CN116991639A - 能耗预测方法、装置、计算机设备和存储介质 - Google Patents

能耗预测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN116991639A
CN116991639A CN202310572436.7A CN202310572436A CN116991639A CN 116991639 A CN116991639 A CN 116991639A CN 202310572436 A CN202310572436 A CN 202310572436A CN 116991639 A CN116991639 A CN 116991639A
Authority
CN
China
Prior art keywords
energy consumption
server
test
index data
consumption prediction
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
Application number
CN202310572436.7A
Other languages
English (en)
Inventor
刘保华
李力卡
马泽雄
段俊
王涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Research Institute China Telecom Co ltd
China Telecom Corp Ltd
Original Assignee
Guangdong Research Institute China Telecom Co ltd
China Telecom Corp Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Research Institute China Telecom Co ltd, China Telecom Corp Ltd filed Critical Guangdong Research Institute China Telecom Co ltd
Priority to CN202310572436.7A priority Critical patent/CN116991639A/zh
Publication of CN116991639A publication Critical patent/CN116991639A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种能耗预测方法、装置、计算机设备和存储介质。方法包括：确定各服务器在预设运行时段内的运行指标数据；对各服务器中的至少一个测试服务器进行全负载测试，得到至少一个测试服务器在相应负载下的能耗测试数据；根据至少一个测试服务器对应的运行指标数据和能耗测试数据，确定线性拟合参数和指数拟合参数；根据线性拟合参数和指数拟合参数，确定能耗预测模型；通过能耗预测模型对服务器在实际运行时段内的运行指标数据进行能耗预测，得到预测的能耗信息。采用本申请能够提高能耗预测的精度。

Description

能耗预测方法、装置、计算机设备和存储介质
技术领域
本申请涉及机器学习技术领域，特别是涉及一种能耗预测方法、装置、计算机设备和存储介质。
背景技术
近年来，随着各行业应用产生的数据的加速增长，导致数据中心的规模日益扩大。为了提高资源利用率和降低数据中心的能耗，对服务器进行节能优化得到了广泛的关注，而对服务器进行能耗预测在这些节能工作中扮演着重要的角色。目前，主要采用服务器的中央处理器(Central Processing Unit，CPU)的指标来预估服务器的整体能耗信息。但是，采用以上单一形式进行能耗预测的精度很低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高精度的能耗预测方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种能耗预测方法。该方法包括：
确定各服务器在预设运行时段内的运行指标数据；
对各服务器中的至少一个测试服务器进行全负载测试，得到至少一个测试服务器在相应负载下的能耗测试数据；
根据至少一个测试服务器对应的运行指标数据和能耗测试数据，确定线性拟合参数和指数拟合参数；
根据线性拟合参数和指数拟合参数，确定能耗预测模型；
通过能耗预测模型对服务器在实际运行时段内的运行指标数据进行能耗预测，得到预测的能耗信息。
第二方面，本申请还提供了一种能耗预测装置。该装置包括：
指标确定模块，用于确定各服务器在预设运行时段内的运行指标数据；
负载测试模块，用于对各服务器中的至少一个测试服务器进行全负载测试，得到至少一个测试服务器在相应负载下的能耗测试数据；
参数确定模块，用于根据至少一个测试服务器对应的运行指标数据和能耗测试数据，确定线性拟合参数和指数拟合参数；
模型确定模块，用于根据线性拟合参数和指数拟合参数，确定能耗预测模型；
能耗预测模块，用于通过能耗预测模型对服务器在实际运行时段内的运行指标数据进行能耗预测，得到预测的能耗信息。
在一些实施例中，指标确定模块，还用于获取各服务器在预设运行时段内的初始运行指标数据；针对每个服务器中的当前服务器，利用信息熵对当前服务器的初始运行指标数据进行指标筛选，将信息熵大于或等于信息熵阈值的初始运行指标数据确定为与当前服务器的能耗强相关的运行指标数据。
在一些实施例中，本申请的能耗预测装置还包括标签确定模块，用于获取各服务器在预设运行时段内的初始运行指标数据；针对每个服务器中的当前服务器，利用信息熵对当前服务器的初始运行指标数据进行指标筛选，将信息熵大于或等于信息熵阈值的初始运行指标数据确定为与当前服务器的能耗强相关的运行指标数据。
在一些实施例中，线性拟合参数包括第一参数和第二参数。参数确定模块，还用于将运行指标数据和能耗测试数据带入至预构建的多项式指数函数中进行曲线拟合，以确定拟合的线性拟合参数和指数拟合参数；其中，能耗测试数据为多项式指数函数的值；多项式指数函数，是根据多项式函数与指数函数加权确定的；多项式函数，是根据融合项与第二参数加权确定的；融合项为第一参数与运行指标数据的融合；指数函数的自变量为指数拟合参数与运行指标数据的融合。
在一些实施例中，模型确定模块，还用于确定至少一个测试服务器的模型比例参数；将模型比例参数、线性拟合参数和指数拟合参数带入至其他服务器对应的能耗预测训练模型，得到能耗预测模型。
在一些实施例中，模型确定模块，还用于根据对至少一个测试服务器进行全负载测试时使用的负载测试数据，和利用负载测试数据进行全负载测试后得到的能耗测试数据的变化关系，对至少一个测试服务器的能耗预测训练模型进行模型训练，得到模型比例参数。
在一些实施例中，能耗预测模块，还用于将服务器在实际运行时段内的运行指标数据带入至能耗预测模型中进行能耗计算，得到预测的能耗信息；其中，能耗信息是根据能耗预测模型中的第一融合项和第二融合项加权确定的；第一融合项，是根据模型比例参数与多项式函数确定的；第二融合项，是根据模型比例参数与指数函数确定的。
第三方面，本申请提供了一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行该计算机程序时实现上述的能耗预测方法中的步骤。
第四方面，本申请提供了一种计算机可读存储介质，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上述的能耗预测方法中的步骤。
第五方面，本申请提供了一种计算机程序产品，计算机程序产品包括计算机程序，该计算机程序被处理器执行时实现本上述的能耗预测方法中的步骤。
上述能耗预测方法、装置、计算机设备、存储介质和计算机程序产品，确定各服务器在预设运行时段内的运行指标数据。由于服务器能耗在低负载和高负载的变化规律不同，因此需要对各服务器中的至少一个测试服务器进行全区间的负载测试，以得到各个负载下对应的能耗测试数据。此外，由于服务器在低负载时与运行指标数据的关系多为指数关系，服务器在高负载时与运行指标数据的关系多为线性关系，因此可以利用以上规律，根据至少一个测试服务器对应的运行指标数据和能耗测试数据，确定线性拟合参数和指数拟合参数，从而使根据线性拟合参数和指数拟合参数所确定的能耗预测模型预测出的能耗更符合服务器的能耗变化情况，从而提高通过能耗预测模型对服务器在实际运行时段内的运行指标数据进行能耗预测的准确性。
附图说明
图1为本申请实施例提供的一种能耗预测方法的流程示意图；
图2为本申请实施例提供的另一种能耗预测方法的流程示意图；
图3为本申请实施例提供的一种能耗预测装置的结构框图；
图4为本申请实施例提供的另一种能耗预测装置的结构框图；
图5为本申请实施例提供的一种计算机设备的内部结构图；
图6为本申请实施例提供的另一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
些实施例中，如图1所示，提供了一种能耗预测方法，本实施例以该方法应用于计算机设备进行举例说明，可以理解的是，该计算机设备可以是服务器或终端，该方法可以由服务器或终端单独实现，也可以通过服务器和终端之间的交互来实现。本实施例中，该方法包括以下步骤：
步骤102，确定各服务器在预设运行时段内的运行指标数据。
其中，预设运行时间段，指的是各服务器在运行过程中的指定时间段，比如历史时间段。运行指标数据，指的是服务器的各硬件组件在预设运行时间段内对应的、用于表征各硬件组件各自运行情况的运行指标。在一些实施例中，运行指标数据指的是服务器中各硬件组件的使用率。
在实际应用中，服务器中的硬件组件包括内存、磁盘或CPU等中的至少一种。对应的，运行指标数据包括内存利用率、磁盘利用率、CPU利用率或网络利用率等中的至少一种。
具体地，计算机设备可以直接将收集到的各服务器在预设运行时间段内的初始运行指标数据确定为各服务器的运行指标数据。计算机设备还可以先对收集到的初始运行指标数据进行指标筛选，以将保留的初始运行指标数据确定为指标运行数据。
步骤104，对各服务器中的至少一个测试服务器进行全负载测试，得到至少一个测试服务器在相应负载下的能耗测试数据。
其中，测试服务器，指的是从各服务器中选取的至少一个用于进行全负载测试的服务器。全负载测试，指的是通过不断调整测试服务器的负载，对测试服务器在各个调整的负载下对应的能耗进行测试，以得到对应的能耗数据，即能耗测试数据。
在一些实施例中，可以调整测试服务器在不同负载使用率，并记录测试服务器在不同负载使用率下的能耗变化。比如，可以调整测试服务器的负载使用率从0％缓慢增加到100％，并记录其在不同负载使用率下的能耗变化，得到负载使用率与能耗测试数据的变化关系。
具体地，计算机设备从各服务器中选取至少一个测试服务器，分别对选取的至少一个测试服务器进行全负载测试，以分别得到各测试服务器在相应负载下的能耗测试数据。
步骤106，根据至少一个测试服务器对应的运行指标数据和能耗测试数据，确定线性拟合参数和指数拟合参数。
其中，线性拟合参数，指的是用于进行线性的曲线拟合时所使用的拟合参数。指数拟合参数，指的是用于进行指数的曲线拟合时所使用的拟合参数。
需要说明的是，由于服务器的能耗在低负载下和高负载下的变化规律不同，比如，服务器在低负载时与运行指标数据的关系多为指数关系，服务器在高负载时与运行指标数据的关系多为线性关系。因此，仅采用单一的曲线拟合，并根据曲线拟合情况对服务器进行进行能耗预测的方式，是不符合服务器实际的能耗变化情况的。针对以上情况，本申请实施例考虑同时采用多项式+指数的混合进行曲线拟合的方式构建能耗预测模型，使构建的能耗预测模型更符合服务器实际的能耗变化情况。
具体地，计算机设备将至少一个测试服务器对应的运行指标数据和能耗测试数据带入至预构建的多项式+指数混合模型中，可计算得到测试服务器的线性拟合参数和指数拟合参数。
步骤108，根据线性拟合参数和指数拟合参数，确定能耗预测模型。
其中，能耗预测模型，指的是可以对全量服务器中的各服务器进行能耗预测的模型。全量服务器，指的是集群中包含的所有服务器或者主机。
具体地，计算机设备可以直接将确定的线性拟合参数和指数拟合参数带入至其他服务器对应的能耗预测训练模型，得到能耗预测模型。计算机设备还可以先对至少一个测试服务器的能耗预测训练模型进行模型训练，以确定各能耗预测训练模型的模型比例参数，再将确定的线性拟合参数、指数拟合参数和模型比例参数带入至其他服务器对应的能耗预测训练模型，得到能耗预测模型。
步骤110，通过能耗预测模型对服务器在实际运行时段内的运行指标数据进行能耗预测，得到预测的能耗信息。
其中，实际运行时段，指的是在确定能耗预测模型之后，各服务器在运行过程中的指定时间段，比如当前时间段，或者未来时间段。
能耗，即能源消耗量，指的是单位时间内能量的损耗。
具体地，计算机设备收集服务器在实际运行时段内的运行指标数据，并将收集到的运行指标数据输入至能耗预测模型，以通过能耗预测模型根据运行指标数据对服务器在实际运行时段内产生的能耗进行预测，得到预测的能耗信息。
上述能耗预测方法，确定各服务器在预设运行时段内的运行指标数据。由于服务器能耗在低负载和高负载的变化规律不同，因此需要对各服务器中的至少一个测试服务器进行全区间的负载测试，以得到各个负载下对应的能耗测试数据。此外，由于服务器在低负载时与运行指标数据的关系多为指数关系，服务器在高负载时与运行指标数据的关系多为线性关系，因此可以利用以上规律，根据至少一个测试服务器对应的运行指标数据和能耗测试数据，确定线性拟合参数和指数拟合参数，从而使根据线性拟合参数和指数拟合参数所确定的能耗预测模型预测出的能耗更符合服务器的能耗变化情况，从而提高通过能耗预测模型对服务器在实际运行时段内的运行指标数据进行能耗预测的准确性。
在一些实施例中，步骤102具体包括但不限于包括：获取各服务器在预设运行时段内的初始运行指标数据；针对每个服务器中的当前服务器，利用信息熵对当前服务器的初始运行指标数据进行指标筛选，将信息熵大于或等于信息熵阈值的初始运行指标数据确定为与当前服务器的能耗强相关的运行指标数据。
其中，初始运行指标数据，指的是计算机设备直接收集到的运行指标数据。运行指标数据，指的是计算机设备对初始运行指标数据进行指标筛选后，所保留的初始运行指标数据。
信息熵，表示信息价值的高低，信息熵越大，则表示所包含的信息量越大。
在一些实施例中，在对初始运行指标数据进行指标筛选之前，还可以先对初始运行指标数据进行预处理，比如对初始运行指标数据进行归一化处理，或者通过缺失值规则填充没有收集到的初始运行指标数据等，得到预处理后的初始运行指标数据。之后，再对预处理后的初始运行指标数据进行指标筛选，得到运行指标数据。
具体地，针对每个服务器中的当前服务器，计算机设备计算初始运行指标数据，或者计算预处理后的初始运行指标数据的信息熵。计算机设备根据各初始运行指标数据的信息熵大小，筛选出信息熵比较大的初始运行指标数据，即，将信息熵大于或等于信息熵阈值的初始运行指标数据确定为对当前服务器的能耗影响较大，即与当前服务器的能耗强相关的运行指标数据。
需要说明的是，不同服务器自身负载变化不同，承担的任务可能是CPU密集型、内存密集型或者计算机接口密集型。因此，使用全部的初始运行指标数据进行模型训练，会影响模型准确率。考虑到以上情况，本申请实施例在进行模型训练之前，需要利用信息熵对服务器运行指标筛选，保留对能耗影响较大的初始运行指标数据，实现重要指标的筛选，剔除掉不重要的指标，排除不重要指标的干扰，能够提高后续能耗预测的准确性。此外，减少训练指标可以缩短后续能耗预测模型的运行时间，还能提高效率。
在一些实施例中，初始运行指标的信息熵可以通过如下公式(1)进行计算：
其中，X代表随机事件或者随机变量，X的可能取值为X＝{x1,x2,…,xk}，H(X)为信息熵，p(xi)代表xi发生的概率。
在一些实施例中，本申请的能耗预测方法具体还包括但不限于包括：针对每个服务器中的当前服务器，计算当前服务器中的各硬件组件下分别对应的运行指标数据的信息熵总和；将信息熵总和最大的硬件组件作为当前服务器的硬件依赖标签。
其中，硬件依赖标签用于表示对应的服务器的能耗主要受到某个硬件组件的影响，用于为后续的模型训练提供运行指标数据的选取参考，从而根据选取的运行指标数据训练当前服务器对应的能耗预测训练模型。
具体地，计算机设备针对每个服务器中的当前服务器，确定当前服务器中各硬件组件下分别对应的运行指标数据，并计算各硬件组件下分别对应的运行指标数据的信息熵总和。计算机设备将信息熵总和最大的硬件组件作为当前服务器的硬件依赖标签，以表示服务器的能耗主要受到哪一硬件组件的影响，能够便于后续对不同服务器进行针对性的模型训练。
示例性的，假设服务器中的各硬件组件包括CPU和内存，在选取包括CPU和内存等相关指标的信息熵之后，若CPU的信息熵较大，则可以确定服务器为CPU依赖，若内存的信息熵较大，则可以确定服务器为内存依赖。通过以上方式确定的依赖标签为后续的模型训练提供指标选取参考，若服务器为CPU依赖，则使用与CPU相关的运行指标数据进行模型训练，若服务器为内存依赖，则使用与内存相关的运行指标数据进行模型训练，更具有针对性。
在一些实施例中，线性拟合参数包括第一参数和第二参数。步骤106具体包括但不限于包括：将运行指标数据和能耗测试数据带入至预构建的多项式指数函数中进行曲线拟合，以确定拟合的线性拟合参数和指数拟合参数。
其中，能耗测试数据为多项式指数函数的值；多项式指数函数，是根据多项式函数与指数函数加权确定的；多项式函数，是根据融合项与第二参数加权确定的；融合项为第一参数与运行指标数据的融合；指数函数的自变量为指数拟合参数与运行指标数据的融合。
具体地，计算机设备分别将多组运行指标数据和能耗测试数据带入至预构建的多项式指数函数中进行曲线拟合，以根据曲线拟合的情况确定线性拟合参数和指数拟合参数。由于，服务器的能耗随着负载呈现非线性的变化，比如，在低负载时为线性变化，在高负载时为非线性变化，为了满足变化要求，本申请实施例采用多项式指数函数做曲线拟合，这比单一的线性函数效果更好。
在一些实施例中，预构建的多项式指数函数如下列公式(2)所示：
其中，xi为选取的运行指标数据，f(x)为能耗测试数据，a为第一参数，b为第二参数，c为指数拟合参数，axi为融合项，axi+b为多项式函数，为底数为e的指数函数。
在一些实施例中，步骤108具体包括但不限于包括：确定至少一个测试服务器的模型比例参数；将模型比例参数、线性拟合参数和指数拟合参数带入至其他服务器对应的能耗预测训练模型，得到能耗预测模型。
其中，模型比例参数，指的是能耗预测模型的参数比例，用于提高能耗预测模型的准确性。
具体地，计算机设备通过对部分服务器进行预训练，确定能耗预测模型的模型比例参数。计算机设备将模型比例参数、线性拟合参数和指数拟合参数带入至其他服务器对应的能耗预测训练模型，得到能耗预测模型。
需要说明的是，在实际应用中，服务器负载只在一定范围内波动，即，服务器负载变化的范围较小，需要借助集群中的其他服务器预训练出能耗预测模型的模型比例参数，这更符合集群中各服务器的运行情况，可以改善模型应用的效果，提高通过能耗预测模型进行能耗预测的准确性。
在一些实施例中，步骤“确定至少一个测试服务器的模型比例参数”具体包括但不限于包括：根据对至少一个测试服务器进行全负载测试时使用的负载测试数据，和利用负载测试数据进行全负载测试后得到的能耗测试数据的变化关系，对至少一个测试服务器的能耗预测训练模型进行模型训练，得到模型比例参数。
具体地，计算机设备根据对至少一个测试服务器进行全负载测试时使用的负载测试数据，以及利用负载测试数据对测试服务器进行全负载测试后得到的能耗测试数据之间的变化情况，对至少一个测试服务器的能耗预测模型进行模型训练，得到模型比例参数，根据模型比例参数可以提高能耗预测模型进行能耗预测的准确性。
在一些实施例中，在确定出能耗预测模型的线性拟合参数和指数拟合参数之后，可通过将确定的线性拟合参数、指数拟合参数、选取的多组运行指标数据和能耗测试数据带入至公式(3)中，以确定能耗预测模型的模型比例参数。在另一些实施例中，还可以直接将选取的多组运行指标数据和能耗测试数据带入至公式(3)，以同时计算得到能耗预测模型的线性拟合参数、指数拟合参数和模型比例参数。
其中，xi为选取的运行指标数据，f(x)为能耗测试数据，a为第一参数，b为第二参数，c为指数拟合参数，δ为模型比例参数。
在一些实施例中，步骤110具体包括但不限于包括：将服务器在实际运行时段内的运行指标数据带入至能耗预测模型中进行能耗计算，得到预测的能耗信息。
其中，能耗信息是根据能耗预测模型中的第一融合项和第二融合项加权确定的；第一融合项，是根据模型比例参数与多项式函数确定的；第二融合项，是根据模型比例参数与指数函数确定的。
具体地，在确定好线性拟合参数、指数拟合参数和模型比例参数后，就可以得到全量服务器的能耗预测模型。在得到能耗预测模型之后，计算机设备将服务器在实际运行时段内的运行指标数据带入至确定好的能耗预测模型中进行能耗计算，以得到对服务器进行能耗预测的能耗信息。
在一些实施例中，能耗预测模型可以是如公式(3)所示的能耗预测函数。其中，公式(3)中的xi表示服务器在实际运行时间段内的运行指标数据，f(x)为实际预测的能耗信息，δ(axi+b)为第一融合项，为第二融合项，δ为模型比例参数，axi+b为多项式函数，/>为底数为e的指数函数。
在一些实施例中，如图2所示。本申请的能耗预测方法具体还包括但不限于包括：收集服务器的初始运行指标数据，计算各初始运行指标数据的信息熵。提取信息熵较大的初始运行指标数据，得到运行指标数据。如需要进行针对性地进行模型训练，可根据运行指标数据的信息熵输出服务器的硬件依赖标签。之后，对测试服务器进行预训练，得到模型比例参数。将运行指标数据和模型比例参数带入全量服务器，以训练服务器的能耗预测模型。最后，通过能耗预测模型预测并输出服务器在实际运行时间段内产生的能耗信息。
在一些实施例中，本申请的能耗预测方法具体还包括但不限于包括以下步骤：
(1)获取各服务器的各服务器在预设运行时段内的初始运行指标数据。
(2)针对每个服务器中的当前服务器，利用信息熵对当前服务器的初始运行指标数据进行指标筛选，将信息熵大于或等于信息熵阈值的初始运行指标数据确定为与当前服务器的能耗强相关的运行指标数据。
(3)对各服务器中的至少一个测试服务器进行全负载测试，得到至少一个测试服务器在相应负载下的能耗测试数据。
(4)将至少一个测试服务器对应的运行指标数据和能耗测试数据带入至预构建的多项式指数函数中进行曲线拟合，以确定拟合的线性拟合参数和指数拟合参数。
(5)根据对至少一个测试服务器进行全负载测试时使用的负载测试数据，和利用负载测试数据进行全负载测试后得到的能耗测试数据的变化关系，对至少一个测试服务器的能耗预测训练模型进行模型训练，得到模型比例参数。
(6)将模型比例参数、线性拟合参数和指数拟合参数带入至其他服务器对应的能耗预测训练模型，得到能耗预测模型。
(7)将服务器在实际运行时段内的运行指标数据带入至能耗预测模型中进行能耗计算，得到预测的能耗信息。
应该理解的是，虽然如上述的各实施例所涉及的流程图中的各步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种能耗预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个能耗预测装置实施例中的具体限定可以参见上文中对于能耗预测方法的限定，在此不再赘述。
如图3所示，本申请实施例提供了一种能耗预测装置，包括：指标确定模块302、负载测试模块304、参数确定模块306、模型确定模块308和能耗预测模块310，其中：
指标确定模块302，用于确定各服务器在预设运行时段内的运行指标数据；
负载测试模块304，用于对各服务器中的至少一个测试服务器进行全负载测试，得到至少一个测试服务器在相应负载下的能耗测试数据；
参数确定模块306，用于根据至少一个测试服务器对应的运行指标数据和能耗测试数据，确定线性拟合参数和指数拟合参数；
模型确定模块308，用于根据线性拟合参数和指数拟合参数，确定能耗预测模型；
能耗预测模块310，用于通过能耗预测模型对服务器在实际运行时段内的运行指标数据进行能耗预测，得到预测的能耗信息。
上述能耗预测装置，确定各服务器在预设运行时段内的运行指标数据。由于服务器能耗在低负载和高负载的变化规律不同，因此需要对各服务器中的至少一个测试服务器进行全区间的负载测试，以得到各个负载下对应的能耗测试数据。此外，由于服务器在低负载时与运行指标数据的关系多为指数关系，服务器在高负载时与运行指标数据的关系多为线性关系，因此可以利用以上规律，根据至少一个测试服务器对应的运行指标数据和能耗测试数据，确定线性拟合参数和指数拟合参数，从而使根据线性拟合参数和指数拟合参数所确定的能耗预测模型预测出的能耗更符合服务器的能耗变化情况，从而提高通过能耗预测模型对服务器在实际运行时段内的运行指标数据进行能耗预测的准确性。
在一些实施例中，指标确定模块302，还用于获取各服务器在预设运行时段内的初始运行指标数据；针对每个服务器中的当前服务器，利用信息熵对当前服务器的初始运行指标数据进行指标筛选，将信息熵大于或等于信息熵阈值的初始运行指标数据确定为与当前服务器的能耗强相关的运行指标数据。
在一些实施例中，如图4所示，本申请的能耗预测装置还包括标签确定模块312，标签确定模块312用于获取各服务器在预设运行时段内的初始运行指标数据；针对每个服务器中的当前服务器，利用信息熵对当前服务器的初始运行指标数据进行指标筛选，将信息熵大于或等于信息熵阈值的初始运行指标数据确定为与当前服务器的能耗强相关的运行指标数据。
在一些实施例中，线性拟合参数包括第一参数和第二参数。参数确定模块306，还用于将运行指标数据和能耗测试数据带入至预构建的多项式指数函数中进行曲线拟合，以确定拟合的线性拟合参数和指数拟合参数；其中，能耗测试数据为多项式指数函数的值；多项式指数函数，是根据多项式函数与指数函数加权确定的；多项式函数，是根据融合项与第二参数加权确定的；融合项为第一参数与运行指标数据的融合；指数函数的自变量为指数拟合参数与运行指标数据的融合。
在一些实施例中，模型确定模块308，还用于确定至少一个测试服务器的模型比例参数；将模型比例参数、线性拟合参数和指数拟合参数带入至其他服务器对应的能耗预测训练模型，得到能耗预测模型。
在一些实施例中，模型确定模块308，还用于根据对至少一个测试服务器进行全负载测试时使用的负载测试数据，和利用负载测试数据进行全负载测试后得到的能耗测试数据的变化关系，对至少一个测试服务器的能耗预测训练模型进行模型训练，得到模型比例参数。
在一些实施例中，能耗预测模块310，还用于将服务器在实际运行时段内的运行指标数据带入至能耗预测模型中进行能耗计算，得到预测的能耗信息；其中，能耗信息是根据能耗预测模型中的第一融合项和第二融合项加权确定的；第一融合项，是根据模型比例参数与多项式函数确定的；第二融合项，是根据模型比例参数与指数函数确定的。
上述能耗预测装置中的各模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌于或独立于计算机设备中的处理器，也可以以软件形式存储于计算机设备中的存储器，以便于处理器调用执行以上各模块对应的操作。
在一些实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)及通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储与能耗预测相关的数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述的能耗预测方法中的步骤。
在一些实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元及输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现上述的能耗预测方法中的步骤。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏；该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5或图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一些实施例中，提供了一种计算机设备，该计算机设备包括存储器和处理器，存储器存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一些实施例中，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计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一些实施例中，提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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，是可以通过计算机程序来指令相关的硬件来完成，所述计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种能耗预测方法，其特征在于，所述方法包括：
确定各服务器在预设运行时段内的运行指标数据；
对所述各服务器中的至少一个测试服务器进行全负载测试，得到所述至少一个测试服务器在相应负载下的能耗测试数据；
根据所述至少一个测试服务器对应的运行指标数据和能耗测试数据，确定线性拟合参数和指数拟合参数；
根据所述线性拟合参数和所述指数拟合参数，确定能耗预测模型；
通过所述能耗预测模型对服务器在实际运行时段内的运行指标数据进行能耗预测，得到预测的能耗信息。
2.根据权利要求1所述的方法，其特征在于，所述确定各服务器在预设运行时段内的运行指标数据，包括：
获取所述各服务器在预设运行时段内的初始运行指标数据；
针对每个服务器中的当前服务器，利用信息熵对当前服务器的初始运行指标数据进行指标筛选，将信息熵大于或等于信息熵阈值的初始运行指标数据确定为与当前服务器的能耗强相关的运行指标数据。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
针对每个服务器中的当前服务器，计算当前服务器中的各硬件组件下分别对应的运行指标数据的信息熵总和；
将信息熵总和最大的硬件组件作为当前服务器的硬件依赖标签；所述硬件依赖标签用于训练当前服务器对应的能耗预测训练模型。
4.根据权利要求1所述的方法，其特征在于，所述线性拟合参数包括第一参数和第二参数；所述根据所述至少一个测试服务器对应的运行指标数据和能耗测试数据，确定线性拟合参数和指数拟合参数，包括：
将所述运行指标数据和能耗测试数据带入至预构建的多项式指数函数中进行曲线拟合，以确定拟合的线性拟合参数和指数拟合参数；
其中，所述能耗测试数据为所述多项式指数函数的值；所述多项式指数函数，是根据多项式函数与指数函数加权确定的；所述多项式函数，是根据融合项与所述第二参数加权确定的；所述融合项为所述第一参数与所述运行指标数据的融合；所述指数函数的自变量为指数拟合参数与所述运行指标数据的融合。
5.根据权利要求1所述的方法，其特征在于，所述根据所述线性拟合参数和所述指数拟合参数，确定能耗预测模型，包括：
确定所述至少一个测试服务器的模型比例参数；
将所述模型比例参数、所述线性拟合参数和所述指数拟合参数带入至其他服务器对应的能耗预测训练模型，得到能耗预测模型。
6.根据权利要求5所述的方法，其特征在于，所述确定所述至少一个测试服务器的模型比例参数，包括：
根据对所述至少一个测试服务器进行全负载测试时使用的负载测试数据，和利用所述负载测试数据进行全负载测试后得到的能耗测试数据的变化关系，对所述至少一个测试服务器的能耗预测训练模型进行模型训练，得到模型比例参数。
7.根据权利要求1至6任一项所述的方法，其特征在于，所述通过所述能耗预测模型对服务器在实际运行时段内的运行指标数据进行能耗预测，得到预测的能耗信息，包括：
将服务器在实际运行时段内的运行指标数据带入至能耗预测模型中进行能耗计算，得到预测的能耗信息；
其中，所述能耗信息是根据所述能耗预测模型中的第一融合项和第二融合项加权确定的；所述第一融合项，是根据所述模型比例参数与多项式函数确定的；所述第二融合项，是根据所述模型比例参数与指数函数确定的。
8.一种能耗预测装置，其特征在于，所述装置包括：
指标确定模块，用于确定各服务器在预设运行时段内的运行指标数据；
负载测试模块，用于对所述各服务器中的至少一个测试服务器进行全负载测试，得到所述至少一个测试服务器在相应负载下的能耗测试数据；
