CN117111715A - 一种计算机能耗的管控方法、装置及设备 - Google Patents
一种计算机能耗的管控方法、装置及设备 Download PDFInfo
- Publication number
- CN117111715A CN117111715A CN202311007347.4A CN202311007347A CN117111715A CN 117111715 A CN117111715 A CN 117111715A CN 202311007347 A CN202311007347 A CN 202311007347A CN 117111715 A CN117111715 A CN 117111715A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- computer
- parameter information
- information
- target computer
- 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 244
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 17
- 230000001276 controlling effect Effects 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000009467 reduction Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001052 transient effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例公开了一种计算机能耗的管控方法、装置及设备,该方法包括:获取目标计算机当前的运行参数信息和/或环境参数信息;将所述运行参数信息和/或环境参数信息输入到预先训练的能耗预测模型中,得到所述目标计算机的能耗信息;基于所述目标计算机的能耗信息,确定与所述目标计算机的能耗信息相匹配的能源管理策略,基于确定的能源管理策略对所述目标计算机进行能耗管控处理。
Description
技术领域
本文件涉及计算机技术领域,尤其涉及一种计算机能耗的管控方法、装置及设备。
背景技术
近年来,由于信息技术的迅速发展,计算机的普及率不断提高,但与此同时,能源消耗量也随之增加。传统计算机的能源消耗主要来源于其运转时的电力供应,而电力的生产也需要消耗大量的非可再生能源,如煤炭、石油等。因此,旨在通过减少计算机能源的消耗,降低对环境的影响,提高计算机的可持续性的绿色计算成为了一个备受关注的领域。为此,需要提供一种能够减少计算机能源的消耗,降低对环境的影响,提高计算机的可持续性的绿色计算的技术方案。
发明内容
本说明书实施例的目的是提供一种能够减少计算机能源的消耗,降低对环境的影响,提高计算机的可持续性的绿色计算的技术方案。
为了实现上述技术方案,本说明书实施例是这样实现的:
本说明书实施例提供的一种计算机能耗的管控方法,所述方法包括:获取目标计算机当前的运行参数信息和/或环境参数信息。将所述运行参数信息和/或环境参数信息输入到预先训练的能耗预测模型中,得到所述目标计算机的能耗信息。基于所述目标计算机的能耗信息,确定与所述目标计算机的能耗信息相匹配的能源管理策略,基于确定的能源管理策略对所述目标计算机进行能耗管控处理。
本说明书实施例提供的一种计算机能耗的管控装置,所述装置包括:参数获取模块,获取目标计算机当前的运行参数信息和/或环境参数信息。能耗确定模块,将所述运行参数信息和/或环境参数信息输入到预先训练的能耗预测模型中,得到所述目标计算机的能耗信息。能耗管控模块,基于所述目标计算机的能耗信息,确定与所述目标计算机的能耗信息相匹配的能源管理策略,基于确定的能源管理策略对所述目标计算机进行能耗管控处理。
本说明书实施例提供的一种计算机能耗的管控设备,所述计算机能耗的管控设备包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:获取目标计算机当前的运行参数信息和/或环境参数信息。将所述运行参数信息和/或环境参数信息输入到预先训练的能耗预测模型中,得到所述目标计算机的能耗信息。基于所述目标计算机的能耗信息,确定与所述目标计算机的能耗信息相匹配的能源管理策略,基于确定的能源管理策略对所述目标计算机进行能耗管控处理。
本说明书实施例还提供了一种存储介质,所述存储介质用于存储计算机可执行指令,所述可执行指令在被处理器执行时实现以下流程:获取目标计算机当前的运行参数信息和/或环境参数信息。将所述运行参数信息和/或环境参数信息输入到预先训练的能耗预测模型中,得到所述目标计算机的能耗信息。基于所述目标计算机的能耗信息,确定与所述目标计算机的能耗信息相匹配的能源管理策略,基于确定的能源管理策略对所述目标计算机进行能耗管控处理。
附图说明
