能耗数据、系统负载数据、关键事件数据和服务能力数据之后，可以包括：
801、在优化后软件运行完成后，或在优化后软件运行特定周期内，对能耗数据、系统负载数据、关键事件数据和服务能力数据进行关联分析，根据关联分析的结果对能耗测试方法进行优化；
802、根据优化后的能耗测试方法对对应类型的优化后软件进行能耗测试，得到优化能耗测试结果；
803、对同一类型的优化后软件的优化能耗测试结果进行统计分析，得到位于不同能耗级别的优化后软件的个数；
804、若属于某一能耗级别的优化后软件个数与属于任一其他能耗级别的优化后软件个数的差值相对值大于相对值阈值，则调整第一标准阈值和第二标准阈值，直到同一类型的优化后软件个数在不同能耗级别中分布均衡；
其中，相对值阈值大于零。
步骤804中，若属于某一能耗级别的优化后软件个数与属于任一其他能耗级别的优化后软件个数的差值相对值大于相对值阈值，则说明绝大多数的优化后软件都被划分至某一能耗级别中，例如一共有102个优化后Web通用型软件进行了测试，其中有100个均被划分为中耗能软件，1个被划分为高耗能软件，还有1个被划分为低耗能软件，则属于中耗能的优化后软件个数远远大于属于高耗能的优化后软件个数，也远远大于属于低耗能的优化后软件个数，则调整第一标准阈值，将其由0.5J调整为0.46J，调整第二标准阈值，将其由0.4J调整为0.43J，在根据该能耗评估标准对102个优化后Web通用型软件进行能耗分类，调整后属于高能耗软件的优化后软件个数为20个，属于中能耗的优化后软件个数为50个，属于低能耗的优化后软件个数为32个，实现同一类型的优化后软件个数在不同能耗级别中分布均衡的目的，如下表所示：
表2 能耗评估标准优化表
本实施例通过对能耗评估标准进行优化，能够使得同一种类型的软件能耗等级分布更加均衡，从而使得优化后的能耗评估标准在划分能耗等级时更加有效。
在一个实施例中，根据关联分析的结果对能耗测试方法进行优化，可以包括：
若优化后软件对应的能耗评估标准为理论分析法，则根据关联分析的结果、优化后软件的架构和优化后软件的计算量之间的关系，调整和完善理论分析法中的超参数；
若优化后软件对应的能耗评估标准为物理环境测试法，则根据关联分析的结果，调整和完善物理环境测试法中服务器负载参数与能耗之间的关系模型；该服务器负载参数包括CPU负载参数、输入输出负载参数和存储负载参数。
若优化后软件对应的能耗评估标准为AI测试法，则根据关联分析的结果，构建无监督AI测试法、有监督AI测试法和强化学习AI测试法。
本实施例通过对各种能耗测试方法进行优化，能够使得优化后的能耗测试方法与对应类型软件更加契合，提高测量的能耗测试数据的准确度。
图9是本申请实施例提供的能耗评估方法的流程示意图之七。参照图9，同一类型的优化后软件个数在不同能耗级别中分布均衡之后，可以包括：
901、根据算力资源节点、软件类型和软件能耗之间的映射关系，分析在不同软件类型和不同软件能耗下，不同算力资源节点的能耗等级；
902、若某一算力资源节点为高能耗节点，则向用户反馈节点迁移建议。
步骤902中，可以在考虑迁移成本的基础上，建议用户将优化后软件迁移到候选算力资源节点中，以减少算力网络的能耗，可以通过交互界面交由用户选择。
本实施例中，通过将优化后软件迁移出高耗能算力资源节点，能够进一步优化算力资源节点的调度，实现在更大范围的算力网络层级中降低能耗，实现“零碳”、“负碳”目标。
下面对本申请实施例提供的能耗评估装置进行描述，下文描述的能耗评估装置与上文描述的能耗评估方法可相互对应参照。
图10为本申请实施例提供的能耗评估装置的结构示意图。参照图10，本申请实施例提供一种能耗评估装置，可以包括：
匹配模块1001，用于：为不同类型的软件分配对应的能耗测试方法和能耗评估标准；
能耗测试模块1002，用于：根据所述能耗测试方法对对应类型的软件进行能耗测试，得到能耗测试结果；
能耗分级模块1003，用于：将所述能耗测试结果与对应软件类型的能耗评估标准进行比对，根据比对结果确定所述能耗测试结果对应的软件所属的能耗级别。
本实施例提供的能耗评估装置，先为不同类型的软件分配对应的能耗测试方法和能耗评估标准，在根据能耗测试方法对对应类型的软件进行能耗测试，得到能耗测试结果，最后将能耗测试结果与对应软件类型的能耗评估标准进行比对，根据比对结果确定能耗测试结果对应的软件所属的能耗级别。本实施例中，通过软件类型、能耗测试方法和能耗评估标准的适配，使得每种类型的软件都能匹配到最为合适的能耗测试方法和能耗评估标准，从而能够满足多种类型软件的能耗评估需求，使得本实施例的能耗评估方法具备迁移性和通用性。
