CN117251035A - 散热控制方法、装置、电子设备和计算机可读介质 - Google Patents
散热控制方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN117251035A CN117251035A CN202311264808.6A CN202311264808A CN117251035A CN 117251035 A CN117251035 A CN 117251035A CN 202311264808 A CN202311264808 A CN 202311264808A CN 117251035 A CN117251035 A CN 117251035A
- Authority
- CN
- China
- Prior art keywords
- server
- sub
- decomposed
- task
- target
- 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.)
- Granted
Links
- 230000017525 heat dissipation Effects 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 58
- 238000011217 control strategy Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000032683 aging Effects 0.000 abstract description 11
- 238000001816 cooling Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 235000019580 granularity Nutrition 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer 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
- G06F1/16—Constructional details or arrangements
- G06F1/20—Cooling means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Cooling Or The Like Of Electrical Apparatus (AREA)
Abstract
本公开的实施例公开了散热控制方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:对目标待执行任务进行任务分解;对于分解后任务描述信息,执行以下处理步骤:确定分解后任务描述信息对应的服务器资源需求信息;确定第一子服务器集合和第二子服务器集合中,与服务器资源需求信息匹配的第一服务器和/或第二服务器;对分解后任务描述信息对应的分解后任务进行任务执行;确定服务器实时运行温度曲线和子服务器实时运行温度曲线集合;生成散热控制策略信息;根据散热控制策略信息,对目标服务器进行风道和风量调整。该实施方式实现了对服务器的及时降温,降低了服务器硬件的老化风险。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及散热控制方法、装置、电子设备和计算机可读介质。
背景技术
服务器由于其强大的数据处理能力以及较高的数据存储能力,得以广泛的应用。而服务器在运行时会产生大量的热量,当散热不及时时,可能会加速服务器硬件的老化。目前,在进行服务器散热时,通常采用的方式为:通过将服务器设置在具有散热功能的机房内,以实现服务器散热。
然而,发明人发现,当采用上述方式时,经常会存在如下技术问题:
第一,设置具有散热功能的机房的设置成本较高,同时散热机房难以对服务器对应的局部发热点进行及时降温,增加了服务器硬件的老化风险。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了散热控制方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种散热控制方法,其应用于目标服务器,上述目标服务器包括:第一子服务器集合和第二子服务器集合,其中,上述第一子服务器集合设置于上述第二子服务器集合下侧,该方法包括:根据目标待执行任务对应的任务描述信息,对上述目标待执行任务进行任务分解,以生成分解后任务描述信息集合,其中,上述目标待执行任务是分配至上述目标服务器的待执行任务;对于上述分解后任务描述信息集合中的每个分解后任务描述信息,执行以下处理步骤:通过预先训练的服务器资源预测模型,确定上述分解后任务描述信息对应的服务器资源需求信息;确定上述第一子服务器集合和上述第二子服务器集合中,与上述服务器资源需求信息匹配的第一服务器和/或第二服务器,作为待绑定子服务器;通过上述待绑定子服务器,对上述分解后任务描述信息对应的分解后任务进行任务执行;确定上述目标服务器的服务器实时运行温度曲线,和得到的待绑定子服务器集合对应的子服务器实时运行温度曲线集合;根据上述服务器实时运行温度曲线和上述子服务器实时运行温度曲线集合,生成散热控制策略信息;根据上述散热控制策略信息,对上述目标服务器进行风道和风量调整。