为了更清楚地说明本说明书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说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图;
图1为本说明书一种计算机能耗的管控系统的结构示意图;
图2A为本说明书一种计算机能耗的管控方法实施例;
图2B为本说明书一种计算机能耗的管控过程的示意图;
图3为本说明书另一种计算机能耗的管控过程的示意图;
图4为本说明书一种计算机能耗的管控装置实施例;
图5为本说明书一种计算机能耗的管控设备实施例。
具体实施方式
本说明书实施例提供一种计算机能耗的管控方法、装置及设备。
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都应当属于本说明书保护的范围。
本说明书实施例提供一种计算机能耗的管控机制,如图1所示,其系统架构可以包括目标计算机和管控设备。近年来,由于信息技术的迅速发展,计算机的普及率不断提高,但与此同时,能源消耗量也随之增加。传统计算机的能源消耗主要来源于其运转时的电力供应,而电力的生产也需要消耗大量的非可再生能源,如煤炭、石油等。因此,旨在通过减少计算机能源的消耗,降低对环境的影响,提高计算机的可持续性的绿色计算(可以是指在计算机系统设计、构建和使用过程中,采用节能、环保和可持续的方式,以最小化计算机对环境的影响的计算方式)成为了一个备受关注的领域。图1所示的系统架构可以实现上述绿色计算,其中,管控设备中可以包括能够预测目标计算机的能耗的能耗预测模型,目标计算机可以向管控设备提供需要的参数信息,管控设备可以基于上述参数信息训练能耗预测模型,并基于上述参数信息预测目标计算机的能耗信息,以此可以基于该能耗信息运行相应的能源管控策略对目标计算机进行能耗管控。具体处理可以参见下述实施例中的具体内容。
实施例一
如图2A和图2B所示,本说明书实施例提供一种计算机能耗的管控方法,该方法的执行主体可以为图1中的管控设备,该管控设备可以为终端设备或服务器等,其中的终端设备可以如手机、平板电脑等移动终端设备,还可以如笔记本电脑或台式电脑等计算机设备,或者,也可以为IoT设备(具体如智能手表、车载设备等)等,其中的服务器可以是独立的一个服务器,还可以是由多个服务器构成的服务器集群等,该服务器可以是如金融业务或网络购物业务等的后台服务器,也可以是某应用程序的后台服务器等。图1中以执行主体为服务器为例来体现。该方法具体可以包括以下步骤:
在步骤S202中,获取目标计算机当前的运行参数信息和/或环境参数信息。
其中,目标计算机当前的运行参数信息可以是目标计算机运行时产生的参数信息,例如,目标计算机当前的运行参数信息可以包括运行速度、运行功率、CPU频率、CPU负载信息、内存使用率、内存容量、硬盘空间和显卡性能等中的一个或多个,其中的CPU频率可以是指处理器的时钟频率,CPU频率表示处理器每秒钟能完成多少个计算周期;内存容量可以是指目标计算机可用的随机存取内存(RAM)的大小,内存容量决定了目标计算机可同时运行的程序和数据量;硬盘空间可以是指目标计算机的存储容量,硬盘可以存放操作系统、应用程序和用户文件等;显卡性能可以是指目标计算机的图形处理能力,影响着图形界面的显示效果和游戏运行流畅度等。目标计算机当前的环境参数信息可以是指目标计算机周围环境的参数信息,例如,目标计算机当前的环境参数信息可以包括空气湿度、空气酸碱度、温度、电磁强度、目标计算机的电流稳定性等中的一个或多个,具体可以根据实际情况设定。
在实施中,可以通过目标计算机获取目标计算机当前的运行参数信息和/或环境参数信息,具体地,目标计算机中可以设置有各种传感器(如温度传感器、湿度传感器、运行速度传感器、频率传感器、加速度传感器等)和各种检测组件(如硬件检测组件、显卡性能检测组件等),当需要确定目标计算机的能耗信息时,可以触发目标计算机启动相应的传感器和检测组件,可以通过各个不同的传感器和检测组件采集目标计算机当前的运行参数信息和/或环境参数信息,从而可以获取到目标计算机当前的运行参数信息和/或环境参数信息。
或者,也可以通过其它与目标计算机相连接的检测设备获取目标计算机当前的运行参数信息和/或环境参数信息,具体地,可以将其它检测设备与目标计算机相连接,当需要确定目标计算机的能耗信息时,可以触发上述相应的检测设备,可以通过各个不同的检测设备采集目标计算机当前的运行参数信息和/或环境参数信息,检测设备可以将采集到的运行参数信息和/或环境参数信息提供给管控设备,从而管控设备可以获取到目标计算机当前的运行参数信息和/或环境参数信息。
在步骤S204中,将上述运行参数信息和/或环境参数信息输入到预先训练的能耗预测模型中,得到目标计算机的能耗信息。
其中,能耗预测模型可以是通过指定算法构建的模型,其中的指定算法可以包括LASSO回归算法、随机森林算法、神经网络算法、支持向量机算法等,具体可以根据实际情况设定,本说明书实施例对此不做限定。能耗信息可以是指计算机在运行过程中所消耗的能量,通常以单位时间内的功率消耗量表示。
