CN117270658A - 一种服务器散热智能管理方法、装置及电子设备 - Google Patents
一种服务器散热智能管理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117270658A CN117270658A CN202311201686.6A CN202311201686A CN117270658A CN 117270658 A CN117270658 A CN 117270658A CN 202311201686 A CN202311201686 A CN 202311201686A CN 117270658 A CN117270658 A CN 117270658A
- Authority
- CN
- China
- Prior art keywords
- heat dissipation
- cooling
- server
- detection data
- output result
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 156
- 230000017525 heat dissipation Effects 0.000 title claims abstract description 135
- 238000001816 cooling Methods 0.000 claims abstract description 155
- 238000001514 detection method Methods 0.000 claims abstract description 100
- 230000002068 genetic effect Effects 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 31
- 230000000694 effects Effects 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 18
- 230000007246 mechanism Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 239000000110 cooling liquid Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008303 genetic mechanism Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000002826 coolant Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 108010028984 3-isopropylmalate dehydratase Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012549 training 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
- G06F1/206—Cooling means comprising thermal management
-
- 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
-
- 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)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Cooling Or The Like Of Electrical Apparatus (AREA)
Abstract
本申请提供一种服务器散热智能管理方法、装置及电子设备,涉及散热技术的技术领域。在该智能管理方法中,应用于管理平台,智能管理方法包括:获取服务器的检测数据包;通过预设散热管理模型对检测数据包进行识别,得到输出结果;采用遗传算法对输出结果进行分析,生成冷却策略,以通过冷却策略对服务器散热进行管理。实施本申请提供的技术方案,便于提高对服务器散热的管理效率。
Description
技术领域
本申请涉及散热技术的技术领域,具体涉及一种服务器散热智能管理方法、装置及电子设备。
背景技术
随着信息技术的飞速发展,服务器的性能要求也在不断提高。在网络、大数据、人工智能等领域,需要更强大的计算能力来应对越来越复杂的任务。然而,这种强大的计算能力往往伴随着高热量的产生。
服务器在运行时产生的热量必须得到有效的管理和处理,否则会对服务器的性能和稳定性产生严重的影响。目前,对于服务器散热的管理方法仅停留在人为定时散热,但是,由于服务器处理的任务体量庞大,依靠单一的人工调试散热策略的方式已然无法满足服务器散热需求。
因此,基于上述场景下的实际需要,如何提高对服务器散热的管理效率是至关重要的。
发明内容
本申请提供了一种服务器散热智能管理方法、装置及电子设备,便于提高对服务器散热的管理效率。
在本申请的第一方面提供了一种服务器散热智能管理方法,应用于管理平台,所述方法包括:获取服务器的检测数据包;通过预设散热管理模型对所述检测数据包进行识别,得到输出结果;采用遗传算法对所述输出结果进行分析,生成冷却策略,以通过所述冷却策略对服务器散热进行管理。
通过采用上述技术方案,管理平台首先将获取服务器的检测数据包,再通过预设散热管理模型对检测数据包进行识别,从而得到输出结果。最后,采用遗传算法对输出结果进行分析,从而生成冷却策略,以便于管理平台根据冷却策略对服务器散热进行智能管理,相比于相关技术,不再需要人工对服务器散热进行调试,进而提高了对服务器散热的管理效率。
可选的,所述获取服务器的检测数据包,具体包括:接收检测设备发送的检测数据;采用文本指纹运算机制对所述检测数据进行处理,得到所述检测数据包。
通过采用上述技术方案,管理平台获取服务器的检测数据包的具体过程为:管理平台首先将接收检测设备发送的检测数据,管理平台再采用文本指纹运算机制对检测数据进行处理,从而得到检测数据包。由此,管理平台通过采用文本指纹运算机制,能够提高管理平台对检测数据包的处理效率和准确性,从而便于加快预设散热管理模型的识别工作速度。
可选的,所述检测数据包包括工作负载数据,所述通过预设散热管理模型对所述检测数据包进行识别,得到输出结果,具体包括:获取所述工作负载数据;根据所述工作负载数据,确定所述服务器的执行任务量;判断所述执行任务量与预设执行任务量阈值之间的大小关系;若所述执行任务量大于或等于预设执行任务量阈值,则得到第一输出结果,所述第一输出结果用于表示所述服务器已过载工作。
通过采用上述技术方案,管理平台首先将获取工作负载数据,再根据工作负载数据确定服务器的执行任务量。接下来,通过判断执行任务量与预设执行任务量阈值之间的大小关系,当执行任务量大于或等于预设执行任务量阈值时,管理平台将得到第一输出结果,从而便于管理平台获知服务器已过载工作。由此,便于管理平台实时获知服务器的工作负载情况,进而根据工作负载情况进行智能化地散热管理。
可选的,所述遗传算法包括适应度函数,所述适应度函数具体采用如下计算规则:
;
其中,x为冷却策略,a为冷却效果,b为冷却功耗,w1为冷却效果对应的权重,w2为冷却功耗对应的权重。
通过采用上述技术方案,管理平台利用遗传算法中的适应度函数来调整冷却策略,通过模拟自然选择和遗传机制寻找散热问题的最优解,实现冷却功耗和冷却效果之间的平衡,最大程度上保证了服务器的冷却效果,同时实现节能散热的目的。
可选的,所述检测数据包还包括温度数据,所述采用遗传算法对所述输出结果进行分析,生成冷却策略,具体包括:根据所述第一输出结果,计算所述服务器的第一温度值;根据所述温度数据,对所述第一温度值进行修正,得到第二温度值;对所述第二温度值进行分析,确定所述第二温度值对应的散热等级;根据所述散热等级,生成所述冷却策略,其中,一个所述散热等级对应一个所述冷却策略。
通过采用上述技术方案,管理平台采用遗传算法生成冷却策略的具体过程为:管理平台首先将根据第一输出结果,计算出服务器的第一温度值。接下来,管理平台根据温度数据,对第一温度值进行修正,从而得到更加切合实际的第二温度值。其次,管理平台通过对第二温度值进行分析,得到第二温度值对应的散热等级。最后,管理平台根据散热等级,生成冷却策略。由此,便于管理平台不断地根据不同的温度值实时调整冷却策略,实现了智能化的服务器散热管理,在保证冷却效果的前提下,进一步提高了对服务器散热的管理效率。
可选的,所述采用文本指纹运算机制对所述检测数据进行处理,得到所述检测数据包,具体包括:获取所述检测数据中的文本数据;将所述文本数据进行去噪与分词,生成多个特征单词;将所述多个特征单词转换为各对应的特征值,其中,一个特征单词对应一个特征值,所述特征值为仅含有数字0与1中一种或两种的数据串;基于所述多个特征单词各对应的权重对所述特征值设置权重,生成多个权重特征值;将所述多个权重特征值进行累加与降维,生成所述检测数据包。
通过采用上述技术方案,管理平台首先将获取检测数据中的文本数据,再对文本数据进行去噪与分词,生成多个特征单词。接下来,管理平台将生成的特征单词转换为各对应的特征值。其次,基于特征单词各对应的权重对特征值设置权重,从而生成多个权重特征值。最后,管理平台将多个权重特征值进行累加与降维,从而生成检测数据包。由此,管理平台能够将文本数据转换为预设散热管理模型能够识别的数据类型,便于预设散热管理模型的快速识别,从而提高了管理平台的处理效率。
可选的,所述检测数据包还包括冷却设备数据,所述通过预设散热管理模型对所述检测数据包进行识别,得到输出结果,具体还包括:获取所述冷却设备数据和温度数据;将所述冷却设备数据和温度数据输入至所述预设散热管理模型中,得到第二输出结果,所述第二输出结果包括冷却功耗和冷却效果。
通过采用上述技术方案,管理平台还将对冷却设备数据进行识别,管理平台首先将获取冷却设备数据和温度数据,再将冷却设备数据和温度数据输入至预设散热管理模型中,从而得到第二输出结果,以便于管理平台根据冷却设备数据和温度数据,准确地计算出冷却功耗和冷却效果,从而对服务器进行智能化的散热管理。
可选的,在所述采用遗传算法对所述输出结果进行分析,生成冷却策略之后,所述方法还包括:向用户设备发送所述冷却策略;接收所述用户设备发送的散热请求,所述散热请求用于表示对所述服务器进行散热的请求;根据所述散热请求,结合所述冷却策略,向冷却设备发送散热指令,以通过所述冷却设备根据所述散热指令对所述服务器进行散热。
通过采用上述技术方案,管理平台在生成冷却策略之后,还将向用户设备发送冷却策略,从而便用户设备对应的管理人员实时查看和参考冷却策略。同时,管理平台还将接收用户设备发送的散热请求,从而结合散热请求和冷却策略对冷却设备发送散热指令,进而实现控制冷却设备对服务器进行散热的目的。由此,实现了智能化的实时散热管理,降低了能耗需求量,保障了服务器的正常工作。
在本申请的第二方面提供了一种服务器散热智能管理装置,所述智能管理装置为管理品平台,所述管理平台包括获取模块和处理模块,其中,所述获取模块,用于获取服务器的检测数据包;所述处理模块,用于通过预设散热管理模型对所述检测数据包进行识别,得到输出结果;所述处理模块,用于采用遗传算法对所述输出结果进行分析,生成冷却策略,以通过所述冷却策略对服务器散热进行管理。
在本申请的第三方面提供了一种电子设备,所述电子设备包括处理器、存储器、用户接口以及网络接口,所述存储器用于存储指令,所述用户接口和所述网络接口均用于给其他设备通信,所述处理器用于执行所述存储器中存储的指令,以使所述电子设备执行如上所述的方法。
在本申请的第四方面提供了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指令,当所述指令被执行时,执行如上所述的方法。
综上所述,本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1.管理平台首先将获取服务器的检测数据包,再通过预设散热管理模型对检测数据包进行识别,从而得到输出结果。最后,采用遗传算法对输出结果进行分析,从而生成冷却策略,以便于管理平台根据冷却策略对服务器散热进行智能管理,相比于相关技术,不再需要人工对服务器散热进行调试,进而提高了对服务器散热的管理效率;
2.管理平台利用遗传算法中的适应度函数来调整冷却策略,通过模拟自然选择和遗传机制寻找散热问题的最优解,实现冷却功耗和冷却效果之间的平衡,最大程度上保证了服务器的冷却效果,同时实现节能散热的目的;
3.管理平台在生成冷却策略之后,还将向用户设备发送冷却策略,从而便用户设备对应的管理人员实时查看和参考冷却策略。同时,管理平台还将接收用户设备发送的散热请求,从而结合散热请求和冷却策略对冷却设备发送散热指令,进而实现控制冷却设备对服务器进行散热的目的。由此,实现了智能化的实时散热管理,降低了能耗需求量,保障了服务器的正常工作。
附图说明
图1是本申请实施例提供的一种服务器散热智能管理方法的流程示意图。
图2是本申请实施例提供的一种服务器散热智能管理装置的模块示意图。
图3是本申请实施例提供的一种电子设备的结构示意图。
附图标记说明:21、获取模块;22、处理模块;31、处理器;32、通信总线;33、用户接口;34、网络接口;35、存储器。
实施方式
为了使本领域的技术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,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。
在本申请实施例的描述中,“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中,术语“多个”的含义是指两个或两个以上。例如,多个系统是指两个或两个以上的系统,多个屏幕终端是指两个或两个以上的屏幕终端。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本申请提供了一种服务器散热智能管理方法,参照图1,图1为本申请实施例提供的一种服务器散热智能管理方法的流程示意图。该智能管理方法应用于管理平台,包括步骤S110至步骤S130,上述步骤如下:
S110、获取服务器的检测数据包。
具体地,管理平台为管理众多服务器的后台,用于为服务器散热提供决策支持,辅助管理人员更好地管理服务器正常工作。管理平台会实时获取服务器的检测数据包,检测数据包中包括工作负载数据、功耗数据、温度数据以及冷却设备数据等。管理平台获取检测数据包的方式,举例来说,方式包括通过监控工具(如Linux的top命令)或者专门的监控软件(如Nagios)来收集这些数据,或者通过电源管理接口(如IPMI)或者专用的能耗监测设备来获取这些数据,亦或者通过外设的传感器设备进行采集。在本申请实施例中,获取的方式不作限定,这里不再赘述。
在一种可能的实施方式中,获取服务器的检测数据包,具体包括:接收检测设备发送的检测数据;采用文本指纹运算机制对检测数据进行处理,得到检测数据包。
具体地,以上为本申请实施例提供的一种管理平台获取检测数据包的方式。首先,管理平台将接收检测设备发送的检测数据。接下来,管理平台采用文本指纹运算机制对检测数据进行处理,从而得到检测数据包。其中,检测设备为用于检测各种检测数据的传感器设备,比如温度传感器、风速传感器以及转速传感器等。采用文本指纹运算机制用于使计算机在对文本数据进行计算时,需要将文本数据转换为纯数字的数字串,以满足计算机的运行规则。
在一种可能的实施方式中,采用文本指纹运算机制对检测数据进行处理,得到检测数据包,具体包括:获取检测数据中的文本数据;将文本数据进行去噪与分词,生成多个特征单词;将多个特征单词转换为各对应的特征值,其中,一个特征单词对应一个特征值,特征值为仅含有数字0与1中一种或两种的数据串;基于多个特征单词各对应的权重对特征值设置权重,生成多个权重特征值;将多个权重特征值进行累加与降维,生成检测数据包。
具体地,管理平台得到检测数据包的具体过程为:首先,管理平台将获取检测数据中的文本数据,再将文本数据进行去噪与分词,从而生成多个特征单词。再通过对多个特征单词进行转换,得到特征值。其次,管理平台将根据多个特征单词各对应的权重对特征值设置权重,从而得到多个权重特征值。最后,管理平台将多个权重特征值进行累加与降维,从而生成检测数据包。其中,服务器将对文本数据进行去噪和分词,去噪可以理解为去除文本数据中不符合规定的文本数据,例如,表情符号以及一连串的标点符号等。在对文本数据进行去噪后,减少了噪声对管理平台计算的干扰。分词可以理解为将一句话划分为多个词语,其中,包括名词、动词、形容词、副词等。累加可以理解为将多个权重特征值的每一位相加,降维可以理解为将累加的结果转换为仅含有数字0或1中一种或两种的数字串。
举例来说,文本数据为“服务器内部的温度为X摄氏度。。,”,管理平台先对文本数据进行去噪处理,去噪后的文本数据为“服务器内部的温度为X摄氏度”。管理平台再对去噪后的文本数据进行分词处理,分词后得到的多个特征单词为:“服务器”、“内部温度”、“X摄氏度”。
在本申请实施例中,特征值可以理解为仅含有数字0或1中一种或两种的8位数字串。举例来说,文本数据为“服务器的内部温度”,特征单词为“服务器”和“内部温度”,其中,“服务器”对应的特征值为“10111110”,“内部温度”对应的特征值为“10011101”。其次,因为每个特征单词的重要程度不同,所以设置的权重不同。例如,将“内部温度”的权重设置为5,“服务器”的权重设置为1,则“内部温度”对应的权重特征值为“50055505”,“服务器”对应的权重特征值为“10111110”。
S120、通过预设散热管理模型对检测数据包进行识别,得到输出结果。
具体地,管理平台在获取到检测数据包之后,将通过预设散热管理模型对检测数据包进行识别,从而得到输出结果。其中,预设散热管理模型为预先构建的模型,该模型中存储有检测数据包与输出结果的对应关系,该模型用于分析检测数据包中的检测数据正常或异常。预设散热管理模型由神经网络训练得到,神经网络为自注意力神经网络,自注意力神经网络包括但不限于输入嵌入层、自注意力层、前馈神经网络层以及输出层等。而自注意力层可以包括多头注意力子层、残差连接子层以及层归一化子层,上述各层级为本领域技术人员所知,在此不再赘述。
因此,采用自注意力神经网络训练得到预设散热管理模型,不同于传统的循环神经网络(RNN)和卷积神经网络(CNN),自注意力神经网络可以同时考虑输入信息中各个元素之间的关系,而不是仅仅考虑相邻元素之间的关系,通过自注意力机制可以学习数据中的局部依赖关系,从而更好地捕捉序列中的长程依赖关系。再者,自注意力神经网络可以并行计算,从而加速训练和推理模型的过程,使得模型对异常的检测数据分析更加准确。
在一种可能的实施方式中,检测数据包包括工作负载数据,通过预设散热管理模型对检测数据包进行识别,得到输出结果,具体包括:获取工作负载数据;根据工作负载数据,确定服务器的执行任务量;判断执行任务量与预设执行任务量阈值之间的大小关系;若执行任务量大于或等于预设执行任务量阈值,则得到第一输出结果,第一输出结果用于表示服务器已过载工作。
具体地,管理平台首先将获取工作负载数据,再根据工作负载数据确定服务器的执行任务量。接下来,管理平台将比较执行任务量与预设执行任务量阈值之间的大小关系,当执行任务量大于或等于预设执行任务量阈值时,管理平台将会输出第一结果。此时,管理平台认为服务器的执行任务量过载,已经或者即将出现发热现象,因此,管理平台判定该温度数据为异常数据,从而有对服务器进行散热的需求。当执行任务量小于预设任务量阈值时,管理平台输出结果为正常,并继续进行检测和监控。其中,预设执行任务量阈值为管理平台根据服务器的出厂信息确定,这里不再赘述。
S130、采用遗传算法对输出结果进行分析,生成冷却策略,以通过冷却策略对服务器散热进行管理。
具体地,管理平台通过采用遗传算法对输出结果进行分析,从而生成冷却策略,以便于管理平台通过冷却策略对服务器散热进行管理,相比于相关技术,不再需要人工对服务器散热进行调试,进而提高了对服务器散热的管理效率。在本申请实施例中,冷却策略包括调节风机转速以及调节冷却液流速。通过调节二者不同的转速和流速来实现不同的冷却策略。
其中,遗传算法是一种通过模拟自然选择和遗传学机制,搜索最优解的算法。在本申请实施例中,使用遗传算法来优化散热冷却策略。首先,管理平台需要将冷却策略编码为一个解,这个解可以是一个二进制字符串或者是一个实数向量。例如,可以用一个实数来表示风扇的转速,用另一个实数来表示冷却液的流速,用一个二进制字符串来表示负载调度策略。接下来,需要设计一个适应度函数,用来评价一个解的好坏。在这个情境下,适应度函数可以是服务器的最大温度,或者是能耗,或者是两者的组合。其次,选择出的解会进行交叉操作,生成新的解。解代表的是冷却策略,交叉的方式也可以有很多种,比如单点交叉,多点交叉,均匀交叉等。另外,为了保持多个冷却策略的多样性,每一代都会有一些解进行变异操作。变异的方式可以有很多种,比如位翻转变异,均匀变异,高斯变异等。最后,新生成的解会替换一些旧的解,形成新的一代。替换的方式可以有很多种,比如全体替换,精英保留等。由此,通过这样的过程,遗传算法可以在多个代之间进行迭代,搜索最优的冷却策略。
在一种可能的实施方式中,遗传算法包括适应度函数,适应度函数具体采用如下计算规则:
;
其中,x为冷却策略,a为冷却效果,b为冷却功耗,w1为冷却效果对应的权重,w2为冷却功耗对应的权重。
具体地,以上为本申请实施例提供的一种适应度函数的具体公式。其中,a代表需要达到的目标冷却效果,b代表达到目标冷却效果所需要的冷却功耗。在本申请实施例中,w1与w2所对应的权重可以为管理平台自行预测计算,还可以由管理人员自行设定,从而用来调节冷却效果和冷却功耗的相对重要性。这两个权重可以根据实际需求进行调整。例如,如果管理人员更重视冷却效果,那么可以将w1设置的比w2大;如果管理人员更重视冷却功耗,那么可以将w2设得比w1大。
在一种可能的实施方式中,检测数据包还包括冷却设备数据,通过预设散热管理模型对检测数据包进行识别,得到输出结果,具体还包括:获取冷却设备数据和温度数据;将冷却设备数据和温度数据输入至预设散热管理模型中,得到第二输出结果,第二输出结果包括冷却功耗和冷却效果。
具体地,应用上述适应度函数需要确定冷却效果和冷却功耗,上述过程为本申请实施例提供的一种冷却效果和冷却功耗的具体计算方式。冷却功耗和冷却效果可以通过管理平台利用预设散热管理模型,对冷却设备数据和温度数据进行推算,其中,冷却设备数据为对应的执行散热任务的冷却设备,包括风机和冷却液系统。利用计算得到的冷却效果和冷却功耗,能够实现管理平台自动制定冷却策略,从而更加智能的对服务器散热进行管理,进一步提高了对服务器散热的管理效率。
在一种可能的实施方式中,检测数据包还包括温度数据,采用遗传算法对输出结果进行分析,生成冷却策略,具体包括:根据第一输出结果,计算服务器的第一温度值;根据温度数据,对第一温度值进行修正,得到第二温度值;对第二温度值进行分析,确定第二温度值对应的散热等级;根据散热等级,生成冷却策略,其中,一个散热等级对应一个冷却策略。
具体地,管理平台首先将根据第一输出结果,计算得到服务器的第一温度值,第一温度值代表的是根据服务器的过载情况确定的预测温度值,接下来,管理平台将根据温度数据,确定出实际温度值,再通过实际温度值对预测温度值进行修正,得到第二温度值,从而最大程度上降低温度传感器和模型预测带来的误差,保证了数据的准确性和鲁棒性。最后,管理平台根据第二温度值对应的散热等级,确定冷却策略。在本申请实施例中,散热等级可以分为三个等级,包括低级、中级以及高级,散热等级由温度值确定。每个散热等级对应的风机转速和冷却液流速更不相同,从而实现不同的冷却效果。例如,当温度值为80摄氏度时,散热等级为中级,管理平台生成的冷却策略为风机转速XX,以及冷却液流速XX。
在一种可能的实施方式中,在采用遗传算法对输出结果进行分析,生成冷却策略之后,还包括:向用户设备发送冷却策略;接收用户设备发送的散热请求,散热请求用于表示对服务器进行散热的请求;根据散热请求,结合冷却策略,向冷却设备发送散热指令,以通过冷却设备根据散热指令对服务器进行散热。
具体地,管理平台在生成冷却策略之后,将向用户设备发送该冷却策略,从而便于用户设备对应的管理人员进行参考。除此之外,管理平台还能够接收用户设备发送的散热请求,实现根据散热请求和冷却策略进行结合的方式,对服务器进行散热的目的。由此,便于快速对服务器进行散热,提高对服务器散热的管理效率的同时,还提升了用户的体验感。其中,用户设备的类型包括但不限于:安卓(Android)系统设备、苹果公司开发的移动操作系统(iOS)设备、个人计算机(PC)、全球局域网(World Wide Web,web)设备、虚拟现实(Virtual Reality,VR)设备、增强现实(Augmented Reality,AR)设备等设备。在本申请实施例中,用户设备为手机。
本申请还提供了一种服务器散热智能管理装置,参照图2,图2为本申请实施例提供的一种服务器散热智能管理装置的模块示意图。智能管理装置为管理品平台,管理平台包括获取模块21和处理模块22,其中,获取模块21,用于获取服务器的检测数据包;处理模块22,用于通过预设散热管理模型对检测数据包进行识别,得到输出结果;处理模块22,用于采用遗传算法对输出结果进行分析,生成冷却策略,以通过冷却策略对服务器散热进行管理。
在一种可能的实施方式中,获取模块21获取服务器的检测数据包,具体包括:获取模块21接收检测设备发送的检测数据;处理模块22采用文本指纹运算机制对检测数据进行处理,得到检测数据包。
在一种可能的实施方式中,检测数据包包括工作负载数据,处理模块22通过预设散热管理模型对检测数据包进行识别,得到输出结果,具体包括:获取模块21获取工作负载数据;处理模块22根据工作负载数据,确定服务器的执行任务量;处理模块22判断执行任务量与预设执行任务量阈值之间的大小关系;若执行任务量大于或等于预设执行任务量阈值,则处理模块22得到第一输出结果,第一输出结果用于表示服务器已过载工作。
在一种可能的实施方式中,遗传算法包括适应度函数,适应度函数具体采用如下计算规则:
;
其中,x为冷却策略,a为冷却效果,b为冷却功耗,w1为冷却效果对应的权重,w2为冷却功耗对应的权重。
在一种可能的实施方式中,检测数据包还包括温度数据,处理模块22采用遗传算法对输出结果进行分析,生成冷却策略,具体包括:处理模块22根据第一输出结果,计算服务器的第一温度值;处理模块22根据温度数据,对第一温度值进行修正,得到第二温度值;处理模块22对第二温度值进行分析,确定第二温度值对应的散热等级;处理模块22根据散热等级,生成冷却策略,其中,一个散热等级对应一个冷却策略。
在一种可能的实施方式中,处理模块22采用文本指纹运算机制对检测数据进行处理,得到检测数据包,具体包括:获取模块21获取检测数据中的文本数据;处理模块22将文本数据进行去噪与分词,生成多个特征单词;处理模块22将多个特征单词转换为各对应的特征值,其中,一个特征单词对应一个特征值,特征值为仅含有数字0与1中一种或两种的数据串;处理模块22基于多个特征单词各对应的权重对特征值设置权重,生成多个权重特征值;处理模块22将多个权重特征值进行累加与降维,生成检测数据包。
在一种可能的实施方式中,检测数据包还包括冷却设备数据,处理模块22通过预设散热管理模型对检测数据包进行识别,得到输出结果,具体还包括:获取模块21获取冷却设备数据和温度数据;处理模块22将冷却设备数据和温度数据输入至预设散热管理模型中,得到第二输出结果,第二输出结果包括冷却功耗和冷却效果。
在一种可能的实施方式中,在处理模块22采用遗传算法对输出结果进行分析,生成冷却策略之后,还包括:处理模块22向用户设备发送冷却策略;获取模块21接收用户设备发送的散热请求,散热请求用于表示对服务器进行散热的请求;处理模块22根据散热请求,结合冷却策略,向冷却设备发送散热指令,以通过冷却设备根据散热指令对服务器进行散热。
本申请还提供了一种电子设备,参照图3,图3为本申请实施例提供的一种电子设备的结构示意图。电子设备可以包括:至少一个处理器31,至少一个网络接口34,用户接口33,存储器35,至少一个通信总线32。
其中,通信总线32用于实现这些组件之间的连接通信。
其中,用户接口33可以包括显示屏(Display)、摄像头(Camera),可选用户接口33还可以包括标准的有线接口、无线接口。
其中,网络接口34可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器31可以包括一个或者多个处理核心。处理器31利用各种接口和线路连接整个服务器内的各个部分,通过运行或执行存储在存储器35内的指令、程序、代码集或指令集,以及调用存储在存储器35内的数据,执行服务器的各种功能和处理数据。可选的,处理器31可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器31可集成中央处理器(Central ProcessingUnit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器31中,单独通过一块芯片进行实现。
其中,存储器35可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器35包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器35可用于存储指令、程序、代码、代码集或指令集。存储器35可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及的数据等。存储器35可选的还可以是至少一个位于远离前述处理器31的存储装置。如图3所示,作为一种计算机存储介质的存储器35中可以包括操作系统、网络通信模块、用户接口模块以及一种服务器散热智能管理方法的应用程序。
在图3所示的电子设备中,用户接口33主要用于为用户提供输入的接口,获取用户输入的数据;而处理器31可以用于调用存储器35中存储一种服务器散热智能管理方法的应用程序,当由一个或多个处理器执行时,使得电子设备执行如上述实施例中一个或多个的方法。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必需的。
本申请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指令。当由一个或多个处理器执行时,使得电子设备执行如上述实施例中一个或多个所述的方法。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所披露的装置,可通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口,装置或单元的间接耦合或通信连接,可以是电性或其他的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括:U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述者,仅为本公开的示例性实施例,不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰,皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后,将容易想到本公开的其他实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的范围和精神由权利要求限定。
Claims (10)
1.一种服务器散热智能管理方法,其特征在于,应用于管理平台,所述方法包括:
获取服务器的检测数据包;
通过预设散热管理模型对所述检测数据包进行识别,得到输出结果;
采用遗传算法对所述输出结果进行分析,生成冷却策略,以通过所述冷却策略对服务器散热进行管理。
2.根据权利要求1所述的智能管理方法,其特征在于,所述获取服务器的检测数据包,具体包括:
接收检测设备发送的检测数据;
采用文本指纹运算机制对所述检测数据进行处理,得到所述检测数据包。
3.根据权利要求1所述的智能管理方法,其特征在于,所述检测数据包包括工作负载数据,所述通过预设散热管理模型对所述检测数据包进行识别,得到输出结果,具体包括:
获取所述工作负载数据;
根据所述工作负载数据,确定所述服务器的执行任务量;
判断所述执行任务量与预设执行任务量阈值之间的大小关系;
若所述执行任务量大于或等于预设执行任务量阈值,则得到第一输出结果,所述第一输出结果用于表示所述服务器已过载工作。
4.根据权利要求1所述的智能管理方法,其特征在于,所述遗传算法包括适应度函数,所述适应度函数具体采用如下计算规则:
;
其中,x为冷却策略,a为冷却效果,b为冷却功耗,w1为冷却效果对应的权重,w2为冷却功耗对应的权重。
5.根据权利要求3所述的智能管理方法,其特征在于,所述检测数据包还包括温度数据,所述采用遗传算法对所述输出结果进行分析,生成冷却策略,具体包括:
根据所述第一输出结果,计算所述服务器的第一温度值;
根据所述温度数据,对所述第一温度值进行修正,得到第二温度值;
对所述第二温度值进行分析,确定所述第二温度值对应的散热等级;
根据所述散热等级,生成所述冷却策略,其中,一个所述散热等级对应一个所述冷却策略。
6.根据权利要求2所述的智能管理方法,其特征在于,所述采用文本指纹运算机制对所述检测数据进行处理,得到所述检测数据包,具体包括:
获取所述检测数据中的文本数据;
将所述文本数据进行去噪与分词,生成多个特征单词;
将所述多个特征单词转换为各对应的特征值,其中,一个特征单词对应一个特征值,所述特征值为仅含有数字0与1中一种或两种的数据串;
基于所述多个特征单词各对应的权重对所述特征值设置权重,生成多个权重特征值;
将所述多个权重特征值进行累加与降维,生成所述检测数据包。
7.根据权利要求4所述的智能管理方法,其特征在于,所述检测数据包还包括冷却设备数据,所述通过预设散热管理模型对所述检测数据包进行识别,得到输出结果,具体还包括:
获取所述冷却设备数据和温度数据;
将所述冷却设备数据和温度数据输入至所述预设散热管理模型中,得到第二输出结果,所述第二输出结果包括冷却功耗和冷却效果。
8.根据权利要求1所述的智能管理方法,其特征在于,在所述采用遗传算法对所述输出结果进行分析,生成冷却策略之后,所述方法还包括:
向用户设备发送所述冷却策略;
接收所述用户设备发送的散热请求,所述散热请求用于表示对所述服务器进行散热的请求;
根据所述散热请求,结合所述冷却策略,向冷却设备发送散热指令,以通过所述冷却设备根据所述散热指令对所述服务器进行散热。
9.一种服务器散热智能管理装置,其特征在于,所述智能管理装置为管理品平台,所述管理平台包括获取模块(21)和处理模块(22),其中,
所述获取模块(21),用于获取服务器的检测数据包;
所述处理模块(22),用于通过预设散热管理模型对所述检测数据包进行识别,得到输出结果;
所述处理模块(22),用于采用遗传算法对所述输出结果进行分析,生成冷却策略,以通过所述冷却策略对服务器散热进行管理。
10.一种电子设备,其特征在于,所述电子设备包括处理器(31)、存储器(35)、用户接口(33)以及网络接口(34),所述存储器(35)用于存储指令,所述用户接口(33)和所述网络接口(34)均用于给其他设备通信,所述处理器(31)用于执行所述存储器(35)中存储的指令,以使所述电子设备执行如权利要求1至8任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311201686.6A CN117270658A (zh) | 2023-09-18 | 2023-09-18 | 一种服务器散热智能管理方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311201686.6A CN117270658A (zh) | 2023-09-18 | 2023-09-18 | 一种服务器散热智能管理方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117270658A true CN117270658A (zh) | 2023-12-22 |
Family
ID=89200110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311201686.6A Pending CN117270658A (zh) | 2023-09-18 | 2023-09-18 | 一种服务器散热智能管理方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117270658A (zh) |
-
2023
- 2023-09-18 CN CN202311201686.6A patent/CN117270658A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113408743B (zh) | 联邦模型的生成方法、装置、电子设备和存储介质 | |
Li et al. | Learning-based power prediction for data centre operations via deep neural networks | |
EP3607436B1 (en) | Disaggregating latent causes for computer system optimization | |
WO2021068563A1 (zh) | 样本数据处理方法、装置、计算机设备及存储介质 | |
CN113705981B (zh) | 一种基于大数据的异常监测的方法及装置 | |
CN113704410B (zh) | 情绪波动检测方法、装置、电子设备及存储介质 | |
CN114895773B (zh) | 异构多核处理器的能耗优化方法、系统、装置及存储介质 | |
JP7270691B2 (ja) | データをラベリングするための方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
CN111581258B (zh) | 一种安全数据分析方法、装置、系统、设备及存储介质 | |
WO2024098699A1 (zh) | 实体对象的威胁检测方法、装置、设备及存储介质 | |
CN112508200A (zh) | 处理机器学习模型文件的方法、装置、设备、介质和程序 | |
CN113051130A (zh) | 结合注意力机制的lstm网络的移动云负载预测方法及系统 | |
US20170230413A1 (en) | Techniques for detecting attacks in a publish-subscribe network | |
CN115913710A (zh) | 异常检测方法、装置、设备及存储介质 | |
US11563654B2 (en) | Detection device and detection method | |
US10922406B2 (en) | Protecting method and system for malicious code, and monitor apparatus | |
CN114564313A (zh) | 负载调整方法、装置、电子设备及存储介质 | |
CN117270658A (zh) | 一种服务器散热智能管理方法、装置及电子设备 | |
CN116703659A (zh) | 一种应用于工程咨询的数据处理方法、装置及电子设备 | |
WO2020252925A1 (zh) | 用户特征群中用户特征寻优方法、装置、电子设备及计算机非易失性可读存储介质 | |
CN112333155B (zh) | 一种异常流量的检测方法、系统、电子设备及存储介质 | |
CN111598390B (zh) | 服务器高可用性评估方法、装置、设备和可读存储介质 | |
CN115099875A (zh) | 基于决策树模型的数据分类方法及相关设备 | |
CN117008702A (zh) | 一种内存条散热方法、装置及电子设备 | |
CN107566187B (zh) | 一种sla违例监测方法、装置和系统 |
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 |