在一个实施例中，匹配模块1001具体用于：
若所述软件属于数据密集型，则所述软件的能耗测试方法为理论分析法、物理环境测试法和AI预测法中至少一种方法；
若所述软件属于基础环境型，则所述软件的能耗测试方法为物理环境测试法和AI预测法中至少一种方法；
若所述软件属于计算密集型，则所述软件的能耗测试方法为理论分析法、物理环境测试法和AI预测法中至少一种方法；
若所述软件属于通信密集型，则所述软件的能耗测试方法为物理环境测试法和AI预测法中至少一种方法；
若所述软件属于Web通用型，则所述软件的能耗测试方法为物理环境测试法和AI预测法中至少一种方法。
在一个实施例中，匹配模块1001具体用于：
若所述软件属于数据密集型，则所述软件的能耗评估标准定义为所述软件平均每次完成单位输入输出或者单个批次的输入输出消耗的焦耳量；
若所述软件属于基础环境型，则所述软件的能耗评估标准定义为所述软件的任一虚拟机或操作系统服务层运行单位时长消耗的焦耳量；
若所述软件属于计算密集型，则所述软件的能耗评估标准定义为所述软件平均每次完成单位运算或者单个批次运算消耗的焦耳量；
若所述软件属于通信密集型，则所述软件的能耗评估标准定义为所述软件传输单位数据量消耗的焦耳量；
若所述软件属于Web通用型，则所述软件的能耗评估标准定义为所述软件平均每次提供服务消耗的焦耳量。
在一个实施例中，能耗测试模块1002具体用于：
若所述软件由不同类型的子软件组成，则对所述子软件按照对应类型的能耗测试方法进行测试，得到所有子软件的能耗测试数据；
加总所有子软件的能耗测试数据，得到加总能耗测试数据；
将所述加总能耗测试数据乘以放大系数，得到所述软件的能耗测试结果；
若所述软件属于Web通用型，则对不同负载水平下的所述软件进行能耗测试，得到不同负载水平下的能耗测试数据；所述不同负载水平包括空载、半并发量和全并发量；
对所述不同负载水平下的能耗测试数据进行加权平均，得到所述软件的能耗测试结果；
若所述软件的能耗测试方法为物理环境测试法，则根据系统指标测试数据和负载指标测试数据得到所述软件的能耗测试结果；所述负载指标包括输入输出次数、计算次数和访问次数。
在一个实施例中，能耗分级模块1003具体用于；
根据第一标准阈值和第二标准阈值划分所述能耗测试结果对应软件类型的能耗评估标准；所述第一标准阈值大于所述第二标准阈值；
若所述能耗测试结果大于所述第一标准阈值，则确定所述能耗测试结果对应的软件为高耗能软件；
若所述能耗测试结果大于或等于所述第二标准阈值且小于或等于所述第一标准阈值，则确定所述能耗测试结果对应的软件为中耗能软件；
若所述能耗测试结果小于所述第二标准阈值，则确定所述能耗测试结果对应的软件为低耗能软件。
在一个实施例中，还包括软件部署模块（图中未示出），用于：
若所述能耗测试结果对应的软件为高能耗软件，则根据所述软件的类型为用户提供能耗优化建议；
待用户完成软件优化后，返回根据所述能耗测试方法对对应类型的软件进行能耗测试，得到能耗测试结果的步骤，直到重新确定所述能耗测试结果对应的软件所属的能耗级别；
向用户反馈重新确定的能耗级别，并为用户提供是否部署优化后软件的选择；
若用户选择部署所述优化后软件，则根据所述优化后软件的能耗级别和基本信息，选择最佳算力资源节点；所述基本信息包括软件类型、资源需求和其他需求；
将所述优化后软件部署至所述最佳算力资源节点。
在一个实施例中，软件部署模块（图中未示出）具体用于：
根据所述优化后软件的资源需求和其他需求选择候选算力资源节点；
根据所述优化后软件的软件类型在所述候选算力资源节点中选择类型适配算力资源节点；
根据所述优化后软件的能耗级别、所述类型适配算力资源节点的能耗情况和所述类型适配算力资源节点的自身属性，在所述类型适配算力资源节点中选择最佳算力资源节点。
在一个实施例中，还包括能耗分析模块（图中未示出），用于：
采集所述优化后软件在运行过程中的能耗数据、系统负载数据、关键事件数据和服务能力数据；
对所述系统负载数据、所述关键事件数据和所述服务能力数据进行统计分析，得到所述优化后软件的运行关键信息，并将所述运行关键信息反馈给用户；