在实施中,在实施中,可以获取相应的算法,并可以基于该算法构建能耗预测模型,例如,可以基于神经网络算法构建能耗预测模型等。该能耗预测模型的输入数据可以为计算机当前的运行参数信息和/或环境参数信息,输出数据可以是计算机的能耗信息。然后,可以获取用于训练能耗预测模型的训练样本(即计算机历史的运行参数信息和/或环境参数信息等),可以使用该训练样本对相应的能耗预测模型进行训练,在进行训练的过程中,可以预先设定目标函数,可以基于该目标函数对能耗预测模型中的参数进行优化处理,最终得到训练后的能耗预测模型。
可以将上述运行参数信息和/或环境参数信息输入到预先训练的能耗预测模型中,通过能耗预测模型对上述运行参数信息和/或环境参数信息进行处理,最终可以输出经过能耗预测模型预测的结果,即目标计算机的能耗信息。
在步骤S206中,基于目标计算机的能耗信息,确定与目标计算机的能耗信息相匹配的能源管理策略,基于确定的能源管理策略对目标计算机进行能耗管控处理。
其中,能源管理策略可以是指采取一系列措施和方法,来控制计算机的能源消耗,以最小化计算机对环境的影响,同时保证计算机的性能和稳定性的策略。
在实施中,可以根据实际情况预先设定多种不同的能源管理策略,并可以设定能耗信息与能源管理策略之间的对应关系。当通过上述方式确定目标计算机的能耗信息后,可以在上述能耗信息与能源管理策略之间的对应关系中查找与目标计算机的能耗信息相匹配的能源管理策略。可以基于查找到的能源管理策略对目标计算机进行能耗管控处理,例如,可以降低目标计算机的运行频率,或者,可以减少或增加目标计算机的计算负载等,具体可以根据实际情况设定,本说明书实施例对此不做限定。
本说明书实施例提供一种计算机能耗的管控方法,通过获取目标计算机当前的运行参数信息和/或环境参数信息,将该运行参数信息和/或环境参数信息输入到预先训练的能耗预测模型中,得到目标计算机的能耗信息,最终,可以基于目标计算机的能耗信息,确定与目标计算机的能耗信息相匹配的能源管理策略,基于确定的能源管理策略对目标计算机进行能耗管控处理,这样,通过预测目标计算机在运行时的能耗信息,并基于预测结果采取相应的能源管理策略,实现对目标计算机能源消耗的优化,从而提高计算机的能源利用效率,降低能源消耗,实现对环境的保护,提高了计算机的可持续性的绿色计算。此外,本方案利用相对简单的机器学习算法和现有的硬件和软件资源,可以较为快速地实现绿色计算的目的,并且,可以通过使用机器学习算法来预测计算机在不同负载下的能源消耗,然后根据预测结果采取相应的能源管理策略来优化能源消耗,从而不仅能够根据实际的能源消耗情况进行优化,可以在不影响计算机性能的情况下实现能源消耗的降低,且不需要大量的数据来做模型与训练。
实施例二
如图3所示,本说明书实施例提供一种计算机能耗的管控方法,该方法的执行主体可以为图1中的管控设备,该管控设备可以为终端设备或服务器等,其中的终端设备可以如手机、平板电脑等移动终端设备,还可以如笔记本电脑或台式电脑等计算机设备,或者,也可以为IoT设备(具体如智能手表、车载设备等)等,其中的服务器可以是独立的一个服务器,还可以是由多个服务器构成的服务器集群等,该服务器可以是如金融业务或网络购物业务等的后台服务器,也可以是某应用程序的后台服务器等。该方法具体可以包括以下步骤:
在步骤S302中,获取一个或多个不同的计算机的历史运行参数信息和/或历史环境参数信息,以及与历史运行参数信息和/或历史环境参数信息对应的历史能耗信息。
其中,计算机可以为节能型计算机、服务器、数据中心中的计算机、具有嵌入式系统的计算机或构成智能家居系统的计算机等,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在实施中,每个计算机中可以预先设置有不同的传感器和/或检测组件,例如,温度传感器、湿度传感器、运行速度传感器、频率传感器、加速度传感器、硬件检测组件、显卡性能检测组件等,具体可以根据实际情况设定。可以通过每个计算机中预设的传感器和/或检测组件,采集不同计算机记录的运行参数信息和/或环境参数信息,以及与历史运行参数信息和/或历史环境参数信息对应的历史能耗信息。
基于上述获取的信息可以将历史运行参数信息和/或历史环境参数信息输入到能耗预测模型中,得到计算机的输出能耗信息,上述具体处理还可以通过下述步骤S304和步骤S306的处理实现。
在步骤S304中,对历史运行参数信息和/或历史环境参数信息进行预处理,得到预处理后的历史参数信息,预处理包括数据清洗处理、去噪处理、数据转换处理和标准化处理中的一种或多种。
其中,数据清洗处理可以包括检查数据一致性、处理无效值和缺失值等处理。去噪处理可以包括去除其中的噪声数据等处理。数据转换处理可以是将指定的数据转换为另一种类型的数据的处理。标准化处理可以是将数据转换为包括统一术语和格式,并可以设定规则等处理,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在步骤S306中,将预处理后的历史参数信息输入到能耗预测模型中,得到计算机的输出能耗信息。