第二方面,本公开的一些实施例提供了一种散热控制装置,其应用于目标服务器,上述目标服务器包括:第一子服务器集合和第二子服务器集合,其中,上述第一子服务器集合设置于上述第二子服务器集合下侧,装置包括:任务分解单元,被配置成根据目标待执行任务对应的任务描述信息,对上述目标待执行任务进行任务分解,以生成分解后任务描述信息集合,其中,上述目标待执行任务是分配至上述目标服务器的待执行任务;执行单元,被配置成对于上述分解后任务描述信息集合中的每个分解后任务描述信息,执行以下处理步骤:通过预先训练的服务器资源预测模型,确定上述分解后任务描述信息对应的服务器资源需求信息;确定上述第一子服务器集合和上述第二子服务器集合中,与上述服务器资源需求信息匹配的第一服务器和/或第二服务器,作为待绑定子服务器;通过上述待绑定子服务器,对上述分解后任务描述信息对应的分解后任务进行任务执行;确定单元,被配置成确定上述目标服务器的服务器实时运行温度曲线,和得到的待绑定子服务器集合对应的子服务器实时运行温度曲线集合;生成单元,被配置成根据上述服务器实时运行温度曲线和上述子服务器实时运行温度曲线集合,生成散热控制策略信息;风道和风量调整单元,被配置成根据上述散热控制策略信息,对上述目标服务器进行风道和风量调整。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的散热控制装置,实现了对服务器的及时降温,降低了服务器硬件的老化风险。具体来说,造成服务器硬件的老化风险较高的原因在于:设置具有散热功能的机房的设置成本较高,同时散热机房难以对服务器对应的局部发热点进行及时降温,增加了服务器硬件的老化风险。基于此,本公开的一些实施例的散热控制方法,其应用于目标服务器,上述目标服务器包括:第一子服务器集合和第二子服务器集合,其中,上述第一子服务器集合设置于上述第二子服务器集合下侧。即以单台服务器(目标服务器)为散热单元。首先,根据目标待执行任务对应的任务描述信息,对上述目标待执行任务进行任务分解,以生成分解后任务描述信息集合,其中,上述目标待执行任务是分配至上述目标服务器的待执行任务。实践中,针对较大数据处理量的待执行任务,单台服务器往往难以满足此类型待执行任务的硬件资源需求,因此,需要对目标待执行任务进行任务分解,以用于后续的任务分配。其次,对于上述分解后任务描述信息集合中的每个分解后任务描述信息,执行以下处理步骤:第一步,通过预先训练的服务器资源预测模型,确定上述分解后任务描述信息对应的服务器资源需求信息。以此得到能够满足分解后任务执行的硬件资源需求。第二步,确定上述第一子服务器集合和上述第二子服务器集合中,与上述服务器资源需求信息匹配的第一服务器和/或第二服务器,作为待绑定子服务器。由于第一子服务器和第二子服务器的硬件资源不同,因此,以服务器资源需求信息为基础,确定与服务器资源需求信息匹配的第一服务器和/或第二服务器,以保证硬件资源的高效利用。第三步,通过上述待绑定子服务器,对上述分解后任务描述信息对应的分解后任务进行任务执行。第四步,确定上述目标服务器的服务器实时运行温度曲线,和得到的待绑定子服务器集合对应的子服务器实时运行温度曲线集合。实践中,数据在处理过程中服务器的发热量往往激增,因此,通过确定服务器实时运行温度曲线和子服务器实时运行温度曲线集合,可以得到不同粒度下的针对目标服务器的问温度变化情况。第五步,根据上述服务器实时运行温度曲线和上述子服务器实时运行温度曲线集合,生成散热控制策略信息。第六步,根据上述散热控制策略信息,对上述目标服务器进行风道和风量调整。通过风道和风量调整可以加速散热,以此实现了对服务器的及时降温,降低了服务器硬件的老化风险。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的散热控制方法的一些实施例的流程图;
图2是根据本公开的散热控制装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的散热控制方法的一个应用场景的示意图。
参考图1,示出了根据本公开的散热控制方法的一些实施例的流程100。该散热控制方法,包括以下步骤:
步骤101,根据目标待执行任务对应的任务描述信息,对目标待执行任务进行任务分解,以生成分解后任务描述信息集合。
在一些实施例中,散热控制方法的执行主体(例如,计算设备)可以根据目标待执行任务对应的任务描述信息,对目标待执行任务进行任务分解,以生成分解后任务描述信息集合。其中,上述散热方法应用于目标服务器。上述目标服务器可以包括:第一子服务器集合和第二子服务器集合。实践中,第二子服务器的服务器算力大于第一子服务器的服务器算力。具体的,第二子服务器可以是搭载有GPU(Graphics Processing Unit,图形处理器)或NPU(Neural Network Processing Unit,神经网络处理器)的服务器。例如,第一子服务器集合中的第一子服务器的数量可以是3。第二子服务器集合中的第二子服务器的数量可以是2。其中,上述第一子服务器集合设置于上述第二子服务器集合下侧。实践中,由于热量在产生的过程中向上聚集,而第二子服务器的服务器算力大于第一子服务器的服务器算力,即产生的热量更多,通过将第二子服务器设置于第一子服务器上侧,避免了第二子服务器产生的热量在向上聚集过程中,增加第一子服务器的温度。上述目标待执行任务是分配至上述目标服务器的待执行任务。实践中,待执行任务可以是目标服务器待执行的运算任务。例如,待执行任务可以是模型训练任务其中,任务描述信息可以是用于描述目标待执行任务的描述信息。分解后任务描述信息可以是用于描述分解后任务的描述信息。
作为示例,上述执行主体可以通过递归分解的方式,根据目标待执行任务对应的任务描述信息,对上述目标待执行任务进行任务分解,以生成分解后任务描述信息集合。
需要说明的是,上述计算设备可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。应该理解,计算设备的数目根据实现需要可以具有任意数目。
可选地,任务描述信息可以包括:待执行数据,数据执行流程图。其中,待执行数据标注目标服务器需要处理的数据。数据执行流程图表征上述待执行数据的数据执行顺序。分解后任务描述信息集合中的分解后任务描述信息包括:分解后待执行数据。
在一些实施例的一些可选的实现方式中,上述执行主体对上述目标待执行任务进行任务分解,以生成分解后任务描述信息集合,可以包括以下步骤:
第一步,根据上述数据执行流程图,对上述待执行数据进行初始数据分解,得到初始分解后待执行数据集合。
实践中,上述执行主体可以遍历上述数据执行流程图,以上述数据执行流程图中每个图节点对应的、待执行数据中的部分数据,作为初始分解后待执行数据,得到上述初始分解后待执行数据集合。