在所述优化后软件运行完成后，或在所述优化后软件运行特定周期内，对所述能耗数据、所述关键事件数据和所述服务能力数据进行关联分析，并生成能耗报告；
若所述能耗数据大于预计能耗数据，则确定所述优化后软件能耗异常，在所述能耗报告中记录能耗异常的原因并向用户反馈。
在一个实施例中，还包括能耗评估标准优化模块（图中未示出），用于：
在所述优化后软件运行完成后，或在所述优化后软件运行特定周期内，对所述能耗数据、所述系统负载数据、所述关键事件数据和所述服务能力数据进行关联分析，根据关联分析的结果对能耗测试方法进行优化；
根据优化后的能耗测试方法对对应类型的优化后软件进行能耗测试，得到优化能耗测试结果；
对同一类型的优化后软件的优化能耗测试结果进行统计分析，得到位于不同能耗级别的优化后软件的个数；
若属于某一能耗级别的优化后软件个数与属于任一其他能耗级别的优化后软件个数的差值相对值大于相对值阈值，则调整所述第一标准阈值和所述第二标准阈值，直到同一类型的优化后软件个数在不同能耗级别中分布均衡；其中，所述相对值阈值大于零。
在一个实施例中，还包括能耗测试方法优化模块（图中未示出），用于：
若所述优化后软件对应的能耗评估标准为理论分析法，则根据关联分析的结果、所述优化后软件的架构和所述优化后软件的计算量之间的关系，调整和完善理论分析法中的超参数；
若所述优化后软件对应的能耗评估标准为物理环境测试法，则根据关联分析的结果，调整和完善物理环境测试法中服务器负载参数与能耗之间的关系模型；
若所述优化后软件对应的能耗评估标准为AI测试法，则根据关联分析的结果，构建无监督AI测试法、有监督AI测试法和强化学习AI测试法。
在一个实施例中，还包括算力资源节点迁移模块（图中未示出），用于：
根据算力资源节点、软件类型和软件能耗之间的映射关系，分析在不同软件类型和不同软件能耗下，不同算力资源节点的能耗等级；
若某一算力资源节点为高能耗节点，则向用户反馈节点迁移建议。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (11)
1.一种能耗评估方法，其特征在于，包括：
为不同类型的软件分配对应的能耗测试方法和能耗评估标准；
根据所述能耗测试方法对对应类型的软件进行能耗测试，得到能耗测试结果；
将所述能耗测试结果与对应软件类型的能耗评估标准进行比对，根据比对结果确定所述能耗测试结果对应的软件所属的能耗级别；
所述将所述能耗测试结果与对应软件类型的能耗评估标准进行比对，根据比对结果确定所述能耗测试结果对应的软件所属的能耗级别，包括：
根据第一标准阈值和第二标准阈值划分所述能耗测试结果对应软件类型的能耗评估标准；所述第一标准阈值大于所述第二标准阈值；
若所述能耗测试结果大于所述第一标准阈值，则确定所述能耗测试结果对应的软件为高耗能软件；
所述根据比对结果确定所述能耗测试结果对应的软件所属的能耗级别之后，包括：
若所述能耗测试结果对应的软件为高能耗软件，则根据所述软件的类型为用户提供能耗优化建议；
待用户完成软件优化后，返回根据所述能耗测试方法对对应类型的软件进行能耗测试，得到能耗测试结果的步骤，直到重新确定所述能耗测试结果对应的软件所属的能耗级别；
向用户反馈重新确定的能耗级别，并为用户提供是否部署优化后软件的选择；
若用户选择部署所述优化后软件，则根据所述优化后软件的能耗级别和基本信息，选择最佳算力资源节点；所述基本信息包括软件类型、资源需求和其他需求；
将所述优化后软件部署至所述最佳算力资源节点。
2.根据权利要求1所述的能耗评估方法，其特征在于，所述为不同类型的软件分配对应的能耗测试方法和能耗评估标准，包括：
若所述软件属于数据密集型，则所述软件的能耗测试方法为理论分析法、物理环境测试法和AI预测法中至少一种方法；
若所述软件属于基础环境型，则所述软件的能耗测试方法为物理环境测试法和AI预测法中至少一种方法；
若所述软件属于计算密集型，则所述软件的能耗测试方法为理论分析法、物理环境测试法和AI预测法中至少一种方法；
若所述软件属于通信密集型，则所述软件的能耗测试方法为物理环境测试法和AI预测法中至少一种方法；
若所述软件属于Web通用型，则所述软件的能耗测试方法为物理环境测试法和AI预测法中至少一种方法。
3.根据权利要求2所述的能耗评估方法，其特征在于，所述为不同类型的软件分配对应的能耗测试方法和能耗评估标准，包括：