其中,能耗预测模型可以是通过线性回归算法构建的模型,或者,能耗预测模型可以是通过决策树算法构建的模型。
在步骤S308中,基于计算机的输出能耗信息和历史能耗信息,通过预设的损失函数,确定相应的损失信息,并基于确定的损失信息调整能耗预测模型的模型参数,以对能耗预测模型进行模型训练,直到该损失函数收敛为止,得到训练后的能耗预测模型。
其中,损失函数可以包括多种,例如L2范数损失函数、交叉熵损失函数、平方损失函数等,具体可以根据实际情况设定,本说明书实施例对此不做限定。
在实施中,可以根据计算机的输出能耗信息和历史能耗信息,通过预设的损失函数,计算得到相应的损失信息,并可以根据确定的损失信息调整能耗预测模型的模型参数,得到参数调整后的能耗预测模型,然后,可以继续执行上述步骤S302~步骤S308的处理,以此对能耗预测模型进行模型训练,直到该损失函数收敛为止,得到训练后的能耗预测模型。
需要说明的是,可以根据实际情况将上述获取的数据构建相应的数据集,并可以对该数据集进行划分,得到不同的数据子集,其中可以包括训练数据子集和测试子集,训练数据子集中的数据可以用于对能耗预测模型进行模型训练,测试子集中的数据可以对训练后的能耗预测模型进行测试,如果测试通过,则可以将该训练后的能耗预测模型部署到相应的业务中,如果测试不通过,则可以继续对能耗预测模型进行模型训练。
通过上述方式得到训练后的能耗预测模型后,可以根据实际情况设定能耗信息与能源管理策略之间的对应关系,具体可以参见下述步骤S310~步骤S314的处理。
在步骤S310中,接收针对第一能源管理策略的配置请求,该配置请求中包括待配置的第一能源管理策略的标识和第一能源管理策略的配置信息。
其中,第一能源管理策略可以是任意的能源管理策略。第一能源管理策略的标识可以是第一能源管理策略的名称或编码等,具体可以根据实际情况设定。第一能源管理策略的配置信息可以包括多种,例如第一能源管理策略中的包含的内容,或者,第一能源管理策略中的条件等,具体可以根据实际情况设定。
在步骤S312中,从本地存储的能源管理策略中,通过上述标识查找相应的第一能源管理策略。
在步骤S314中,通过上述配置信息对查找到的第一能源管理策略的内容进行配置处理,得到配置后的第一能源管理策略,并使用配置后的第一能源管理策略替换查找到的第一能源管理策略。
在步骤S316中,通过目标计算机中预设的传感器和/或检测组件,采集目标计算机当前的运行参数信息和/或环境参数信息。
其中,目标计算机可以为节能型计算机、服务器、数据中心中的计算机、具有嵌入式系统的计算机或构成智能家居系统的计算机。
在步骤S318中,对上述运行参数信息和/或环境参数信息进行预处理,得到预处理后的参数信息,预处理包括数据清洗处理、去噪处理、数据转换处理和标准化处理中的一种或多种。
在步骤S320中,将预处理后的参数信息输入到能耗预测模型中,得到计算机的输出能耗信息。
在步骤S322中,基于目标计算机的能耗信息,确定与目标计算机的能耗信息相匹配的能源管理策略。
在步骤S324中,如果目标计算机的能耗信息指示目标计算机的能耗高于第一预设阈值,则基于确定的能源管理策略,将目标计算机的CPU频率下调到第一预设频率阈值以下和/或基于确定的能源管理策略,限制目标计算机的负载不超过第一预设负载阈值。
其中,第一预设阈值、第一预设频率阈值和第一预设负载阈值可以分别根据实际情况设定,本说明书实施例对此不做限定。
在步骤S326中,如果目标计算机的能耗信息指示目标计算机的能耗低于第二预设阈值,则基于确定的能源管理策略,上调目标计算机的CPU频率和/或基于确定的能源管理策略,增加目标计算机的负载。
其中,第二预设阈值可以根据实际情况设定,本说明书实施例对此不做限定。在实际应用中,第一预设阈值可以与第二预设阈值相同,也可以与第二预设阈值不同,具体可以根据实际情况设定。
本说明书实施例提供一种计算机能耗的管控方法,通过获取目标计算机当前的运行参数信息和/或环境参数信息,将该运行参数信息和/或环境参数信息输入到预先训练的能耗预测模型中,得到目标计算机的能耗信息,最终,可以基于目标计算机的能耗信息,确定与目标计算机的能耗信息相匹配的能源管理策略,基于确定的能源管理策略对目标计算机进行能耗管控处理,这样,通过预测目标计算机在运行时的能耗信息,并基于预测结果采取相应的能源管理策略,实现对目标计算机能源消耗的优化,从而提高计算机的能源利用效率,降低能源消耗,实现对环境的保护,提高了计算机的可持续性的绿色计算。此外,本方案利用相对简单的机器学习算法和现有的硬件和软件资源,可以较为快速地实现绿色计算的目的,并且,可以通过使用机器学习算法来预测计算机在不同负载下的能源消耗,然后根据预测结果采取相应的能源管理策略来优化能源消耗,从而不仅能够根据实际的能源消耗情况进行优化,可以在不影响计算机性能的情况下实现能源消耗的降低,且不需要大量的数据来做模型与训练。
实施例三
以上为本说明书实施例提供的计算机能耗的管控方法,基于同样的思路,本说明书实施例还提供一种计算机能耗的管控装置,如图4所示。
