CN117891681A - 一种基于能耗预测的存储设备动态配置方法及系统 - Google Patents
一种基于能耗预测的存储设备动态配置方法及系统 Download PDFInfo
- Publication number
- CN117891681A CN117891681A CN202311815922.3A CN202311815922A CN117891681A CN 117891681 A CN117891681 A CN 117891681A CN 202311815922 A CN202311815922 A CN 202311815922A CN 117891681 A CN117891681 A CN 117891681A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- storage equipment
- storage
- storage device
- predicted value
- 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 130
- 238000003860 storage Methods 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000009826 distribution Methods 0.000 claims abstract description 19
- 230000005856 abnormality Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000001816 cooling Methods 0.000 claims description 28
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000005057 refrigeration Methods 0.000 claims description 5
- 230000001932 seasonal effect Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000013021 overheating Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241001124569 Lycaenidae Species 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于能耗预测的存储设备动态配置方法及系统,涉及数据中心管理技术领域,包括:获取存储设备的历史能耗数据,并基于此训练得到能耗预测集成模型,从而预测未来设定时段的存储设备的能耗预测值;判断以能耗预测值配置存储设备是否会出现异常,根据判断结果、负载需求和各存储设备的能耗预测值,确定待使用的存储设备及其操作模式,并根据能耗预测值对待使用的存储设备进行负载初分配,并在执行负载初分配策略后检测出能耗异常时再对存储设备间的负载进行重分配。准确预测未来的使用模式,并相应地调整能源消耗。
Description
技术领域
本发明涉及数据中心管理技术领域,特别是涉及一种基于能耗预测的存储设备动态配置方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
随着数据中心存储和管理的数据越来越多,目前对数据中心的要求是要最大限度的渐少能源的使用。
目前,数据中心的电源管理涉及的相关现有技术包括:
基于预定义规则的电源管理,集中在简单的手动策略上,根据使用模式判断何时关闭或打开服务器或存储设备,但是,该方法不是动态的,没有考虑到波动的工作量,不能很好地适应不断变化的数据访问模式和工作负载分布,缺乏适应性,效率低。
虚拟化存储技术可以更好地利用服务器和存储资源,但其本身不提供能耗预测功能,没有直接解决预测性电源管理问题。
通过消除冗余数据,减少所需的存储量,从而减少能源消耗,但该方法是资源密集型的,不适合所有类型的数据或存储系统,也不能预测未来的能源使用;且虚拟化和重复数据的删除等解决方案都需要复杂的设置和管理,会引入额外的间接成本,带来潜在的性能瓶颈,例如,虚拟化需要额外的软件层,重复数据删除需要计算资源来识别和消除冗余。
热感知调度,关注温度方面,并根据热条件安排任务,以防止过热,可以间接地保存能量,但考虑因素有限,只考虑温度,不考虑可能影响能耗的更广泛因素。
另外,许多现有的解决方案是反应性的,而不是预测性的,是对当前的情况做出反应,而不是预测未来的情况,这可能导致次优决策。