若所述软件属于数据密集型，则所述软件的能耗评估标准定义为所述软件平均每次完成单位输入输出或者单个批次的输入输出消耗的焦耳量；
若所述软件属于基础环境型，则所述软件的能耗评估标准定义为所述软件的任一虚拟机或操作系统服务层运行单位时长消耗的焦耳量；
若所述软件属于计算密集型，则所述软件的能耗评估标准定义为所述软件平均每次完成单位运算或者单个批次运算消耗的焦耳量；
若所述软件属于通信密集型，则所述软件的能耗评估标准定义为所述软件传输单位数据量消耗的焦耳量；
若所述软件属于Web通用型，则所述软件的能耗评估标准定义为所述软件平均每次提供服务消耗的焦耳量。
4.根据权利要求2所述的能耗评估方法，其特征在于，所述根据所述能耗测试方法对对应类型的软件进行能耗测试，得到能耗测试结果，包括：
若所述软件由不同类型的子软件组成，则对所述子软件按照对应类型的能耗测试方法进行测试，得到所有子软件的能耗测试数据；
加总所有子软件的能耗测试数据，得到加总能耗测试数据；
将所述加总能耗测试数据乘以放大系数，得到所述软件的能耗测试结果；
若所述软件属于Web通用型，则对不同负载水平下的所述软件进行能耗测试，得到不同负载水平下的能耗测试数据；所述不同负载水平包括空载、半并发量和全并发量；
对所述不同负载水平下的能耗测试数据进行加权平均，得到所述软件的能耗测试结果；
若所述软件的能耗测试方法为物理环境测试法，则根据系统指标测试数据和负载指标测试数据得到所述软件的能耗测试结果；所述负载指标包括输入输出次数、计算次数和访问次数。
5.根据权利要求3所述的能耗评估方法，其特征在于，所述将所述能耗测试结果与对应软件类型的能耗评估标准进行比对，根据比对结果确定所述能耗测试结果对应的软件所属的能耗级别，包括：
若所述能耗测试结果大于或等于所述第二标准阈值且小于或等于所述第一标准阈值，则确定所述能耗测试结果对应的软件为中耗能软件；
若所述能耗测试结果小于所述第二标准阈值，则确定所述能耗测试结果对应的软件为低耗能软件。
6.根据权利要求1所述的能耗评估方法，其特征在于，所述根据所述优化后软件的能耗级别和基本信息，选择最佳算力资源节点，包括：
根据所述优化后软件的资源需求和其他需求选择候选算力资源节点；
根据所述优化后软件的软件类型在所述候选算力资源节点中选择类型适配算力资源节点；
根据所述优化后软件的能耗级别、所述类型适配算力资源节点的能耗情况和所述类型适配算力资源节点的自身属性，在所述类型适配算力资源节点中选择最佳算力资源节点。
7.根据权利要求1所述的能耗评估方法，其特征在于，所述将所述优化后软件部署至所述最佳算力资源节点之后，包括：
采集所述优化后软件在运行过程中的能耗数据、系统负载数据、关键事件数据和服务能力数据；
对所述系统负载数据、所述关键事件数据和所述服务能力数据进行统计分析，得到所述优化后软件的运行关键信息，并将所述运行关键信息反馈给用户；
在所述优化后软件运行完成后，或在所述优化后软件运行特定周期内，对所述能耗数据、所述关键事件数据和所述服务能力数据进行关联分析，并生成能耗报告；
若所述能耗数据大于预计能耗数据，则确定所述优化后软件能耗异常，在所述能耗报告中记录能耗异常的原因并向用户反馈。
8.根据权利要求7所述的能耗评估方法，其特征在于，所述采集所述优化后软件在运行过程中的能耗数据、系统负载数据、关键事件数据和服务能力数据之后，包括：
在所述优化后软件运行完成后，或在所述优化后软件运行特定周期内，对所述能耗数据、所述系统负载数据、所述关键事件数据和所述服务能力数据进行关联分析，根据关联分析的结果对能耗测试方法进行优化；
根据优化后的能耗测试方法对对应类型的优化后软件进行能耗测试，得到优化能耗测试结果；
对同一类型的优化后软件的优化能耗测试结果进行统计分析，得到位于不同能耗级别的优化后软件的个数；
若属于某一能耗级别的优化后软件个数与属于任一其他能耗级别的优化后软件个数的差值相对值大于相对值阈值，则调整所述第一标准阈值和所述第二标准阈值，直到同一类型的优化后软件个数在不同能耗级别中分布均衡；其中，所述相对值阈值大于零。
9.根据权利要求8所述的能耗评估方法，其特征在于，所述根据关联分析的结果对能耗测试方法进行优化，包括：
若所述优化后软件对应的能耗评估标准为理论分析法，则根据关联分析的结果、所述优化后软件的架构和所述优化后软件的计算量之间的关系，调整和完善理论分析法中的超参数；