该计算机能耗的管控装置包括:参数获取模块401、能耗确定模块402和能耗管控模块403,其中:
参数获取模块401,获取目标计算机当前的运行参数信息和/或环境参数信息;
能耗确定模块402,将所述运行参数信息和/或环境参数信息输入到预先训练的能耗预测模型中,得到所述目标计算机的能耗信息;
能耗管控模块403,基于所述目标计算机的能耗信息,确定与所述目标计算机的能耗信息相匹配的能源管理策略,基于确定的能源管理策略对所述目标计算机进行能耗管控处理。
本说明书实施例中,所述装置还包括:
历史参数获取模块,获取一个或多个不同的计算机的历史运行参数信息和/或历史环境参数信息,以及与所述历史运行参数信息和/或所述历史环境参数信息对应的历史能耗信息;
预测模块,将所述历史运行参数信息和/或所述历史环境参数信息输入到能耗预测模型中,得到所述计算机的输出能耗信息;
训练模块,基于所述计算机的输出能耗信息和所述历史能耗信息,通过预设的损失函数,确定相应的损失信息,并基于确定的损失信息调整所述能耗预测模型的模型参数,以对所述能耗预测模型进行模型训练,直到所述损失函数收敛为止,得到训练后的能耗预测模型。
本说明书实施例中,所述装置还包括:
预处理模块,对所述历史运行参数信息和/或所述历史环境参数信息进行预处理,得到预处理后的参数信息,所述预处理包括数据清洗处理、去噪处理、数据转换处理和标准化处理中的一种或多种;
所述预测模块,将所述预处理后的参数信息输入到能耗预测模型中,得到所述计算机的输出能耗信息。
本说明书实施例中,所述参数获取模块401,通过所述目标计算机中预设的传感器和/或检测组件,采集所述目标计算机当前的运行参数信息和/或环境参数信息。
本说明书实施例中,所述能耗预测模型是通过线性回归算法构建的模型,或者,所述能耗预测模型是通过决策树算法构建的模型。
本说明书实施例中,所述目标计算机为节能型计算机、服务器、数据中心中的计算机、具有嵌入式系统的计算机或构成智能家居系统的计算机。
本说明书实施例中,如果所述目标计算机的能耗信息指示所述目标计算机的能耗高于第一预设阈值,则所述能耗管控模块403,基于确定的能源管理策略,将所述目标计算机的CPU频率下调到第一预设频率阈值以下和/或基于确定的能源管理策略,限制所述目标计算机的负载不超过第一预设负载阈值;
如果所述目标计算机的能耗信息指示所述目标计算机的能耗低于第二预设阈值,则所述能耗管控模块403,基于确定的能源管理策略,上调所述目标计算机的CPU频率和/或基于确定的能源管理策略,增加所述目标计算机的负载。
本说明书实施例中,所述装置还包括:
配置请求接收模块,接收针对第一能源管理策略的配置请求,所述配置请求中包括待配置的所述第一能源管理策略的标识和所述第一能源管理策略的配置信息;
查找模块,从本地存储的能源管理策略中,通过所述标识查找相应的第一能源管理策略;
策略替换模块,通过所述配置信息对查找到的第一能源管理策略的内容进行配置处理,得到配置后的第一能源管理策略,并使用配置后的第一能源管理策略替换查找到的第一能源管理策略。
本说明书实施例提供一种计算机能耗的管控装置,通过获取目标计算机当前的运行参数信息和/或环境参数信息,将该运行参数信息和/或环境参数信息输入到预先训练的能耗预测模型中,得到目标计算机的能耗信息,最终,可以基于目标计算机的能耗信息,确定与目标计算机的能耗信息相匹配的能源管理策略,基于确定的能源管理策略对目标计算机进行能耗管控处理,这样,通过预测目标计算机在运行时的能耗信息,并基于预测结果采取相应的能源管理策略,实现对目标计算机能源消耗的优化,从而提高计算机的能源利用效率,降低能源消耗,实现对环境的保护,提高了计算机的可持续性的绿色计算。此外,本方案利用相对简单的机器学习算法和现有的硬件和软件资源,可以较为快速地实现绿色计算的目的,并且,可以通过使用机器学习算法来预测计算机在不同负载下的能源消耗,然后根据预测结果采取相应的能源管理策略来优化能源消耗,从而不仅能够根据实际的能源消耗情况进行优化,可以在不影响计算机性能的情况下实现能源消耗的降低,且不需要大量的数据来做模型与训练。
实施例四
以上为本说明书实施例提供的计算机能耗的管控装置,基于同样的思路,本说明书实施例还提供一种计算机能耗的管控设备,如图5所示。
所述计算机能耗的管控设备可以为上述实施例提供管控设备,具体可以如终端设备或服务器等。
计算机能耗的管控设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器501和存储器502,存储器502中可以存储有一个或一个以上存储应用程序或数据。其中,存储器502可以是短暂存储或持久存储。存储在存储器502的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对计算机能耗的管控设备中的一系列计算机可执行指令。更进一步地,处理器501可以设置为与存储器502通信,在计算机能耗的管控设备上执行存储器502中的一系列计算机可执行指令。计算机能耗的管控设备还可以包括一个或一个以上电源503,一个或一个以上有线或无线网络接口504,一个或一个以上输入输出接口505,一个或一个以上键盘506。