发明内容
为了解决上述问题,本发明提出了一种基于能耗预测的存储设备动态配置方法及系统,准确预测未来的使用模式,并相应地调整能源消耗。
为了实现上述目的,本发明采用如下技术方案:
第一方面,本发明提供一种基于能耗预测的存储设备动态配置方法,包括:
获取存储设备的历史能耗数据,并基于此训练得到能耗预测集成模型,从而预测未来设定时段的存储设备的能耗预测值;
判断以能耗预测值配置存储设备是否会出现异常,根据判断结果、负载需求和各存储设备的能耗预测值,确定待使用的存储设备及其操作模式,并根据能耗预测值对待使用的存储设备进行负载初分配,并在执行负载初分配策略后检测出能耗异常时再对存储设备间的负载进行重分配。
作为可选择的实施方式,对获取的历史能耗数据使用时间序列分解技术,提取趋势、季节和残差分量,提取特定域的特征;且对分解的时间序列数据创建附加特征,包括滞后变量特定时间窗口内的滚动统计值、季节性指标、时间特征和特殊事件;由此构建训练集并进行模型训练。
作为可选择的实施方式,采用LSTM-CNN集成模型来进行能耗预测,其中,CNN网络的输出与LSTM网络的输入,LSTM网络的输出与CNN网络提取的特征进行级联。
作为可选择的实施方式,待使用的存储设备及其操作模式的过程中,自动激活或停用存储设备以匹配预期的负载需求,优化存储设备的操作模式,对空闲或未充分利用的节点断电或进入低功耗模式,调整空闲节点中磁盘的旋转速度,在活动节点之间动态分配资源。
作为可选择的实施方式,在执行负载初分配策略后检测出能耗异常时,评估异常对预测能耗和器械性能的影响,在存储设备之间动态地重新分配工作负载,调整受影响存储设备的工作负载分配。
作为可选择的实施方式,还包括:构建能耗和制冷需求间的关联,以能耗预测值为输入,预测存储环境的预期冷却需求。
作为可选择的实施方式,根据预期冷却需求,对自适应冷却系统动态控制冷却机制,监测存储设备的环境温度,根据预期冷却需求和实际环境温度间的偏差调整自适应冷却系统。
第二方面,本发明提供一种基于能耗预测的存储设备动态配置系统,包括:
预测模块,被配置为获取存储设备的历史能耗数据,并基于此训练得到能耗预测集成模型,从而预测未来设定时段的存储设备的能耗预测值;
动态配置模块,被配置为判断以能耗预测值配置存储设备是否会出现异常,根据判断结果、负载需求和各存储设备的能耗预测值,确定待使用的存储设备及其操作模式,并根据能耗预测值对待使用的存储设备进行负载初分配,并在执行负载初分配策略后检测出能耗异常时再对存储设备间的负载进行重分配。
第三方面,本发明提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述的方法。
第四方面,本发明提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述的方法。
与现有技术相比,本发明的有益效果为:
本发明能够解决能源消耗预测问题,准确预测存储系统的能源需求,以避免电力资源的过度或不足。
本发明能够解决异常检测问题,识别能源消耗中的异常模式,这些模式可能表明设备故障或其他需要注意的问题。
本发明能够解决负载分配问题,在存储设备之间优化分配工作负载,以确保能源效率,同时不影响性能。
本发明能够解决热管理问题,根据预期的能耗预测冷却需求,从而防止过热并延长设备寿命。
本发明能够解决动态预配置问题,根据预测的需求自动调整活动存储节点的数量及其操作模式,如降低空闲磁盘的转速等。
本发明提出了一种基于能耗预测的存储设备动态配置方法及系统,通过预测未来设定时段的存储设备的能耗预测值来动态配置存储设备,相应地调整资源分配来提高运营效率,且准确的预测可以优化能源消耗,最大限度地减少能源浪费,显著节省成本,特别是在能源是主要支出的大型数据中心。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1提供的基于能耗预测的存储设备动态配置方法流程图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“包含”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1
本实施例提供一种基于能耗预测的存储设备动态配置方法,如图1所示,包括:
获取存储设备的历史能耗数据,并基于此训练得到能耗预测集成模型,从而预测未来设定时段的存储设备的能耗预测值;
判断以能耗预测值配置存储设备是否会出现异常,根据判断结果、负载需求和各存储设备的能耗预测值,确定待使用的存储设备及其操作模式,并根据能耗预测值对待使用的存储设备进行负载初分配,并在执行负载初分配策略后检测出能耗异常时再对存储设备间的负载进行重分配。
在本实施例中,获取存储设备的历史能耗数据,比如包括时间戳、不同时间段的能耗、设备操作状态(如空闲、读取、写入)、每秒输入/输出操作(IOPS)以及环境条件(如温度和湿度)等。
作为可选择的一种实施方式,可对获取的能耗数据进行数据清理;如数据清理的方式可采用删除离群值并填充缺失值的方法。
在本实施例中,对获取的历史能耗数据进行以下处理,以构建训练集;
具体包括:
(1)使用时间序列分解技术(如加法或乘法分解),从历史能耗数据中提取趋势、季节和残差分量,从而将获取的历史能耗数据分为基本模式和不规则波动;基于时间戳,以相同的时间尺度(如一天中的小时,一周中的一天),对分解的时间序列数据提取相关特定域的特征;
包括:天气相关特征,如特定时间间隔或季节的平均温度和湿度;季节趋势特征,如能耗和不同天气季节之间的相关性;天气影响特征,如天气条件变化对能源使用模式的影响;设备使用年限或磨损指标特征;基于时间模式,如高峰和非高峰使用;设备特征,如制造商、型号、使用年限,与工作负载特征,如存储的数据类型、访问频率等。
(2)采用Pearson相关性或斯皮尔曼等级相关性等技术来进行相关性分析,检测特征和目标(能耗)之间的相关性,识别高度相关的特征,消除冗余特征;采用主成分分析(PCA)法进行降维。
(3)通过对分解的时间序列数据创建附加特征,以增强时间序列;
例如,滞后变量:引入滞后值(过去的能耗)作为特征;
滚动统计:计算特定时间窗口内的滚动平均值、标准差、最小值/最大值;
季节性指标:季节性模式的二进制指标(例如,白天/晚上,工作日/周末);
基于时间的特征:提取时间特征,如一天中的小时,一周中的一天,一个月等;
特殊事件:包括可能影响能耗的已知事件(节假日、维护期)。
(4)对处理后的数据集进行分类编码;如设备制造商、型号和存储到数字表示中的数据类型(例如,独热编码)。
(5)归一化/缩放:将数值特征缩放到标准范围,以确保在建模过程中具有同等重要性。
在本实施例中,采用LSTM-CNN集成模型来进行能耗预测,以捕获数据中的时间和空间依赖性,采用特征交互层,引入明确模拟不同特征之间交互的层。
具体地:
CNN模块:从输入数据中提取空间模式,通常用于基于图像的数据;该模块由卷积层和池化层组成,以捕获空间特征。
LSTM模块:处理数据中的时序信息,获取CNN模块的输出并解释时间依赖性。
集成:CNN模块的输出被重新整形或转换,以与LSTM模块预期的输入结构兼容。
组合:LSTM模块的输出与CNN模块提取的特征组合或级联,然后通过后续层或进行最终预测。
特征交互层是模型构造和集成的一部分,作用是显式模拟不同特征之间的交互,增强模型捕获各种输入特征之间复杂关系的能力;处理流程包括:
a.层添加:特征交互层通常是添加在神经网络架构中的单独层,位于初始输入层之后。
b.特征交互:允许特征显式交互,可以使用连接、元素乘法或基于神经网络的转换等方法来创建交互。
c.学习互动:神经网络学习权衡和联合收割机这些相互作用,从而引入非线性,使模型能够捕捉特征之间的复杂关系。
d.输出集成:特征交互层的输出被传递到模型中的后续层,以进行进一步的处理和预测。
在本实施例中,将提取的特定域的特征和增强的时间序列合并为训练集,将训练集组织成适合能耗预测集成模型结构的格式,并对能耗预测集成模型进行训练;基于预测值和实际值之间的误差来调整模型权重,使用验证集来验证模型的性能,调整超参数,评估其预测准确性并避免过度拟合。
在本实施例中,采用随机梯度下降(SGD)更新模型,具体说明如下:
1、初始化:为模型设置一组初始参数(权重),可以随机选择或基于某种启发式算法初始化。
2、迭代更新:
对于每个数据点:与计算整个数据集(批次)损失函数梯度的传统梯度下降法不同,SGD会更新每个训练样本或一小批样本的参数。
计算梯度:计算损失函数相对于模型参数的梯度,但仅针对当前样本或小批次。
更新参数:在减少损失的方向上调整模型参数:其中,θ表示参数,η是学习率,并且/>是损失函数J相对于θ的梯度,针对当前数据点(x(i),y(i))计算。
3、学习率(η):决定了朝向损失函数的最小值所采取的步骤的大小,如果学习速率太高,算法可能会超出最小值;如果太低,收敛速度可能会很慢。
4、收敛性:通过训练数据集迭代多次,直到其达到收敛,即直到损失函数或参数的变化最小或低于预定阈值。
在本实施例中,基于训练后得到的能耗预测集成模型,预测未来设定时段由存储设备消耗的能量;例如:短期预测:旨在预测未来几分钟、几小时或几天的能源消耗,这种粒度对于实时的即时操作调整或能量优化策略是有价值的;中期预测:涉及预测更广泛范围内的能源消耗,可能是未来几周或几个月,可以帮助存储设备的容量规划、资源分配或维护调度;长期预测:涵盖数月,季度甚至数年,长期能耗预测有利于战略规划、投资决策或评估设备的生命周期和能源效率。
在本实施例中,预先构建异常检测模型(如LSTM-CNN混合),根据预测得到的能耗预测值,采用该模型,定义置信区间,判断以预测出的能耗预测值配置存储设备是否会出现异常。
其中,所述置信区间可根据残差或预测误差的统计方法(如均值、标准差、分位数)进行定义,识别残差超过预定义阈值的离群值,表明能源消耗的潜在异常。
此外,检测到异常可用于更新能耗预测集成模型;持续检测和确认的异常可能表明设备行为或环境条件发生变化,需要进行模型调整。使用更新的数据(包括有关检测到的异常的信息)定期重新训练模型,以提高其预测能力和异常检测准确性。一致的异常模式或新行为被集成到模型中,使其能够适应和改进异常检测能力。
在本实施例中,在本实施例中,能耗预测值表示指定时间间隔内单个存储设备的能耗,负载需求包括工作负载波动和存储访问需求随时间的变化;根据负载需求,自动调整活动的存储设备的数量及其操作模式(如降低空闲磁盘的转速),自动激活或停用存储节点以匹配预期的工作负载,优化存储设备的操作模式,如空闲或未充分利用的节点断电或进入低功耗模式,调整空闲节点中磁盘的旋转速度,以降低功耗,同时为增加的工作负载做好准备;在活动节点之间动态分配资源,以优化能源效率和性能。
在本实施例中,若经异常检测后未出现异常,则按负载初分配方案进行配置,根据每个存储设备的预测消耗模式分配工作负载;
通过持续监控,当检测到有异常时,评估异常对预测能耗和器械性能的影响,在存储设备之间动态地重新分配工作负载,以减轻异常的影响,调整受影响设备的工作负载分配,以防止异常导致的性能下降或潜在故障。
在本实施例中,实现自适应负载平衡;通过持续监控预测消耗值和异常情况,根据更新的预测和异常检测动态调整工作负载分布,以优化整体性能和能效。
在本实施例中,持续监控预测的需求模式,并将其与实际工作负载进行比较,以优化动态预配置策略,根据更新的预测和观察到的工作负载变化实时调整配置。
能耗预测能预测指定时间间隔内存储设备的预期能源使用量,有利于深入了解能源需求,为调整存储基础架构奠定基础。分析预测的需求模式和工作负载波动,为存储配置的动态调整奠定基础。能源消耗预测是估计未来需求和工作量模式的预测基础。预测的能量使用模式通知存储节点配置和操作模式的自适应调整,以与预期的需求保持一致。基于能耗预测的动态预配置目的是优化资源利用率,减少浪费,并提高整体能源效率,以响应不断变化的工作负载需求。
在本实施例中,根据历史数据和预测模型提供存储设备的预期能耗模式。考虑到预期的消耗模式,确定基准工作量分配计划。预测消耗模式的偏差或异常,可能表明设备行为的潜在问题或变化。在检测到异常时触发自适应工作负载调整,以优化负载分布并防止对设备性能产生不利影响。
在预测的能量消耗模式中检测到的异常充当负载重新分配的触发器。异常会促使工作负载分配进行动态调整,以跨存储设备保持最佳性能和能效。检测到的异常反馈到预测过程中,影响未来的预测,并可能提高后续周期的异常检测能力。
能耗预测为初始工作负载分配计划提供了信息,而异常检测则作为一种持续的监控机制,允许动态调整工作负载分配,以优化性能、预防问题并适应存储设备环境中不断变化的条件。预测、异常检测和负载分配之间的关系形成循环,该循环迭代地细化工作负载分配策略,以提高效率和可靠性。
在本实施例中,还解决热管理问题;根据历史数据和系统特性建立能耗和制冷需求之间的关联,使用能耗预测值作为输入,预测存储环境的预期冷却需求,从而防止过热并延长设备寿命。
其中,采用能够根据预测或实时冷却需求调整冷却能力的自适应冷却系统,动态控制冷却机制(如风扇、空调或液体冷却系统)以满足预期需求;使用传感器监测储存设施内的环境温度;根据预测的冷却需求和实际环境温度之间的偏差调整冷却系统,以保持最佳状态。
制冷需求预测根据历史数据和已建立的关系,将预期能耗模式与相应的冷却需求相关联,根据预计能耗预测保持最佳热条件所需的预期冷却需求。能耗预测是估算制冷需求的基础,预测的能源使用模式直接影响存储环境中的预期冷却需求。预测的能耗为冷却系统的自适应控制提供信息,从而允许基于预期需求对冷却机制进行主动调整。持续监控预测的能耗并实时调整冷却系统,以满足预测的冷却需求,确保高效的热管理。
在本实施例中,将构建的模型集成到存储系统的管理软件中,以便接收实时数据并进行预测;持续监控模型的性能,并根据需要使用新数据进行重新训练,以适应存储设备使用模式或环境条件的变化。
实施例2
本实施例提供一种基于能耗预测的存储设备动态配置系统,包括:
预测模块,被配置为获取存储设备的历史能耗数据,并基于此训练得到能耗预测集成模型,从而预测未来设定时段的存储设备的能耗预测值;
动态配置模块,被配置为判断以能耗预测值配置存储设备是否会出现异常,根据判断结果、负载需求和各存储设备的能耗预测值,确定待使用的存储设备及其操作模式,并根据能耗预测值对待使用的存储设备进行负载初分配,并在执行负载初分配策略后检测出能耗异常时再对存储设备间的负载进行重分配。
此处需要说明的是,上述模块对应于实施例1中所述的步骤,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1中所述的方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元及算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于能耗预测的存储设备动态配置方法,其特征在于,包括:
获取存储设备的历史能耗数据,并基于此训练得到能耗预测集成模型,从而预测未来设定时段的存储设备的能耗预测值;
判断以能耗预测值配置存储设备是否会出现异常,根据判断结果、负载需求和各存储设备的能耗预测值,确定待使用的存储设备及其操作模式,并根据能耗预测值对待使用的存储设备进行负载初分配,并在执行负载初分配策略后检测出能耗异常时再对存储设备间的负载进行重分配。
2.如权利要求1所述的一种基于能耗预测的存储设备动态配置方法,其特征在于,对获取的历史能耗数据使用时间序列分解技术,提取趋势、季节和残差分量,提取特定域的特征;且对分解的时间序列数据创建附加特征,包括滞后变量特定时间窗口内的滚动统计值、季节性指标、时间特征和特殊事件;由此构建训练集并进行模型训练。
3.如权利要求1所述的一种基于能耗预测的存储设备动态配置方法,其特征在于,采用LSTM-CNN集成模型来进行能耗预测,其中,CNN网络的输出与LSTM网络的输入,LSTM网络的输出与CNN网络提取的特征进行级联。
4.如权利要求1所述的一种基于能耗预测的存储设备动态配置方法,其特征在于,待使用的存储设备及其操作模式的过程中,自动激活或停用存储设备以匹配预期的负载需求,优化存储设备的操作模式,对空闲或未充分利用的节点断电或进入低功耗模式,调整空闲节点中磁盘的旋转速度,在活动节点之间动态分配资源。
5.如权利要求1所述的一种基于能耗预测的存储设备动态配置方法,其特征在于,在执行负载初分配策略后检测出能耗异常时,评估异常对预测能耗和器械性能的影响,在存储设备之间动态地重新分配工作负载,调整受影响存储设备的工作负载分配。
6.如权利要求1所述的一种基于能耗预测的存储设备动态配置方法,其特征在于,还包括:构建能耗和制冷需求间的关联,以能耗预测值为输入,预测存储环境的预期冷却需求。
7.如权利要求6所述的一种基于能耗预测的存储设备动态配置方法,其特征在于,根据预期冷却需求,对自适应冷却系统动态控制冷却机制,监测存储设备的环境温度,根据预期冷却需求和实际环境温度间的偏差调整自适应冷却系统。
8.一种基于能耗预测的存储设备动态配置系统,其特征在于,包括:
预测模块,被配置为获取存储设备的历史能耗数据,并基于此训练得到能耗预测集成模型,从而预测未来设定时段的存储设备的能耗预测值;
动态配置模块,被配置为判断以能耗预测值配置存储设备是否会出现异常,根据判断结果、负载需求和各存储设备的能耗预测值,确定待使用的存储设备及其操作模式,并根据能耗预测值对待使用的存储设备进行负载初分配,并在执行负载初分配策略后检测出能耗异常时再对存储设备间的负载进行重分配。
9.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311815922.3A CN117891681A (zh) | 2023-12-26 | 2023-12-26 | 一种基于能耗预测的存储设备动态配置方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311815922.3A CN117891681A (zh) | 2023-12-26 | 2023-12-26 | 一种基于能耗预测的存储设备动态配置方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117891681A true CN117891681A (zh) | 2024-04-16 |
Family
ID=90651709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311815922.3A Pending CN117891681A (zh) | 2023-12-26 | 2023-12-26 | 一种基于能耗预测的存储设备动态配置方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117891681A (zh) |
-
2023
- 2023-12-26 CN CN202311815922.3A patent/CN117891681A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116646933B (zh) | 一种基于大数据的电力负荷调度方法及系统 | |
US20200272889A1 (en) | Optimizing data center controls using neural networks | |
US20200356087A1 (en) | Model predictive maintenance system with event or condition based performance | |
US10101048B2 (en) | Supervisory controller for HVAC systems | |
CN102056182B (zh) | 一种基于ls-svm的移动话务量预测方法 | |
EP3736646A1 (en) | Method and controller for controlling a chiller plant for a building and chiller plant | |
JP2020154785A (ja) | 予測方法、予測プログラムおよびモデル学習方法 | |
JP7342833B2 (ja) | 制御装置、コントローラ、制御システム、制御方法、および制御プログラム | |
CN113039506A (zh) | 基于因果学习的数据中心基础结构优化方法 | |
Shoukourian et al. | Using machine learning for data center cooling infrastructure efficiency prediction | |
CN112734135A (zh) | 一种电力负荷预测方法、智能终端及计算机可读存储介质 | |
Yang et al. | Developing data-driven models to predict BEMS energy consumption for demand response systems | |
CN116126052A (zh) | 用于温度控制的方法、装置、设备和存储介质 | |
CN113225994B (zh) | 一种面向数据中心的智能空调控制方法 | |
Mahan et al. | A novel resource productivity based on granular neural network in cloud computing | |
US11550691B2 (en) | Computing resources schedule recommendation | |
CN117891681A (zh) | 一种基于能耗预测的存储设备动态配置方法及系统 | |
Xiao et al. | Reliability analysis of aging control system via stability margins | |
Paranou et al. | Forecasting resource demand for dynamic datacenter sizing in telco infrastructures | |
CN117873690B (zh) | 运算器芯片功耗管理方法、计算子系统以及智能计算平台 | |
CN117973635B (zh) | 决策预测方法、电子设备以及计算机可读存储介质 | |
KR102498340B1 (ko) | Bems 기반으로 히트 펌프들의 운용 스케줄을 결정 위한 장치 및 방법 | |
CN117366810B (zh) | 一种空调系统控制方法和装置 | |
CN118094209A (zh) | 云端资源自动化管理与优化系统 | |
US20240020157A1 (en) | Identifying hotspots and coldspots in forecasted power consumption data in an it data center for workload scheduling |
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 |