第二步,对于上述初始分解后待执行数据集合中的每个初始分解后待执行数据,以预设分解粒度,对上述分解后待执行数据进行二次数据分解,得到候选分解后待执行数据序列。
其中,预设分解粒度表征上述目标服务器中的虚拟容器对应的数据执行数据量阈值。通过以预设分解粒度进行二次数据分解,以保证目标服务器中尽可能少的出现碎片化的服务器资源,提高服务器资源的利用效率。
第三步,根据上述数据执行流程图,对得到的候选分解后待执行数据序列组中的、对应相同序列位置的候选分解后待执行数据进行数据组合,作为上述分解后任务描述信息集合中的分解后任务描述信息包括的分解后待执行数据。
作为示例,候选分解后待执行数据序列组可以包括:候选分解后待执行数据序列A、候选分解后待执行数据序列B和候选分解后待执行数据序列C。其中,候选分解后待执行数据序列A可以包括:候选分解后待执行数据序列A可以包括:候选分解后待执行数据A1、候选分解后待执行数据A2。候选分解后待执行数据序列B可以包括:候选分解后待执行数据B1和候选分解后待执行数据B2。候选分解后待执行数据序列C可以包括:候选分解后待执行数据C1。其中,候选分解后待执行数据A1、候选分解后待执行数据B1和候选分解后待执行数据C1对应相同的序列位置。候选分解后待执行数据A2和候选分解后待执行数据B2对应相同的序列位置。则分解后任务描述信息集合可以包括:分解后任务描述信息D和分解后任务描述信息E。其中,分解后任务描述信息D包括的分解后待执行数据由候选分解后待执行数据A1、候选分解后待执行数据B1和候选分解后待执行数据C1组成。分解后任务描述信息E包括的分解后待执行数据由候选分解后待执行数据A2和候选分解后待执行数据B2对应相同的序列位置组成。通过此种方式,能够尽可能的保证数据的并行化处理。
步骤102,对于分解后任务描述信息集合中的每个分解后任务描述信息,执行以下处理步骤:
步骤1021,通过预先训练的服务器资源预测模型,确定分解后任务描述信息对应的服务器资源需求信息。
在一些实施例中,上述执行主体可以通过预先训练的服务器资源预测模型,确定分解后任务描述信息对应的服务器资源需求信息。其中,上述资源预测模型是用于预测分解后任务描述信息对应任务的服务器资源需求的模型。例如,上述服务器资源预测模型可以是CNN(Convolutional Neural Networks,卷积神经网络)模型。
可选地,上述服务器资源预测模型包括:数据特征提取模型、任务类型预测模型和服务器资源匹配模型。其中,上述数据特征提取模型可以是基于Transformer结构的卷积神经网络模型。任务类型预测模型可以是2个并行设置的全连接层。服务器资源匹配模型可以包括:服务器资源量预测模型和用于最优匹配的最大权匹配算法模型。其中,服务器资源量预测模型是用于预测保证分解后任务描述信息对应任务正常执行的服务器资源需求量的模型。实践中,服务器资源量预测模型可以是ENN(Elman Neural Network,基于Elman的神经网络)模型。
在一些实施例的一些可选的实现方式中,上述执行主体通过预先训练的服务器资源预测模型,确定上述分解后任务描述信息对应的服务器资源需求信息,可以包括以下步骤:
第一步,通过上述数据特征提取模型,对上述分解后任务描述信息包括的分解后待执行数据进行数据特征提取,以生成数据特征。
第二步,将上述数据特征输入上述任务类型预测模型,以生成任务预测标签。
其中,上述任务预测标签用于描述分解后任务描述信息对应任务的负载量和任务持续时间长度。例如,任务预测标签可以包括:“高负载、高持续时间”标签、“高负载、中持续时间”标签、“高负载、低持续时间”标签、“中负载、高持续时间”标签、“中负载、中持续时间”标签、“中负载、低持续时间”标签、“低负载、高持续时间”标签、“低负载、中持续时间”标签和“低负载、低持续时间”标签。
第三步,根据上述任务预测标签、上述数据特征和上述服务器资源匹配模型,确定上述服务器资源需求信息。
实践中,首先,上述执行主体可以将数据特征输入上述服务器资源量预测模型,以生成服务器资源预测量。然后,上述执行主体可以根据任务预测标签和上述服务器资源预测量,通过用于最优匹配的最大权匹配算法模型,与目标服务器中的服务器资源仅最优匹配,以确定上述服务器资源需求信息。
步骤1022,确定第一子服务器集合和第二子服务器集合中,与服务器资源需求信息匹配的第一服务器和/或第二服务器,作为待绑定子服务器。
在一些实施例中,上述执行主体可以确定第一子服务器集合和第二子服务器集合中,与服务器资源需求信息匹配的第一服务器和/或第二服务器,作为待绑定子服务器。实践中,上述主体可以将包含服务器资源需求信息对应的服务器资源的第一服务器和/或第二服务器,最为待绑定服务器。
可选地,绑定子服务器可以是由第一子服务器和/或第二子服务器构成的虚拟服务器。实践中,运算任务可能无法使用第一子服务器或第二子服务器的全部服务器资源,亦或需要结合第一子服务器和第二子服务器的服务器资源,因此,绑定子服务器可以是由第一子服务器中的部分服务器资源和/或第二子服务器中的部分服务器资源构成,为保证不同运算任务对应的服务器资源的隔离性,因此,本申请可以采用容器化技术,即构建虚拟服务器的方式,将不同运算任务对应的服务器资源进行封装。
在一些实施例的一些可选的实现方式中,上述执行主体确定上述第一子服务器集合和上述第二子服务器集合中,与上述服务器资源需求信息匹配的第一服务器和/或第二服务器,作为待绑定子服务器,可以包括以下步骤:
以上述服务器资源需求信息为迭代优化目标、基于预设迭代条件组,对上述第一子服务器集合和上述第二子服务器集合进行最优解搜寻,得到上述绑定子服务器。