具体在本实施例中,计算机能耗的管控设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对计算机能耗的管控设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取目标计算机当前的运行参数信息和/或环境参数信息;
将所述运行参数信息和/或环境参数信息输入到预先训练的能耗预测模型中,得到所述目标计算机的能耗信息;
基于所述目标计算机的能耗信息,确定与所述目标计算机的能耗信息相匹配的能源管理策略,基于确定的能源管理策略对所述目标计算机进行能耗管控处理。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于计算机能耗的管控设备实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供一种计算机能耗的管控设备,通过获取目标计算机当前的运行参数信息和/或环境参数信息,将该运行参数信息和/或环境参数信息输入到预先训练的能耗预测模型中,得到目标计算机的能耗信息,最终,可以基于目标计算机的能耗信息,确定与目标计算机的能耗信息相匹配的能源管理策略,基于确定的能源管理策略对目标计算机进行能耗管控处理,这样,通过预测目标计算机在运行时的能耗信息,并基于预测结果采取相应的能源管理策略,实现对目标计算机能源消耗的优化,从而提高计算机的能源利用效率,降低能源消耗,实现对环境的保护,提高了计算机的可持续性的绿色计算。此外,本方案利用相对简单的机器学习算法和现有的硬件和软件资源,可以较为快速地实现绿色计算的目的,并且,可以通过使用机器学习算法来预测计算机在不同负载下的能源消耗,然后根据预测结果采取相应的能源管理策略来优化能源消耗,从而不仅能够根据实际的能源消耗情况进行优化,可以在不影响计算机性能的情况下实现能源消耗的降低,且不需要大量的数据来做模型与训练。
实施例五
进一步地,基于上述图2A到图3所示的方法,本说明书一个或多个实施例还提供了一种存储介质,用于存储计算机可执行指令信息,一种具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令信息在被处理器执行时,能实现以下流程:
获取目标计算机当前的运行参数信息和/或环境参数信息;
将所述运行参数信息和/或环境参数信息输入到预先训练的能耗预测模型中,得到所述目标计算机的能耗信息;
基于所述目标计算机的能耗信息,确定与所述目标计算机的能耗信息相匹配的能源管理策略,基于确定的能源管理策略对所述目标计算机进行能耗管控处理。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于上述一种存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供一种存储介质,通过获取目标计算机当前的运行参数信息和/或环境参数信息,将该运行参数信息和/或环境参数信息输入到预先训练的能耗预测模型中,得到目标计算机的能耗信息,最终,可以基于目标计算机的能耗信息,确定与目标计算机的能耗信息相匹配的能源管理策略,基于确定的能源管理策略对目标计算机进行能耗管控处理,这样,通过预测目标计算机在运行时的能耗信息,并基于预测结果采取相应的能源管理策略,实现对目标计算机能源消耗的优化,从而提高计算机的能源利用效率,降低能源消耗,实现对环境的保护,提高了计算机的可持续性的绿色计算。此外,本方案利用相对简单的机器学习算法和现有的硬件和软件资源,可以较为快速地实现绿色计算的目的,并且,可以通过使用机器学习算法来预测计算机在不同负载下的能源消耗,然后根据预测结果采取相应的能源管理策略来优化能源消耗,从而不仅能够根据实际的能源消耗情况进行优化,可以在不影响计算机性能的情况下实现能源消耗的降低,且不需要大量的数据来做模型与训练。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书的实施例是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程欺诈案例的串并设备的处理器以产生一个机器,使得通过计算机或其他可编程欺诈案例的串并设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程欺诈案例的串并设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程欺诈案例的串并设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种计算机能耗的管控方法,所述方法包括:
获取目标计算机当前的运行参数信息和/或环境参数信息;
将所述运行参数信息和/或环境参数信息输入到预先训练的能耗预测模型中,得到所述目标计算机的能耗信息;
基于所述目标计算机的能耗信息,确定与所述目标计算机的能耗信息相匹配的能源管理策略,基于确定的能源管理策略对所述目标计算机进行能耗管控处理。
2.根据权利要求1所述的方法,所述方法还包括:
获取一个或多个不同的计算机的历史运行参数信息和/或历史环境参数信息,以及与所述历史运行参数信息和/或所述历史环境参数信息对应的历史能耗信息;
将所述历史运行参数信息和/或所述历史环境参数信息输入到能耗预测模型中,得到所述计算机的输出能耗信息;
基于所述计算机的输出能耗信息和所述历史能耗信息,通过预设的损失函数,确定相应的损失信息,并基于确定的损失信息调整所述能耗预测模型的模型参数,以对所述能耗预测模型进行模型训练,直到所述损失函数收敛为止,得到训练后的能耗预测模型。
3.根据权利要求2所述的方法,所述方法还包括:
对所述历史运行参数信息和/或所述历史环境参数信息进行预处理,得到预处理后的历史参数信息,所述预处理包括数据清洗处理、去噪处理、数据转换处理和标准化处理中的一种或多种;
所述将所述历史运行参数信息和/或所述历史环境参数信息输入到能耗预测模型中,得到所述计算机的输出能耗信息,包括:
将所述预处理后的历史参数信息输入到能耗预测模型中,得到所述计算机的输出能耗信息。
4.根据权利要求3所述的方法,所述获取目标计算机当前的运行参数信息和/或环境参数信息,包括:
通过所述目标计算机中预设的传感器和/或检测组件,采集所述目标计算机当前的运行参数信息和/或环境参数信息。
5.根据权利要求1-4中任一项所述的方法,所述能耗预测模型是通过线性回归算法构建的模型,或者,所述能耗预测模型是通过决策树算法构建的模型。
6.根据权利要求5所述的方法,所述目标计算机为节能型计算机、服务器、数据中心中的计算机、具有嵌入式系统的计算机或构成智能家居系统的计算机。
7.根据权利要求6所述的方法,如果所述目标计算机的能耗信息指示所述目标计算机的能耗高于第一预设阈值,则所述基于确定的能源管理策略对所述目标计算机进行能耗管控处理,包括:基于确定的能源管理策略,将所述目标计算机的CPU频率下调到第一预设频率阈值以下和/或基于确定的能源管理策略,限制所述目标计算机的负载不超过第一预设负载阈值;
如果所述目标计算机的能耗信息指示所述目标计算机的能耗低于第二预设阈值,则所述基于确定的能源管理策略对所述目标计算机进行能耗管控处理,包括:基于确定的能源管理策略,上调所述目标计算机的CPU频率和/或基于确定的能源管理策略,增加所述目标计算机的负载。
8.根据权利要求7所述的方法,所述方法还包括:
接收针对第一能源管理策略的配置请求,所述配置请求中包括待配置的所述第一能源管理策略的标识和所述第一能源管理策略的配置信息;
从本地存储的能源管理策略中,通过所述标识查找相应的第一能源管理策略;
通过所述配置信息对查找到的第一能源管理策略的内容进行配置处理,得到配置后的第一能源管理策略,并使用配置后的第一能源管理策略替换查找到的第一能源管理策略。
9.一种计算机能耗的管控装置,所述装置包括:
参数获取模块,获取目标计算机当前的运行参数信息和/或环境参数信息;
能耗确定模块,将所述运行参数信息和/或环境参数信息输入到预先训练的能耗预测模型中,得到所述目标计算机的能耗信息;
能耗管控模块,基于所述目标计算机的能耗信息,确定与所述目标计算机的能耗信息相匹配的能源管理策略,基于确定的能源管理策略对所述目标计算机进行能耗管控处理。
10.一种计算机能耗的管控设备,所述计算机能耗的管控设备包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
获取目标计算机当前的运行参数信息和/或环境参数信息;
将所述运行参数信息和/或环境参数信息输入到预先训练的能耗预测模型中,得到所述目标计算机的能耗信息;
基于所述目标计算机的能耗信息,确定与所述目标计算机的能耗信息相匹配的能源管理策略,基于确定的能源管理策略对所述目标计算机进行能耗管控处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311007347.4A CN117111715A (zh) | 2023-08-10 | 2023-08-10 | 一种计算机能耗的管控方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311007347.4A CN117111715A (zh) | 2023-08-10 | 2023-08-10 | 一种计算机能耗的管控方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117111715A true CN117111715A (zh) | 2023-11-24 |
Family