若所述优化后软件对应的能耗评估标准为物理环境测试法，则根据关联分析的结果，调整和完善物理环境测试法中服务器负载参数与能耗之间的关系模型；
若所述优化后软件对应的能耗评估标准为AI测试法，则根据关联分析的结果，构建无监督AI测试法、有监督AI测试法和强化学习AI测试法。
10.根据权利要求8所述的能耗评估方法，其特征在于，所述同一类型的优化后软件个数在不同能耗级别中分布均衡之后，包括：
根据算力资源节点、软件类型和软件能耗之间的映射关系，分析在不同软件类型和不同软件能耗下，不同算力资源节点的能耗等级；
若某一算力资源节点为高能耗节点，则向用户反馈节点迁移建议。
11.一种能耗评估装置，其特征在于，包括：
匹配模块，用于：为不同类型的软件分配对应的能耗测试方法和能耗评估标准；
能耗测试模块，用于：根据所述能耗测试方法对对应类型的软件进行能耗测试，得到能耗测试结果；
能耗分级模块，用于：将所述能耗测试结果与对应软件类型的能耗评估标准进行比对，根据比对结果确定所述能耗测试结果对应的软件所属的能耗级别；
所述将所述能耗测试结果与对应软件类型的能耗评估标准进行比对，根据比对结果确定所述能耗测试结果对应的软件所属的能耗级别，包括：
根据第一标准阈值和第二标准阈值划分所述能耗测试结果对应软件类型的能耗评估标准；所述第一标准阈值大于所述第二标准阈值；
若所述能耗测试结果大于所述第一标准阈值，则确定所述能耗测试结果对应的软件为高耗能软件；
所述根据比对结果确定所述能耗测试结果对应的软件所属的能耗级别之后，包括：
若所述能耗测试结果对应的软件为高能耗软件，则根据所述软件的类型为用户提供能耗优化建议；
待用户完成软件优化后，返回根据所述能耗测试方法对对应类型的软件进行能耗测试，得到能耗测试结果的步骤，直到重新确定所述能耗测试结果对应的软件所属的能耗级别；
向用户反馈重新确定的能耗级别，并为用户提供是否部署优化后软件的选择；
若用户选择部署所述优化后软件，则根据所述优化后软件的能耗级别和基本信息，选择最佳算力资源节点；所述基本信息包括软件类型、资源需求和其他需求；
将所述优化后软件部署至所述最佳算力资源节点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211568710.5A CN115576856B (zh) | 2022-12-08 | 2022-12-08 | 能耗评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211568710.5A CN115576856B (zh) | 2022-12-08 | 2022-12-08 | 能耗评估方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115576856A CN115576856A (zh) | 2023-01-06 |
| CN115576856B true CN115576856B (zh) | 2023-04-11 |
Family
ID=84590518
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211568710.5A Active CN115576856B (zh) | 2022-12-08 | 2022-12-08 | 能耗评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115576856B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117370034B (zh) * | 2023-12-07 | 2024-02-27 | 之江实验室 | 一种算力调度系统评估方法、装置、存储介质及电子设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101907917A (zh) * | 2010-07-21 | 2010-12-08 | 中国电信股份有限公司 | 一种测量虚拟机能耗的方法和系统 |