参数确定模块，用于根据所述至少一个测试服务器对应的运行指标数据和能耗测试数据，确定线性拟合参数和指数拟合参数；
模型确定模块，用于根据所述线性拟合参数和所述指数拟合参数，确定能耗预测模型；
能耗预测模块，用于通过所述能耗预测模型对服务器在实际运行时段内的运行指标数据进行能耗预测，得到预测的能耗信息。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，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至7中任一项所述的方法的步骤。
CN202310572436.7A 2023-05-19 2023-05-19 能耗预测方法、装置、计算机设备和存储介质 Pending CN116991639A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310572436.7A CN116991639A (zh) 2023-05-19 2023-05-19 能耗预测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310572436.7A CN116991639A (zh) 2023-05-19 2023-05-19 能耗预测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN116991639A true CN116991639A (zh) 2023-11-03

Family

ID=88527258

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310572436.7A Pending CN116991639A (zh) 2023-05-19 2023-05-19 能耗预测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN116991639A (zh)

Similar Documents

Publication Publication Date Title
CN117078480A (zh) 碳排放量监测方法、装置、设备、存储介质和计算机产品
CN117435130A (zh) 金融数据存储方法、装置、计算机设备和存储介质
CN116894721A (zh) 一种指标预测方法、装置、计算机设备
CN116626504A (zh) 动力电池性能确定方法、装置、计算机设备和存储介质
CN108229572B (zh) 一种参数寻优方法及计算设备
CN116991639A (zh) 能耗预测方法、装置、计算机设备和存储介质
CN116191398A (zh) 负荷预测方法、装置、计算机设备和存储介质
CN115619261A (zh) 一种作业标签画像数据处理方法、装置、计算机设备
CN113360218A (zh) 一种业务方案选择方法、装置、设备以及存储介质
CN116630629B (zh) 基于域适应的语义分割方法、装置、设备及存储介质
CN116186417B (zh) 推荐方法、装置、计算机设备和存储介质
CN117076748B (zh) 数据采集方法、装置、计算机设备、存储介质
CN118154300A (zh) 抵质押参数处理方法、装置、计算机设备和存储介质
CN117436974A (zh) 产品推荐方法、装置、计算机设备和存储介质
CN118248358A (zh) 指套管磨损维护方法、装置、设备、介质和程序产品
CN117424198A (zh) 基于数据知识联合驱动的电力负荷预测方法和装置
CN117389780A (zh) 换流站故障分析方法、装置、计算机设备和存储介质
CN117495128A (zh) 用电数据预测方法、装置、计算机设备和存储介质
CN116739758A (zh) 风险事件评定方式确定方法、装置、设备和存储介质
CN117911172A (zh) 财务数据处理方法、装置、计算机设备和存储介质
CN118132091A (zh) 业务模型的处理方法、装置、计算机设备和存储介质
CN118115025A (zh) 业务目标数据调整方法、装置、计算机设备、介质和产品
CN117114890A (zh) 资源信息处理方法、装置、计算机设备和存储介质
CN116881543A (zh) 金融资源对象推荐方法、装置、设备、存储介质和产品
CN117853217A (zh) 数据隐私保护的金融违约率预测方法、装置以及设备

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