其中,上述预设迭代条件组可以包括:分解后任务描述信息包括的分解后待执行数据在目标服务器包括的第一服务器和第二服务器中的数据交换代价最小;若分解后任务描述信息包括的分解后待执行数据包含可加速执行的数据,优先分配给第二子服务器;若分解后任务描述信息包括的分解后待执行数据包含不可加速执行的数据,优先分配给第一子服务器;若分解后任务描述信息包括的分解后待执行数据既包含不可加速执行的数据,又包含可加速执行的数据,分配的第一服务器和第二服务器之间通过接插件连接。其中,接插件可以是用于第一服务器和第二服务器之间的CPU(Central Processing Unit,中央处理器)与CPU、以及GPU与GPU的之间连接,以提高数据的交换速度。实践中,上述执行主体可以基于预设迭代条件组,构建优化函数,以服务器资源需求信息为迭代优化目标进行最优解搜寻,得到上述绑定子服务器
步骤1023,通过待绑定子服务器,对分解后任务描述信息对应的分解后任务进行任务执行。
在一些实施例中,上述执行主体可以通过待绑定子服务器,对分解后任务描述信息对应的分解后任务进行任务执行。实践中,上述执行主体可以将分解后任务描述信息对应的分解后任务分配至待绑定子服务器,由待绑定子服务器基于分解后任务描述信息包括的分解后待执行数据进行任务执行。
步骤103,确定目标服务器的服务器实时运行温度曲线,和得到的待绑定子服务器集合对应的子服务器实时运行温度曲线集合。
在一些实施例中,上述执行主体可以确定目标服务器的服务器实时运行温度曲线,和得到的待绑定子服务器集合对应的子服务器实时运行温度曲线集合。其中,服务器实时运行温度曲线可以由目标服务器内设置的温度传感器采集得到。子服务器实时运行温度曲线可以由待绑定子服务器(例如,第一子服务器或第二子服务器)内设置的温度传感器采集得到。
步骤104,根据服务器实时运行温度曲线和子服务器实时运行温度曲线集合,生成散热控制策略信息。
在一些实施例中,上述执行主体可以根据服务器实时运行温度曲线和子服务器实时运行温度曲线集合,生成散热控制策略信息。其中,上述散热控制策略信息是用于对目标服务器进行散热控制的策略信息。
作为示例,上述执行主体可以从预先设置的散热控制策略信息表中,筛选与服务器实时运行温度曲线和子服务器实时运行温度曲线集合匹配的散热控制策略信息。
可选地,散热控制策略信息包括:风道控制策略信息和风量控制策略信息。其中,风道控制策略信息是用于控制目标服务器内的风道变化的策略信息。风量控制策略信息是用于控制目标服务器内的风量变化的策略信息。
在一些实施例的一些可选的实现方式中,上述执行主体根据上述服务器实时运行温度曲线和上述子服务器实时运行温度曲线集合,生成散热控制策略信息,可以包括以下步骤:
第一步,根据上述服务器实时运行温度曲线,确定上述目标服务器的服务器温度变化趋势,以生成第一温度变化趋势信息。
其中,第一温度变化趋势信息用于描述目标服务器的服务器温度变化趋势。
作为示例,首先,上述执行主体可以上述服务器实时运行温度曲线进行均匀采样,得到采样点集合。然后,根据采样点集合中采样点对应的温度值进行直线拟合,得到拟合直线。接着,当拟合直线的斜率大于0时,生成表征服务器温度为上升趋势的第一温度变化趋势信息。当拟合直线的斜率小于等于0时,生成表征服务器温度为非上升趋势的第一温度变化趋势信息。
第二步,响应于确定第一温度变化趋势信息表征服务器温度为上升趋势,执行以下第一控制策略生成步骤:
第一子步骤,通过预先训练的、服务器温度预测模型包括的服务器温度特征提取模型,对上述服务器实时运行温度曲线进行特征提取,以生成第一服务器温度特征。
实践中,上述服务器温度特征提取模型可以是RNN(Recurrent Neural Network,循环神经网络)模型。
第二子步骤,通过上述服务器温度预测模型包括的温度预测层和上述服务器温度特征,确定针对上述目标服务器的预测服务器温度,作为第一服务器预测温度。
实践中,上述温度预测模型可以是RNN模型。其中,温度预测层的模型层数小于服务器温度特征提取模型的模型层数。例如,服务器温度特征提取模型包括的模型层数可以是20。温度预测层的模型层数可以是1。即,上述执行主体通过服务器温度特征提取模型提取T1时刻至T2时刻的温度特征,以及通过温度预测层的模型层预测T3时刻的目标服务器的服务器温度,作为第一眼服务器预测温度。其中,T1<T2<T3。
第三子步骤,通过上述服务器温度特征提取模型,并行对上述子服务器实时运行温度曲线集合中的子服务器实时运行温度曲线进行特征提取,以生成第二服务器温度特征集合。
第四子步骤,通过上述服务器温度预测模型包括的温度预测层和上述第二服务器温度特征集合,确定第二服务器预测温度集合。
实践中,上述执行主体可以将第二服务器温度特征集合中的每个第二服务器温度特征,输入上述温度预测层,以生成第二服务器预测温度,得到上述第二服务器预测温度集合。
第五子步骤,根据上述第二服务器预测温度集合,确定第一温度影响源。
实践中,上述执行主体可以将第二服务器预测温度集合中最大的第二服务器预测温度对应的待绑定服务器(第一子服务器或第二子服务器),确定为第一温度影响源。
第六子步骤,根据上述第一服务器预测温度和上述第二服务器预测温度集合,生成上述风量控制策略信息。
实践中,上述执行主体可以根据预设的风量与温度之间的映射表,依据上述第一服务器预测温度和上述第二服务器预测温度集合,生成用于进行风量控制的、上述风量控制策略信息。
第七子步骤,根据上述第一温度影响源,生成用于控制上述目标服务器的整体风道朝向的、上述风道控制策略信息。
实践中,上述执行主体可以根据第一温度影响源的相对位置,将距离第一温度影响源最近的气口作为出风口,以进行风道朝向调整,得到风道控制策略信息。例如,上述风道控制策略信息可以控制各个气口的风扇转向,以保证距离第一温度影响源最近的气口为出风口。
第三步,响应于确定第一温度变化趋势信息表征服务器温度为非上升趋势,执行以下第二控制策略生成步骤:
第一子步骤,对于上述子服务器实时运行温度曲线集合中的每个子服务器实时运行温度曲线,确定上述子服务器实时运行温度曲线对应的待绑定子服务器的服务器温度变化趋势,以生成第二温度变化趋势信息。
实践中,第二温度变化趋势信息的生成方式可以参见第一温度变化趋势信息的生成方式,在此不再赘述。
第二子步骤,从上述子服务器实时运行温度曲线集合中筛选出,对应的第二温度变化趋势信息表征服务器温度为上升趋势的子服务器实时运行温度曲线,作为目标子服务器实时运行温度曲线,得到目标子服务器实时运行温度曲线集合。