| CN110716875A (zh) * | 2019-09-26 | 2020-01-21 | 北京计算机技术及应用研究所 | 一种国产办公环境下基于反馈机制的并发测试方法 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8086882B2 (en) * | 2008-06-29 | 2011-12-27 | Microsoft Corporation | Energy measurement techniques for computing systems |
| FI20096188A0 (fi) * | 2009-11-16 | 2009-11-16 | Mas Metabolic Analytical Servi | Nutrigeneettisiä biomarkkereita lihavuudelle ja tyypin 2 diabetekselle |
| CN102750222A (zh) * | 2012-06-04 | 2012-10-24 | 四川大学 | 一种基于c语言的嵌入式软件能耗估算方法 |
| CN102789410A (zh) * | 2012-06-29 | 2012-11-21 | 浪潮电子信息产业股份有限公司 | 一种存储系统性能的测试方法 |
| CN104063304B (zh) * | 2014-07-02 | 2017-01-25 | 清华大学 | 一种面向移动智能终端应用市场的应用软件能耗评级方法 |
| CN105320701B (zh) * | 2014-08-04 | 2019-06-14 | 腾讯科技（深圳）有限公司 | 功能点测试实现方式的筛选方法、装置及终端 |
| US10203712B2 (en) * | 2016-05-03 | 2019-02-12 | Enel X North America, Inc. | Apparatus and method for energy management based on estimated resource utilization |
| CN106294122B (zh) * | 2016-07-20 | 2019-02-01 | 博众精工科技股份有限公司 | 一种标准的软件测试平台及其测试方法 |
| CN106610873B (zh) * | 2016-11-17 | 2020-07-24 | 北京大学（天津滨海）新一代信息技术研究院 | 一种Android设备上应用程序能耗预测方法 |
| CN107977318B (zh) * | 2017-12-25 | 2020-07-03 | 暨南大学 | 一种Android应用程序的能耗和性能测试方法 |
| CN111124927B (zh) * | 2019-12-25 | 2023-05-23 | 中国航空工业集团公司西安飞机设计研究所 | 一种多分区机载软件的测试方法 |
| CN111651357B (zh) * | 2020-06-03 | 2023-04-07 | 厦门力含信息技术服务有限公司 | 一种基于云计算的软件自动化测试方法 |
| CN114356781A (zh) * | 2022-01-12 | 2022-04-15 | 贝壳找房网(北京)信息技术有限公司 | 软件功能测试方法和装置 |
| CN114895773B (zh) * | 2022-04-08 | 2024-02-13 | 中山大学 | 异构多核处理器的能耗优化方法、系统、装置及存储介质 |
-
2022
- 2022-12-08 CN CN202211568710.5A patent/CN115576856B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101907917A (zh) * | 2010-07-21 | 2010-12-08 | 中国电信股份有限公司 | 一种测量虚拟机能耗的方法和系统 |
| CN110716875A (zh) * | 2019-09-26 | 2020-01-21 | 北京计算机技术及应用研究所 | 一种国产办公环境下基于反馈机制的并发测试方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115576856A (zh) | 2023-01-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108829494B (zh) | 基于负载预测的容器云平台智能资源优化方法 | |
| US10789102B2 (en) | Resource provisioning in computing systems | |
| CN110489229B (zh) | 一种多目标任务调度方法及系统 | |
| CN103607459A (zh) | 一种云计算平台IaaS层的动态资源监测及调度方法 | |
| CN115576856B (zh) | 能耗评估方法及装置 | |
| CN114143326A (zh) | 负载调节方法、管理节点以及存储介质 | |
| WO2023109068A1 (zh) | 一种多云环境下基于用户体验的虚拟机自动迁移决策方法 | |
| CN116366453A (zh) | 异构网元业务需求表征与虚拟网元的自适应动态部署方法 | |
| CN107566535B (zh) | 基于Web地图服务并发访问时序规则的自适应负载均衡方法 | |
| CN113158435B (zh) | 基于集成学习的复杂系统仿真运行时间预测方法与设备 | |
| CN110399203A (zh) | 一种基于弗雷歇距离的云计算虚拟机迁移方法 | |
| CN117076882A (zh) | 一种云服务资源动态预测管理方法 | |
| CN114741160A (zh) | 一种基于平衡能耗与服务质量的动态虚拟机整合方法和系统 | |
| Zhou et al. | Cushion: A proactive resource provisioning method to mitigate SLO violations for containerized microservices | |
| Salimian et al. | Energy-efficient placement of virtual machines in cloud data centres based on fuzzy decision making | |
| Farimani et al. | Reallocation of virtual machines to cloud data centers to reduce service level agreement violation and energy consumption using the FMT method | |
| CN114265668A (zh) | 虚拟机迁移方法及相关产品 | |
| Jing et al. | An energy efficient and resource‐constrained scheduling framework for smart city application | |
| Lili et al. | A Markov chain based resource prediction in computational grid | |
| Li et al. | Multi-resource collaborative optimization for adaptive virtual machine placement | |
| WO2013128836A1 (ja) | 仮想サーバ管理装置及び仮想サーバの移動先決定方法 | |
| Martinovic et al. | Load balancing of large distribution network model calculations | |
| CN117408832B (zh) | 应用于环保胶生产控制系统的异常分析方法及系统 | |
| Bahrami et al. | The Reduce energy consumption in cloud computing data centres by optimizing virtual machines | |
| CN117097677B (zh) | 一种基于大数据的流量管理分配系统及分析方法 |
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 |