ID=88795719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311007347.4A Pending CN117111715A (zh) | 2023-08-10 | 2023-08-10 | 一种计算机能耗的管控方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117111715A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118037245A (zh) * | 2024-04-12 | 2024-05-14 | 浪潮云洲工业互联网有限公司 | 一种算力设施能源综合管控方法、设备及介质 |
-
2023
- 2023-08-10 CN CN202311007347.4A patent/CN117111715A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118037245A (zh) * | 2024-04-12 | 2024-05-14 | 浪潮云洲工业互联网有限公司 | 一种算力设施能源综合管控方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11205118B2 (en) | Power-efficient deep neural network module configured for parallel kernel and parallel input processing | |
CN106170742B (zh) | 多处理器片上系统中的能效感知热管理的方法和系统 | |
CN110163417B (zh) | 一种业务量的预测方法、装置及设备 | |
KR20140144250A (ko) | 단말 디바이스 및 이를 동작시키는 방법 | |
CN117111715A (zh) | 一种计算机能耗的管控方法、装置及设备 | |
CN107943582B (zh) | 特征处理方法、装置、存储介质及电子设备 | |
CN116521380A (zh) | 一种资源自适应协同的模型训练加速方法、装置及设备 | |
JP2018500639A (ja) | ポータブルコンピューティングデバイスの揮発性メモリのスタンバイ電力を低減するためのシステムおよび方法 | |
CN116304720B (zh) | 一种代价模型训练的方法、装置、存储介质及电子设备 | |
CN110634030A (zh) | 应用的业务指标挖掘方法、装置及设备 | |
EP3991097A1 (en) | Managing workloads of a deep neural network processor | |
Lee et al. | Analyzing Memory Access Traces of Deep Learning Workloads for Efficient Memory Management | |
EP3497563A1 (en) | Fine-grained power optimization for heterogeneous parallel constructs | |
Kwon et al. | Classification and Characterization of Memory Reference Behavior in Machine Learning Workloads | |
Lee et al. | Energy-efficient control of mobile processors based on long short-term memory | |
Lee et al. | Mobile memory management system based on user's application usage patterns | |
WO2024045836A1 (zh) | 参数调整方法及相关设备 | |
CN116521350A (zh) | 基于深度学习算法的etl调度方法及装置 | |
KR20190117294A (ko) | 전자 장치 및 그의 제어방법 | |
CN114710318B (zh) | 一种限制爬虫高频访问的方法、装置、设备及介质 | |
US20190370060A1 (en) | Multi-processor system, multi-core processing device, and method of operating the same | |
CN111443997B (zh) | 一种数据异常识别方法及装置 | |
Lin et al. | A workload-aware dvfs robust to concurrent tasks for mobile devices | |
US20220398442A1 (en) | Deep learning computational storage drive | |
CN111192063A (zh) | 一种在线客服排队处理方法、装置及电子设备 |
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 |