第三子步骤,通过上述目标子服务器实时运行温度曲线集合、上述服务器温度特征提取模型和上述温度预测层,生成目标服务器预测温度集合。
实践中,对于上述目标子服务器实时运行温度曲线集合中的每个目标子服务器实时运行温度曲线,上述执行主体可以将目标子服务器实时运行温度曲线输入上述服务器温度特征提取模型和上述温度预测层,以生成目标服务器预测温度,得到上述目标服务器预测温度集合。
第四子步骤,根据上述目标服务器预测温度集合,生成上述风量控制策略信息。
实践中,上述执行主体可以根据预设的风量与温度之间的映射表,依据上述目标服务器预测温度集合,生成用于进行风量控制的、上述风量控制策略信息。
第五子步骤,将上述目标子服务器实时运行温度曲线集合对应的待绑定子服务器确定为第二温度影响源。
第六子步骤,生成用于控制上述第二温度影响源的风道朝向的、上述风道控制策略信息。
实践中,上述执行主体可以根据第二温度影响源的相对位置,将距离第二稳定影响源最近的气口作为出风口,以进行风道朝向调整,得到风道控制策略信息。例如,上述风道控制策略信息可以控制各个气口的风扇转向,以保证距离第二温度影响源最近的气口为出风口。
步骤105,根据散热控制策略信息,对目标服务器进行风道和风量调整。
在一些实施例中,上述执行主体可以根据散热控制策略信息,对目标服务器进行风道和风量调整。实践中,上述执行主体可以根据风道控制策略信息,控制目标服务器内的风扇的转向、以及根据风量控制策略信息,控制目标服务器内的风扇的转速,以实现风道和风量的控制。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的散热控制装置,实现了对服务器的及时降温,降低了服务器硬件的老化风险。具体来说,造成服务器硬件的老化风险较高的原因在于:设置具有散热功能的机房的设置成本较高,同时散热机房难以对服务器对应的局部发热点进行及时降温,增加了服务器硬件的老化风险。基于此,本公开的一些实施例的散热控制方法,其应用于目标服务器,上述目标服务器包括:第一子服务器集合和第二子服务器集合,其中,上述第一子服务器集合设置于上述第二子服务器集合下侧。即以单台服务器(目标服务器)为散热单元。首先,根据目标待执行任务对应的任务描述信息,对上述目标待执行任务进行任务分解,以生成分解后任务描述信息集合,其中,上述目标待执行任务是分配至上述目标服务器的待执行任务。实践中,针对较大数据处理量的待执行任务,单台服务器往往难以满足此类型待执行任务的硬件资源需求,因此,需要对目标待执行任务进行任务分解,以用于后续的任务分配。其次,对于上述分解后任务描述信息集合中的每个分解后任务描述信息,执行以下处理步骤:第一步,通过预先训练的服务器资源预测模型,确定上述分解后任务描述信息对应的服务器资源需求信息。以此得到能够满足分解后任务执行的硬件资源需求。第二步,确定上述第一子服务器集合和上述第二子服务器集合中,与上述服务器资源需求信息匹配的第一服务器和/或第二服务器,作为待绑定子服务器。由于第一子服务器和第二子服务器的硬件资源不同,因此,以服务器资源需求信息为基础,确定与服务器资源需求信息匹配的第一服务器和/或第二服务器,以保证硬件资源的高效利用。第三步,通过上述待绑定子服务器,对上述分解后任务描述信息对应的分解后任务进行任务执行。第四步,确定上述目标服务器的服务器实时运行温度曲线,和得到的待绑定子服务器集合对应的子服务器实时运行温度曲线集合。实践中,数据在处理过程中服务器的发热量往往激增,因此,通过确定服务器实时运行温度曲线和子服务器实时运行温度曲线集合,可以得到不同粒度下的针对目标服务器的问温度变化情况。第五步,根据上述服务器实时运行温度曲线和上述子服务器实时运行温度曲线集合,生成散热控制策略信息。第六步,根据上述散热控制策略信息,对上述目标服务器进行风道和风量调整。通过风道和风量调整可以加速散热,以此实现了对服务器的及时降温,降低了服务器硬件的老化风险。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种散热控制装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该散热控制装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的散热控制装置200,其应用于目标服务器,上述目标服务器包括:第一子服务器集合和第二子服务器集合,其中,上述第一子服务器集合设置于上述第二子服务器集合下侧包括:任务分解单元201、执行单元202、确定单元203、生成单元204,以及风道和风量调整单元205。其中,任务分解单元201,被配置成根据目标待执行任务对应的任务描述信息,对上述目标待执行任务进行任务分解,以生成分解后任务描述信息集合,其中,上述目标待执行任务是分配至上述目标服务器的待执行任务;执行单元202,被配置成对于上述分解后任务描述信息集合中的每个分解后任务描述信息,执行以下处理步骤:通过预先训练的服务器资源预测模型,确定上述分解后任务描述信息对应的服务器资源需求信息;确定上述第一子服务器集合和上述第二子服务器集合中,与上述服务器资源需求信息匹配的第一服务器和/或第二服务器,作为待绑定子服务器;通过上述待绑定子服务器,对上述分解后任务描述信息对应的分解后任务进行任务执行;确定单元203,被配置成确定上述目标服务器的服务器实时运行温度曲线,和得到的待绑定子服务器集合对应的子服务器实时运行温度曲线集合;生成单元204,被配置成根据上述服务器实时运行温度曲线和上述子服务器实时运行温度曲线集合,生成散热控制策略信息;风道和风量调整单元205,被配置成根据上述散热控制策略信息,对上述目标服务器进行风道和风量调整。
