CN116627241A - 一种优化服务器能耗的方法、系统、设备和存储介质 - Google Patents
一种优化服务器能耗的方法、系统、设备和存储介质 Download PDFInfo
- Publication number
- CN116627241A CN116627241A CN202310567158.6A CN202310567158A CN116627241A CN 116627241 A CN116627241 A CN 116627241A CN 202310567158 A CN202310567158 A CN 202310567158A CN 116627241 A CN116627241 A CN 116627241A
- Authority
- CN
- China
- Prior art keywords
- server
- condition
- energy consumption
- fitness function
- individuals
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005457 optimization Methods 0.000 claims abstract description 45
- 230000006870 function Effects 0.000 claims description 65
- 230000035772 mutation Effects 0.000 claims description 20
- 108090000623 proteins and genes Proteins 0.000 claims description 18
- 238000013468 resource allocation Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 abstract description 4
- 230000002068 genetic effect Effects 0.000 description 31
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 210000000349 chromosome Anatomy 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008303 genetic mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
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
- G06F1/3234—Power saving characterised by the action undertaken
- G06F1/329—Power saving characterised by the action undertaken by task scheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种优化服务器能耗的方法、系统、设备和存储介质，方法包括：根据服务器的负载情况、能耗情况和服务质量设计适应度函数；根据服务器的负载情况和配置情况设置初始种群，并根据所述适应度函数从所述初始种群选择预设数量的个体用于进化操作；根据预定算法的运行时间、种群的多样性以及适应度函数的收敛情况设置终止条件；以及进行多次迭代的进化操作直到达到终止条件，将得到的最优参数的取值作为服务器能耗优化的结果。本发明可以通过在整个系统中搜索最优解来确保系统能够以最低的能耗运行，可以通过适应度函数来评估不同能耗方案的优劣，并根据评估结果来调整智能算法的优化策略。
Description
技术领域
本发明涉及服务器技术领域，更具体地，特别是指一种优化服务器能耗的方法、系统、设备和存储介质。
背景技术
随着信息技术的快速发展，服务器已经成为了现代企业中不可或缺的一部分。然而，服务器的能耗问题日益突出，成为企业运营成本的重要组成部分。目前，已经有一些技术用于优化服务器能耗。例如，可以使用节能型的硬件设备、优化服务器集群的部署、采用虚拟化技术等。此外，还可以使用一些软件工具来监控服务器的能耗，例如PowerTOP等。这些技术虽然可以在一定程度上减少服务器能耗，但是它们并没有考虑到服务器运行时的实时负载情况，无法实现真正意义上的能耗优化。
发明内容
有鉴于此，本发明实施例的目的在于提出一种优化服务器能耗的方法、系统、计算机设备及计算机可读存储介质，本发明可以通过在整个系统中搜索最优解来确保系统能够以最低的能耗运行，可以通过适应度函数来评估不同能耗方案的优劣，并根据评估结果来调整智能算法(如遗传算法、粒子群算法等)的优化策略。