可以理解的是,该散热控制装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于散热控制装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备(例如,计算设备)300的结构示意图。图3示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器302中的程序或者从存储装置308加载到随机访问存储器303中的程序而执行各种适当的动作和处理。在随机访问存储器303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、只读存储器302以及随机访问存储器303通过总线304彼此相连。输入/输出接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从只读存储器302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:根据目标待执行任务对应的任务描述信息,对上述目标待执行任务进行任务分解,以生成分解后任务描述信息集合,其中,上述目标待执行任务是分配至上述目标服务器的待执行任务;对于上述分解后任务描述信息集合中的每个分解后任务描述信息,执行以下处理步骤:通过预先训练的服务器资源预测模型,确定上述分解后任务描述信息对应的服务器资源需求信息;确定上述第一子服务器集合和上述第二子服务器集合中,与上述服务器资源需求信息匹配的第一服务器和/或第二服务器,作为待绑定子服务器;通过上述待绑定子服务器,对上述分解后任务描述信息对应的分解后任务进行任务执行;确定上述目标服务器的服务器实时运行温度曲线,和得到的待绑定子服务器集合对应的子服务器实时运行温度曲线集合;根据上述服务器实时运行温度曲线和上述子服务器实时运行温度曲线集合,生成散热控制策略信息;根据上述散热控制策略信息,对上述目标服务器进行风道和风量调整。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括任务分解单元、执行单元、确定单元、生成单元,以及风道和风量调整单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,生成单元还可以被描述为“根据上述服务器实时运行温度曲线和上述子服务器实时运行温度曲线集合,生成散热控制策略信息的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种散热控制方法,其应用于目标服务器,所述目标服务器包括:第一子服务器集合和第二子服务器集合,其中,所述第一子服务器集合设置于所述第二子服务器集合下侧,包括:
根据目标待执行任务对应的任务描述信息,对所述目标待执行任务进行任务分解,以生成分解后任务描述信息集合,其中,所述目标待执行任务是分配至所述目标服务器的待执行任务;
对于所述分解后任务描述信息集合中的每个分解后任务描述信息,执行以下处理步骤:
通过预先训练的服务器资源预测模型,确定所述分解后任务描述信息对应的服务器资源需求信息;
确定所述第一子服务器集合和所述第二子服务器集合中,与所述服务器资源需求信息匹配的第一服务器和/或第二服务器,作为待绑定子服务器;
通过所述待绑定子服务器,对所述分解后任务描述信息对应的分解后任务进行任务执行;
确定所述目标服务器的服务器实时运行温度曲线,和得到的待绑定子服务器集合对应的子服务器实时运行温度曲线集合;
根据所述服务器实时运行温度曲线和所述子服务器实时运行温度曲线集合,生成散热控制策略信息;
根据所述散热控制策略信息,对所述目标服务器进行风道和风量调整。
2.根据权利要求1所述的方法,其中,所述任务描述信息包括:待执行数据,数据执行流程图,其中,所述数据执行流程图表征所述待执行数据的数据执行顺序,所述分解后任务描述信息集合中的分解后任务描述信息包括:分解后待执行数据;以及
所述对所述目标待执行任务进行任务分解,以生成分解后任务描述信息集合,包括:
根据所述数据执行流程图,对所述待执行数据进行初始数据分解,得到初始分解后待执行数据集合;
对于所述初始分解后待执行数据集合中的每个初始分解后待执行数据,以预设分解粒度,对所述分解后待执行数据进行二次数据分解,得到候选分解后待执行数据序列,其中,所述预设分解粒度表征所述目标服务器中的虚拟容器对应的数据执行数据量阈值;
根据所述数据执行流程图,对得到的候选分解后待执行数据序列组中的、对应相同序列位置的候选分解后待执行数据进行数据组合,作为所述分解后任务描述信息集合中的分解后任务描述信息包括的分解后待执行数据。
3.根据权利要求2所述的方法,其中,所述服务器资源预测模型包括:数据特征提取模型、任务类型预测模型和服务器资源匹配模型;以及
所述通过预先训练的服务器资源预测模型,确定所述分解后任务描述信息对应的服务器资源需求信息,包括:
通过所述数据特征提取模型,对所述分解后任务描述信息包括的分解后待执行数据进行数据特征提取,以生成数据特征;
将所述数据特征输入所述任务类型预测模型,以生成任务预测标签;
根据所述任务预测标签、所述数据特征和所述服务器资源匹配模型,确定所述服务器资源需求信息。
4.根据权利要求3所述的方法,其中,所述绑定子服务器可以是由第一子服务器和/或第二子服务器构成的虚拟服务器;以及
所述确定所述第一子服务器集合和所述第二子服务器集合中,与所述服务器资源需求信息匹配的第一服务器和/或第二服务器,作为待绑定子服务器,包括:
以所述服务器资源需求信息为迭代优化目标、基于预设迭代条件组,对所述第一子服务器集合和所述第二子服务器集合进行最优解搜寻,得到所述绑定子服务器。
5.根据权利要求4所述的方法,其中,所述散热控制策略信息包括:风道控制策略信息和风量控制策略信息;以及
所述根据所述服务器实时运行温度曲线和所述子服务器实时运行温度曲线集合,生成散热控制策略信息,包括:
根据所述服务器实时运行温度曲线,确定所述目标服务器的服务器温度变化趋势,以生成第一温度变化趋势信息;
响应于确定第一温度变化趋势信息表征服务器温度为上升趋势,执行以下第一控制策略生成步骤:
通过预先训练的、服务器温度预测模型包括的服务器温度特征提取模型,对所述服务器实时运行温度曲线进行特征提取,以生成第一服务器温度特征;
通过所述服务器温度预测模型包括的温度预测层和所述服务器温度特征,确定针对所述目标服务器的预测服务器温度,作为第一服务器预测温度;