基于上述目的，本发明实施例的一方面提供了一种优化服务器能耗的方法，包括如下步骤：根据服务器的负载情况、能耗情况和服务质量设计适应度函数；根据服务器的负载情况和配置情况设置初始种群，并根据所述适应度函数从所述初始种群选择预设数量的个体用于进化操作；根据预定算法的运行时间、种群的多样性以及适应度函数的收敛情况设置终止条件；以及进行多次迭代的进化操作直到达到终止条件，将得到的最优参数的取值作为服务器能耗优化的结果。
在一些实施方式中，所述根据服务器的负载情况、能耗情况和服务质量设计适应度函数包括：将每个个体表示为一个预设长度的二进制字符串，每个位代表一个服务器配置的选项。
在一些实施方式中，所述根据服务器的负载情况和配置情况设置初始种群包括：根据虚拟化层和硬件层的资源分配情况设计个体的基因，并根据每个个体的基因将每个个体转化为服务器配置参数并部署在测试环境中。
在一些实施方式中，所述根据所述适应度函数从所述初始种群选择预设数量的个体用于进化操作包括：根据适应度函数对每个个体赋予适应度值，按照所述适应度值对种群中的每个个体进行排序，并根据每个个体的适应度值选择预设数量的个体用于交叉和变异操作。
在一些实施方式中，所述根据所述适应度函数从所述初始种群选择预设数量的个体用于进化操作包括：通过交叉操作产生新的个体，并对个体的基因进行随机变异以增加种群的多样性。
在一些实施方式中，方法还包括：根据服务器的实时负载情况调整适应度函数的权重。
在一些实施方式中，方法还包括：根据种群的进化状态自动调整交叉操作和变异操作的概率以适应不同的优化场景。
本发明实施例的另一方面，提供了一种优化服务器能耗的系统，包括：函数模块，用于根据服务器的负载情况、能耗情况和服务质量设计适应度函数；初始模块，用于根据服务器的负载情况和配置情况设置初始种群，并根据所述适应度函数从所述初始种群选择预设数量的个体用于进化操作；设置模块，用于根据预定算法的运行时间、种群的多样性以及适应度函数的收敛情况设置终止条件；以及执行模块，用于进行多次迭代的进化操作直到达到终止条件，将得到的最优参数的取值作为服务器能耗优化的结果。
本发明实施例的又一方面，还提供了一种计算机设备，包括：至少一个处理器；以及存储器，所述存储器存储有可在所述处理器上运行的计算机指令，所述指令由所述处理器执行时实现如上方法的步骤。
本发明实施例的再一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时实现如上方法步骤的计算机程序。
本发明具有以下有益技术效果：
1、本发明通过智能算法在整个系统中搜索最优解来确保系统能够以最低的能耗运行；
2、本发明智能算法(例如遗传算法)适应度函数非常灵活，可以根据具体问题的不同而进行相应的调整和优化；
3、可以将多个目标设置为优化目标，如能耗最小化、性能最大化、成本最小化等，通过智能算法得出能够在多个目标下得到最优解的优化方案；
4、智能算法(例如遗传算法)的鲁棒性可以有效地应对负载变化、硬件设备的老化、数据中心环境等影响因素，保证算法的稳定性和可靠性；
5、具有较强的并行处理能力，可以在多核处理器上实现并行化处理，加快优化过程的速度。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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实施例。
图1为本发明提供的优化服务器能耗的方法的实施例的示意图；
图2为本发明提供的优化服务器能耗的系统的实施例的示意图；
图3为本发明提供的优化服务器能耗的计算机设备的实施例的硬件结构示意图；
图4为本发明提供的优化服务器能耗的计算机存储介质的实施例的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。
需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
本发明实施例的第一个方面，提出了一种优化服务器能耗的方法的实施例。图1示出的是本发明提供的优化服务器能耗的方法的实施例的示意图。如图1所示，本发明实施例包括如下步骤：
S1、根据服务器的负载情况、能耗情况和服务质量设计适应度函数；
S2、根据服务器的负载情况和配置情况设置初始种群，并根据所述适应度函数从所述初始种群选择预设数量的个体用于进化操作；
S3、根据预定算法的运行时间、种群的多样性以及适应度函数的收敛情况设置终止条件；以及
S4、进行多次迭代的进化操作直到达到终止条件，将得到的最优参数的取值作为服务器能耗优化的结果。