通过所述服务器温度特征提取模型,并行对所述子服务器实时运行温度曲线集合中的子服务器实时运行温度曲线进行特征提取,以生成第二服务器温度特征集合;
通过所述服务器温度预测模型包括的温度预测层和所述第二服务器温度特征集合,确定第二服务器预测温度集合;
根据所述第二服务器预测温度集合,确定第一温度影响源;
根据所述第一服务器预测温度和所述第二服务器预测温度集合,生成所述风量控制策略信息;
根据所述第一温度影响源,生成用于控制所述目标服务器的整体风道朝向的、所述风道控制策略信息。
6.根据权利要求5所述的方法,其中,所述根据所述服务器实时运行温度曲线和所述子服务器实时运行温度曲线集合,生成散热控制策略信息,还包括:
响应于确定第一温度变化趋势信息表征服务器温度为非上升趋势,执行以下第二控制策略生成步骤:
对于所述子服务器实时运行温度曲线集合中的每个子服务器实时运行温度曲线,确定所述子服务器实时运行温度曲线对应的待绑定子服务器的服务器温度变化趋势,以生成第二温度变化趋势信息;
从所述子服务器实时运行温度曲线集合中筛选出,对应的第二温度变化趋势信息表征服务器温度为上升趋势的子服务器实时运行温度曲线,作为目标子服务器实时运行温度曲线,得到目标子服务器实时运行温度曲线集合;
通过所述目标子服务器实时运行温度曲线集合、所述服务器温度特征提取模型和所述温度预测层,生成目标服务器预测温度集合;
根据所述目标服务器预测温度集合,生成所述风量控制策略信息;
将所述目标子服务器实时运行温度曲线集合对应的待绑定子服务器确定为第二温度影响源;
生成用于控制所述第二温度影响源的风道朝向的、所述风道控制策略信息。
7.一种散热控制装置,其应用于目标服务器,所述目标服务器包括:第一子服务器集合和第二子服务器集合,其中,所述第一子服务器集合设置于所述第二子服务器集合下侧,包括:
任务分解单元,被配置成根据目标待执行任务对应的任务描述信息,对所述目标待执行任务进行任务分解,以生成分解后任务描述信息集合,其中,所述目标待执行任务是分配至所述目标服务器的待执行任务;
执行单元,被配置成对于所述分解后任务描述信息集合中的每个分解后任务描述信息,执行以下处理步骤:通过预先训练的服务器资源预测模型,确定所述分解后任务描述信息对应的服务器资源需求信息;确定所述第一子服务器集合和所述第二子服务器集合中,与所述服务器资源需求信息匹配的第一服务器和/或第二服务器,作为待绑定子服务器;通过所述待绑定子服务器,对所述分解后任务描述信息对应的分解后任务进行任务执行;
确定单元,被配置成确定所述目标服务器的服务器实时运行温度曲线,和得到的待绑定子服务器集合对应的子服务器实时运行温度曲线集合;
生成单元,被配置成根据所述服务器实时运行温度曲线和所述子服务器实时运行温度曲线集合,生成散热控制策略信息;
风道和风量调整单元,被配置成根据所述散热控制策略信息,对所述目标服务器进行风道和风量调整。
8.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至6中任一所述的方法。
9.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311264808.6A CN117251035B (zh) | 2023-09-27 | 2023-09-27 | 散热控制方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311264808.6A CN117251035B (zh) | 2023-09-27 | 2023-09-27 | 散热控制方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117251035A true CN117251035A (zh) | 2023-12-19 |
CN117251035B CN117251035B (zh) | 2024-04-12 |
Family
ID=89126123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311264808.6A Active CN117251035B (zh) | 2023-09-27 | 2023-09-27 | 散热控制方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117251035B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109189190A (zh) * | 2018-10-16 | 2019-01-11 | 西安交通大学 | 一种基于温度预测的数据中心热量管理方法 |
US20200100394A1 (en) * | 2018-09-21 | 2020-03-26 | Johnson Controls Technology Company | Optimized thermal control of data center |
US20210263773A1 (en) * | 2020-02-21 | 2021-08-26 | International Business Machines Corporation | Leveraging thermal profiles of processing tasks to dynamically schedule execution of the processing tasks |
CN113434027A (zh) * | 2020-03-23 | 2021-09-24 | 百度(美国)有限责任公司 | 电子机架及向电子机架提供液体冷却的方法 |
CN113760503A (zh) * | 2021-03-24 | 2021-12-07 | 北京京东拓先科技有限公司 | 任务迁移方法、装置、电子设备和计算机可读介质 |
WO2022252456A1 (zh) * | 2021-06-01 | 2022-12-08 | 苏州浪潮智能科技有限公司 | 一种任务调度方法、装置、电子设备及可读存储介质 |