在本申请中，预定算法可以本领域常用的智能算法，其包括例如遗传算法、粒子群算法等。下面以遗传算法为例说明本申请的技术方案。遗传算法是一种模拟自然选择和遗传机制的优化算法，其核心思想是模拟自然界生物进化的过程，通过选择、交叉和变异等操作来不断迭代搜索最优解。在服务器能耗优化中，遗传算法可以通过对服务器的配置参数、工作状态和任务分配等进行调整，以达到最佳的能耗和性能平衡。
在实际应用中，基于遗传算法的服务器能耗优化技术需要考虑多种因素，如服务器负载、应用需求、能源成本和环境温度等。首先需要建立合理的数学模型来描述服务器的能耗和性能之间的关系，然后通过遗传算法优化策略来搜索最优解。同时，还需要考虑算法的可行性和可靠性，避免过度优化导致系统不稳定或任务延迟。
遗传算法是一种优化算法，其灵感来源于生物进化过程中的基因遗传机制。该算法通过模拟进化过程，不断地从种群中选择适应度高的个体，并对这些个体进行交叉和变异操作，生成新的个体，从而不断寻找适应度更高的解。本发明实施例将某个问题的解表示成某种基因型形式，然后通过遗传算子进行进化，以找到优秀的解。在服务器能耗优化中，遗传算法可以通过优化虚拟化层和硬件层的资源分配策略，以达到降低服务器能耗的目的。
根据服务器的负载情况、能耗情况和服务质量设计适应度函数。适应度函数是遗传算法中的关键部分，它用于衡量某个解的优劣。在服务器能耗优化中，适应度函数可以考虑多个因素，如服务器的负载情况、能耗情况以及服务质量等，以综合评价服务器的性能。
在一些实施方式中，所述根据服务器的负载情况、能耗情况和服务质量设计适应度函数包括：将每个个体表示为一个预设长度的二进制字符串，每个位代表一个服务器配置的选项。需要定义每个个体(即一组服务器能耗优化策略)的基因组成。这里可以将每个个体表示为一个长度为N的二进制字符串，每个位代表一个服务器配置的选项(例如，CPU频率、内存大小、磁盘类型等)，然后随机生成一定数量的个体作为初始种群。
根据服务器的负载情况和配置情况设置初始种群，并根据所述适应度函数从所述初始种群选择预设数量的个体用于进化操作。种群是指一组初始解，通常是随机生成的。在服务器能耗优化中，初始种群可以考虑当前服务器的配置情况和负载情况，以确保初始解的可行性。
基因型是指染色体的编码方式，它决定了每个个体的表现型。在服务器能耗优化中，基因型可以考虑虚拟化层和硬件层的资源分配情况，例如，可以用二进制编码表示某个虚拟机的CPU使用率或内存使用率等信息。
在一些实施方式中，所述根据服务器的负载情况和配置情况设置初始种群包括：根据虚拟化层和硬件层的资源分配情况设计个体的基因，并根据每个个体的基因将每个个体转化为服务器配置参数并部署在测试环境中。根据每个个体的基因，可以将其转化为服务器配置参数并部署在测试环境中，以评估其能耗和性能表现。本发明实施例通过适应度函数来评估每个个体的表现，通常是将能耗和性能指标综合考虑，例如性能越好、能耗越低的个体适应度越高。
在一些实施方式中，所述根据所述适应度函数从所述初始种群选择预设数量的个体用于进化操作包括：根据适应度函数对每个个体赋予适应度值，按照所述适应度值对种群中的每个个体进行排序，并根据每个个体的适应度值选择预设数量的个体用于交叉和变异操作。按照适应度大小对种群进行排序，并根据每个个体的适应度选取一定数量的个体用于后续交叉和变异操作。常见的选择方法有轮盘赌选择和竞争选择等。
在一些实施方式中，所述根据所述适应度函数从所述初始种群选择预设数量的个体用于进化操作包括：通过交叉操作产生新的个体，并对个体的基因进行随机变异以增加种群的多样性。进化操作是指遗传算法中的遗传操作，包括选择、交叉和变异。选择操作用于选出优秀的解，交叉操作用于产生新的解，变异操作用于维持种群的多样性。选择两个个体进行交叉操作，以生成新的个体，这里可以采用单点、多点、均匀等不同的交叉方式。对某个个体的基因进行随机变异，以增加种群的多样性。变异操作可以随机选择一个位置进行单点变异，也可以对一段基因进行多点变异。
通过进化操作，得到新的解后，需要对种群进行更新。具体来说，需要根据适应度函数的值对种群进行排序，然后选取优秀的解作为下一代的种群。
根据遗传算法的运行时间、种群的多样性以及适应度函数的收敛情况设置终止条件。遗传算法通常需要设定终止条件，以确定算法的停止时机。在服务器能耗优化中，终止条件可以根据运行时间、种群的多样性以及适应度函数的收敛情况等来进行判断。通过选择、交叉和变异操作，生成新的个体并组成新的种群，进行下一轮迭代。
进行多次迭代的进化操作直到达到终止条件，将得到的最优参数的取值作为服务器能耗优化的结果。
在一些实施方式中，方法还包括：根据服务器的实时负载情况调整适应度函数的权重。通过不断更新适应度函数，动态调整优化策略。例如，根据服务器的实时负载情况，调整适应度函数的权重，以达到更好的优化效果。
在一些实施方式中，方法还包括：根据种群的进化状态自动调整交叉操作和变异操作的概率以适应不同的优化场景。采用自适应遗传算法，该算法可以根据种群的进化状态，自动调整交叉和变异的概率，以适应不同的优化场景，从而实现动态调整优化策略。
本发明实施例需要对服务器进行实时数据采集，包括CPU、内存、磁盘等硬件资源的使用情况、服务器运行状态等信息。服务器中通过BMC收集数据进行采集，在服务器上实时采集硬件资源的使用情况和服务器运行状态等信息。需要设计一个准确的模型来描述服务器能耗与硬件资源利用率之间的关系。模型需要考虑多种因素，如硬件资源配置、负载等因素对能耗的影响。根据采集到的数据，建立能耗与硬件资源利用率之间的关系模型。可以采用回归模型、神经网络模型等方法进行建模。需要根据实际情况合理设置遗传算法的参数，如种群大小、交叉概率、变异概率等参数。将适应度函数作为遗传算法的评价标准，不断迭代优化，直到达到预期效果为止，在运行过程中根据服务器负载情况，动态调整优化策略，以达到更好的优化效果。
遗传算法是基于生物进化的思想而来，具有全局搜索的能力，能够在搜索空间中快速找到全局最优解。在本发明实施例中，这一特点也非常有用，因为它可以通过在整个系统中搜索最优解来确保系统能够以最低的能耗运行。在服务器能耗优化问题中，这一特点可以在考虑多个因素的情况下，找到最优的能耗优化方案。
在遗传算法中，适应度函数用于评估染色体的适应度，即该染色体在问题空间中的表现能力。适应度函数的选择对算法的优化效果至关重要，而遗传算法的适应度函数非常灵活，可以根据具体问题的不同而进行相应的调整和优化。在本发明实施例中，可以通过适应度函数来评估不同能耗方案的优劣，并根据评估结果来调整遗传算法的优化策略。
在现实生活中，往往存在多个目标需要同时优化。遗传算法可以支持多目标优化，即在一个优化问题中同时考虑多个目标，并得出一组最优解。在本发明实施例中，可以将多个目标设置为优化目标，如能耗最小化、性能最大化、成本最小化等，通过遗传算法得出能够在多个目标下得到最优解的优化方案。
遗传算法具有很强的鲁棒性，即在问题表述、编码方式、优化策略等方面存在不确定性时，算法仍然能够有效地求解问题。在本发明实施例中，存在各种因素影响能耗，如负载变化、硬件设备的老化、数据中心环境等因素都可能对能耗优化产生影响。遗传算法的鲁棒性可以有效地应对这些影响因素，保证算法的稳定性和可靠性。
遗传算法具有较强的并行处理能力，可以在多核处理器上实现并行化处理，加快优化过程的速度。在本发明实施例中，随着数据中心规模的不断扩大，需要处理的数据量越来越大，优化时间也相应地变长。
需要特别指出的是，上述优化服务器能耗的方法的各个实施例中的各个步骤均可以相互交叉、替换、增加、删减，因此，这些合理的排列组合变换之于优化服务器能耗的方法也应当属于本发明的保护范围，并且不应将本发明的保护范围局限在实施例之上。
基于上述目的，本发明实施例的第二个方面，提出了一种优化服务器能耗的系统。如图2所示，系统200包括如下模块：函数模块，用于根据服务器的负载情况、能耗情况和服务质量设计适应度函数；初始模块，用于根据服务器的负载情况和配置情况设置初始种群，并根据所述适应度函数从所述初始种群选择预设数量的个体用于进化操作；设置模块，用于根据预定算法的运行时间、种群的多样性以及适应度函数的收敛情况设置终止条件；以及执行模块，用于进行多次迭代的进化操作直到达到终止条件，将得到的最优参数的取值作为服务器能耗优化的结果。
在一些实施方式中，所述函数模块用于：将每个个体表示为一个预设长度的二进制字符串，每个位代表一个服务器配置的选项。
在一些实施方式中，所述初始模块用于：根据虚拟化层和硬件层的资源分配情况设计个体的基因，并根据每个个体的基因将每个个体转化为服务器配置参数并部署在测试环境中。
在一些实施方式中，所述初始模块用于：根据适应度函数对每个个体赋予适应度值，按照所述适应度值对种群中的每个个体进行排序，并根据每个个体的适应度值选择预设数量的个体用于交叉和变异操作。
在一些实施方式中，所述初始模块用于：通过交叉操作产生新的个体，并对个体的基因进行随机变异以增加种群的多样性。
在一些实施方式中，系统还包括调整模块，所述调整模块用于：根据服务器的实时负载情况调整适应度函数的权重。
在一些实施方式中，系统还包括优化模块，所述优化模块用于：根据种群的进化状态自动调整交叉操作和变异操作的概率以适应不同的优化场景。
基于上述目的，本发明实施例的第三个方面，提出了一种计算机设备，包括：至少一个处理器；以及存储器，存储器存储有可在处理器上运行的计算机指令，指令由处理器执行以实现如下步骤：S1、根据服务器的负载情况、能耗情况和服务质量设计适应度函数；S2、根据服务器的负载情况和配置情况设置初始种群，并根据所述适应度函数从所述初始种群选择预设数量的个体用于进化操作；S3、根据预定算法的运行时间、种群的多样性以及适应度函数的收敛情况设置终止条件；以及S4、进行多次迭代的进化操作直到达到终止条件，将得到的最优参数的取值作为服务器能耗优化的结果。
在一些实施方式中，所述根据服务器的负载情况、能耗情况和服务质量设计适应度函数包括：将每个个体表示为一个预设长度的二进制字符串，每个位代表一个服务器配置的选项。
在一些实施方式中，所述根据服务器的负载情况和配置情况设置初始种群包括：根据虚拟化层和硬件层的资源分配情况设计个体的基因，并根据每个个体的基因将每个个体转化为服务器配置参数并部署在测试环境中。
在一些实施方式中，所述根据所述适应度函数从所述初始种群选择预设数量的个体用于进化操作包括：根据适应度函数对每个个体赋予适应度值，按照所述适应度值对种群中的每个个体进行排序，并根据每个个体的适应度值选择预设数量的个体用于交叉和变异操作。
在一些实施方式中，所述根据所述适应度函数从所述初始种群选择预设数量的个体用于进化操作包括：通过交叉操作产生新的个体，并对个体的基因进行随机变异以增加种群的多样性。
在一些实施方式中，步骤还包括：根据服务器的实时负载情况调整适应度函数的权重。
在一些实施方式中，步骤还包括：根据种群的进化状态自动调整交叉操作和变异操作的概率以适应不同的优化场景。
如图3所示，为本发明提供的上述优化服务器能耗的计算机设备的一个实施例的硬件结构示意图。
以如图3所示的装置为例，在该装置中包括一个处理器301以及一个存储器302。
处理器301和存储器302可以通过总线或者其他方式连接，图3中以通过总线连接为例。
存储器302作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的优化服务器能耗的方法对应的程序指令/模块。处理器301通过运行存储在存储器302中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现优化服务器能耗的方法。
存储器302可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据优化服务器能耗的方法的使用所创建的数据等。此外，存储器302可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器302可选包括相对于处理器301远程设置的存储器，这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个优化服务器能耗的方法对应的计算机指令303存储在存储器302中，当被处理器301执行时，执行上述任意方法实施例中的优化服务器能耗的方法。
执行上述优化服务器能耗的方法的计算机设备的任何一个实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时执行优化服务器能耗的方法的计算机程序。
如图4所示，为本发明提供的上述优化服务器能耗的计算机存储介质的一个实施例的示意图。以如图4所示的计算机存储介质为例，计算机可读存储介质401存储有被处理器执行时执行如上方法的计算机程序402。
最后需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，优化服务器能耗的方法的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，程序的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。上述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。
应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。
Claims (10)
1.一种优化服务器能耗的方法，其特征在于，包括如下步骤：
根据服务器的负载情况、能耗情况和服务质量设计适应度函数；
根据服务器的负载情况和配置情况设置初始种群，并根据所述适应度函数从所述初始种群选择预设数量的个体用于进化操作；
根据预定算法的运行时间、种群的多样性以及适应度函数的收敛情况设置终止条件；以及
进行多次迭代的进化操作直到达到终止条件，将得到的最优参数的取值作为服务器能耗优化的结果。
2.根据权利要求1所述的优化服务器能耗的方法，其特征在于，所述根据服务器的负载情况、能耗情况和服务质量设计适应度函数包括：
将每个个体表示为一个预设长度的二进制字符串，每个位代表一个服务器配置的选项。
3.根据权利要求1所述的优化服务器能耗的方法，其特征在于，所述根据服务器的负载情况和配置情况设置初始种群包括：
根据虚拟化层和硬件层的资源分配情况设计个体的基因，并根据每个个体的基因将每个个体转化为服务器配置参数并部署在测试环境中。
4.根据权利要求1所述的优化服务器能耗的方法，其特征在于，所述根据所述适应度函数从所述初始种群选择预设数量的个体用于进化操作包括：
根据适应度函数对每个个体赋予适应度值，按照所述适应度值对种群中的每个个体进行排序，并根据每个个体的适应度值选择预设数量的个体用于交叉和变异操作。
5.根据权利要求4所述的优化服务器能耗的方法，其特征在于，所述根据所述适应度函数从所述初始种群选择预设数量的个体用于进化操作包括：
通过交叉操作产生新的个体，并对个体的基因进行随机变异以增加种群的多样性。
6.根据权利要求1所述的优化服务器能耗的方法，其特征在于，方法还包括：
根据服务器的实时负载情况调整适应度函数的权重。
7.根据权利要求1所述的优化服务器能耗的方法，其特征在于，方法还包括：
根据种群的进化状态自动调整交叉操作和变异操作的概率以适应不同的优化场景。
8.一种优化服务器能耗的系统，其特征在于，包括：
函数模块，用于根据服务器的负载情况、能耗情况和服务质量设计适应度函数；
初始模块，用于根据服务器的负载情况和配置情况设置初始种群，并根据所述适应度函数从所述初始种群选择预设数量的个体用于进化操作；
设置模块，用于根据预定算法的运行时间、种群的多样性以及适应度函数的收敛情况设置终止条件；以及
执行模块，用于进行多次迭代的进化操作直到达到终止条件，将得到的最优参数的取值作为服务器能耗优化的结果。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
存储器，所述存储器存储有可在所述处理器上运行的计算机指令，所述指令由所述处理器执行时实现权利要求1-7任意一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310567158.6A CN116627241A (zh) | 2023-05-19 | 2023-05-19 | 一种优化服务器能耗的方法、系统、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310567158.6A CN116627241A (zh) | 2023-05-19 | 2023-05-19 | 一种优化服务器能耗的方法、系统、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116627241A true CN116627241A (zh) | 2023-08-22 |
Family
ID=87601918
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310567158.6A Pending CN116627241A (zh) | 2023-05-19 | 2023-05-19 | 一种优化服务器能耗的方法、系统、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116627241A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116881085A (zh) * | 2023-09-05 | 2023-10-13 | 北京华鲲振宇智能科技有限责任公司 | 一种服务器能耗优化的方法 |
| CN117170979A (zh) * | 2023-10-26 | 2023-12-05 | 广东百德朗科技有限公司 | 一种大规模设备的能耗数据处理方法、系统、设备及介质 |
-
2023
- 2023-05-19 CN CN202310567158.6A patent/CN116627241A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116881085A (zh) * | 2023-09-05 | 2023-10-13 | 北京华鲲振宇智能科技有限责任公司 | 一种服务器能耗优化的方法 |
| CN117170979A (zh) * | 2023-10-26 | 2023-12-05 | 广东百德朗科技有限公司 | 一种大规模设备的能耗数据处理方法、系统、设备及介质 |
| CN117170979B (zh) * | 2023-10-26 | 2024-04-05 | 广东百德朗科技有限公司 | 一种大规模设备的能耗数据处理方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116627241A (zh) | 一种优化服务器能耗的方法、系统、设备和存储介质 | |
| Yiqiu et al. | Cloud computing task scheduling algorithm based on improved genetic algorithm | |
| Tao et al. | CLPS-GA: A case library and Pareto solution-based hybrid genetic algorithm for energy-aware cloud service scheduling | |
| CN107908536B (zh) | Cpu-gpu异构环境中对gpu应用的性能评估方法及系统 | |
| Subashini et al. | Comparison of multi-objective evolutionary approaches for task scheduling in distributed computing systems | |
| Yin et al. | An improved genetic algorithm for task scheduling in cloud computing | |
| Gu et al. | A multi-objective fog computing task scheduling strategy based on ant colony algorithm | |
| CN114741955A (zh) | 一种基于安全云的多目标优化任务调度方法 | |
| Wang et al. | A task scheduling strategy in edge‐cloud collaborative scenario based on deadline | |
| CN109298930A (zh) | 一种基于多目标优化的云工作流调度方法及装置 | |
| US11386332B2 (en) | Optimization calculation method and information processing apparatus | |
| Awad et al. | A swarm intelligence-based approach for dynamic data replication in a cloud environment | |
| CN117271101B (zh) | 一种算子融合方法、装置、电子设备及存储介质 | |
| Liu et al. | A load-balancing approach based on modified K-ELM and NSGA-II in a heterogeneous cloud environment | |
| US11301305B2 (en) | Dynamic resource clustering architecture | |
| Calzarossa et al. | Tuning Genetic Algorithms for resource provisioning and scheduling in uncertain cloud environments: Challenges and findings | |
| Bhatele et al. | Applying graph partitioning methods in measurement-based dynamic load balancing | |
| CN106874215B (zh) | 一种基于Spark算子的序列化存储优化方法 | |
| Liang et al. | Multi-factorial optimization for large-scale virtual machine placement in cloud computing | |
| Suganthan et al. | Adaptation methods in differential evolution: A review | |
| Lei et al. | A multi-objective scheduling strategy based on moga in cloud computing environment | |
| Wang et al. | Multi-objective artificial bee colony algorithm | |
| Qiu et al. | Multi-objective virtual machine consolidation | |
| Stark et al. | A new strategy for adapting the mutation probability in genetic algorithms | |
| Subashini et al. | NSGA-II with controlled elitism for scheduling tasks in heterogeneous computing systems |
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 |