-
2023
- 2023-09-27 CN CN202311264808.6A patent/CN117251035B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200100394A1 (en) * | 2018-09-21 | 2020-03-26 | Johnson Controls Technology Company | Optimized thermal control of data center |
CN109189190A (zh) * | 2018-10-16 | 2019-01-11 | 西安交通大学 | 一种基于温度预测的数据中心热量管理方法 |
US20210263773A1 (en) * | 2020-02-21 | 2021-08-26 | International Business Machines Corporation | Leveraging thermal profiles of processing tasks to dynamically schedule execution of the processing tasks |
CN113434027A (zh) * | 2020-03-23 | 2021-09-24 | 百度(美国)有限责任公司 | 电子机架及向电子机架提供液体冷却的方法 |
CN113760503A (zh) * | 2021-03-24 | 2021-12-07 | 北京京东拓先科技有限公司 | 任务迁移方法、装置、电子设备和计算机可读介质 |
WO2022252456A1 (zh) * | 2021-06-01 | 2022-12-08 | 苏州浪潮智能科技有限公司 | 一种任务调度方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117251035B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113950066B (zh) | 移动边缘环境下单服务器部分计算卸载方法、系统、设备 | |
US11442779B2 (en) | Method, device and computer program product for determining resource amount for dedicated processing resources | |
JP2017050001A (ja) | 効果的なニューラルネットワークの配置に用いるシステム及び方法 | |
CN112291793B (zh) | 网络接入设备的资源分配方法和装置 | |
CN110391938B (zh) | 用于部署服务的方法和装置 | |
US20210208943A1 (en) | Distributing Computation Workloads Based on Calculated Compute Gravity Within Differing Computing Paradigms | |
CN114265631A (zh) | 一种基于联邦元学习的移动边缘计算智能卸载方法及装置 | |
Alhumaima et al. | Modelling the power consumption and trade‐offs of virtualised cloud radio access networks | |
CN111580974B (zh) | Gpu实例分配方法、装置、电子设备和计算机可读介质 | |
US11620207B2 (en) | Power efficient machine learning in cloud-backed mobile systems | |
Dao et al. | Mobile cloudization storytelling: Current issues from an optimization perspective | |
Ateya et al. | Energy efficient offloading scheme for MEC-based augmented reality system | |
Liang et al. | DNN surgery: Accelerating DNN inference on the edge through layer partitioning | |
CN109729110B (zh) | 管理专用处理资源的方法、设备以及计算机可读介质 | |
CN112182111B (zh) | 基于区块链的分布式系统分层处理方法和电子设备 | |
CN117251035B (zh) | 散热控制方法、装置、电子设备和计算机可读介质 | |
CN115955685A (zh) | 多智能体协同路由方法、设备及计算机存储介质 | |
CN111694670B (zh) | 资源分配方法、装置、设备和计算机可读介质 | |
CN115473838A (zh) | 网络请求的处理方法、装置、计算机可读介质及电子设备 | |
Feltin et al. | Dnn partitioning for inference throughput acceleration at the edge | |
CN111898061A (zh) | 搜索网络的方法、装置、电子设备和计算机可读介质 | |
CN115604273A (zh) | 用于管理计算系统的方法、设备和程序产品 | |
CN112527454A (zh) | 容器组调度方法、装置、电子设备和计算机可读介质 | |
CN113760484A (zh) | 数据处理的方法和装置 | |
CN113792869B (zh) | 基于神经网络芯片的视频处理方法、装置和电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |