CN118965647A - 一种功能分区型集装箱式数据中心及数据处理方法 - Google Patents

Abstract

本申请提供了一种功能分区型集装箱式数据中心及数据处理方法，涉及数据中心设计技术领域，包括：获取基础规模信息，采集基础设备信息，进行数据挖掘，获得配置记忆库，在配置记忆库中进行匹配，获得目标配置记录，构建算力－动力源集装箱映射关系，结合算力集装箱配置数量，获得动力源集装箱配置数量，基于算力集装箱布设拓扑网和动力源集装箱配置数量，获得动力源集装箱布设拓扑网，构建数据中心，进行数据处理。通过本申请可以解决现有技术中由于传统数据中心在配置和扩展方面缺乏灵活性，导致难以适应不断变化的数据处理需求的技术问题，通过数据挖掘和配置记忆库，实现了对集装箱的智能配置，达到了提高数据中心的整体效率的技术效果。

Description

一种功能分区型集装箱式数据中心及数据处理方法

技术领域

本申请涉及数据中心设计技术领域，尤其涉及一种功能分区型集装箱式数据中心及数据处理方法。

背景技术

集装箱式数据中心是一种机动灵活和快速部署的数据中心，已经被广泛应用。集装箱式数据中心是将服务器、存储、网络设备、冷却系统等数据中心基础设施集成在一个标准集装箱内。这种设计允许数据中心快速部署在任何地点，特别适用于军事、灾难恢复、临时活动或远程地区。现有的集装箱式数据中心主要将动力电源部分和数据机柜部分设置在一个集装箱中。这种一体化的设计虽然便于部署，但在扩展性、能耗管理等方面存在限制。目前，传统的数据中心在配置和扩展方面通常较为固定，难以快速适应业务类型、处理数据量和响应需求的变化，导致资源浪费或处理能力不足。

综上所述，现有技术中存在由于传统数据中心在配置和扩展方面缺乏灵活性，导致难以适应不断变化的数据处理需求的技术问题。

发明内容

本申请的目的是提供一种功能分区型集装箱式数据中心及数据处理方法，用以解决现有技术中存在由于传统数据中心在配置和扩展方面缺乏灵活性，导致难以适应不断变化的数据处理需求的技术问题。

鉴于上述问题，本申请提供了一种功能分区型集装箱式数据中心及数据处理方法。

第一方面，本申请提供了一种功能分区型集装箱式数据中心，其中，所述一种功能分区型集装箱式数据中心包括：基础规模信息获取模块，所述基础规模信息获取模块用于获取目标数据中心的基础规模信息，其中，所述基础规模信息包括业务类型、处理数据量和响应需求；基础设备信息采集模块，所述基础设备信息采集模块用于采集算力集装箱的基础设备信息，其中，所述基础设备信息包括计算量、存储量和网络架构；数据挖掘模块，所述数据挖掘模块用于以所述计算量、存储量和网络架构为索引进行数据挖掘，获得配置记忆库，其中，所述配置记忆库包括N个挖掘配置记录；匹配模块，所述匹配模块用于以所述业务类型、处理数据量和响应需求为目标，在所述配置记忆库的N个挖掘配置记录中进行匹配，获得目标配置记录，其中，所述目标配置记录包括算力集装箱配置数量和算力集装箱布设拓扑网；映射关系构建模块，所述映射关系构建模块用于构建算力－动力源集装箱映射关系，结合所述算力集装箱配置数量，获得动力源集装箱配置数量；布设拓扑网确定模块，所述布设拓扑网确定模块用于基于所述算力集装箱布设拓扑网和所述动力源集装箱配置数量，获得动力源集装箱布设拓扑网；数据处理模块，所述数据处理模块用于根据所述算力集装箱布设拓扑网和所述动力源集装箱布设拓扑网构建数据中心，并利用所述数据中心进行数据处理。

第二方面，本申请还提供了一种数据处理方法，其中，所述一种数据处理方法包括：获取目标数据中心的基础规模信息，其中，所述基础规模信息包括业务类型、处理数据量和响应需求；采集算力集装箱的基础设备信息，其中，所述基础设备信息包括计算量、存储量和网络架构；以所述计算量、存储量和网络架构为索引进行数据挖掘，获得配置记忆库，其中，所述配置记忆库包括多个配置记录；以所述业务类型、处理数据量和响应需求为目标，在所述配置记忆库的多个配置记录中进行匹配，获得目标配置记录，其中，所述目标配置记录包括算力集装箱配置数量和算力集装箱布设拓扑网；构建算力－动力源集装箱映射关系，结合所述算力集装箱配置数量，获得动力源集装箱配置数量；基于所述算力集装箱布设拓扑网和所述动力源集装箱配置数量，获得动力源集装箱布设拓扑网；根据所述算力集装箱布设拓扑网和所述动力源集装箱布设拓扑网构建数据中心，并利用所述数据中心进行数据处理。

本申请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：

通过基础规模信息获取模块，所述基础规模信息获取模块用于获取目标数据中心的基础规模信息，其中，所述基础规模信息包括业务类型、处理数据量和响应需求；基础设备信息采集模块，所述基础设备信息采集模块用于采集算力集装箱的基础设备信息，其中，所述基础设备信息包括计算量、存储量和网络架构；数据挖掘模块，所述数据挖掘模块用于以所述计算量、存储量和网络架构为索引进行数据挖掘，获得配置记忆库，其中，所述配置记忆库包括N个挖掘配置记录；匹配模块，所述匹配模块用于以所述业务类型、处理数据量和响应需求为目标，在所述配置记忆库的N个挖掘配置记录中进行匹配，获得目标配置记录，其中，所述目标配置记录包括算力集装箱配置数量和算力集装箱布设拓扑网；映射关系构建模块，所述映射关系构建模块用于构建算力－动力源集装箱映射关系，结合所述算力集装箱配置数量，获得动力源集装箱配置数量；布设拓扑网确定模块，所述布设拓扑网确定模块用于基于所述算力集装箱布设拓扑网和所述动力源集装箱配置数量，获得动力源集装箱布设拓扑网；数据处理模块，所述数据处理模块用于根据所述算力集装箱布设拓扑网和所述动力源集装箱布设拓扑网构建数据中心，并利用所述数据中心进行数据处理。也就是说，通过数据挖掘和配置记忆库，实现了对集装箱的智能配置，达到了提高数据中心的整体效率的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其他特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本申请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的介绍，显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请一种功能分区型集装箱式数据中心的结构示意图；

图2为本申请一种数据处理方法的流程示意图。

附图标记说明：基础规模信息获取模块11，基础设备信息采集模块12，数据挖掘模块13，匹配模块14，映射关系构建模块15，布设拓扑网确定模块16，数据处理模块17。

具体实施方式

本申请通过提供一种功能分区型集装箱式数据中心及数据处理方法，解决了现有技术中存在由于传统数据中心在配置和扩展方面缺乏灵活性，导致难以适应不断变化的数据处理需求的技术问题。通过数据挖掘和配置记忆库，实现了对集装箱的智能配置，达到了提高数据中心的整体效率的技术效果。

下面，将参考附图对本申请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的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本申请的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部。

实施例一，请参阅附图1，本申请提供了一种功能分区型集装箱式数据中心，其中，所述一种功能分区型集装箱式数据中心包括：

基础规模信息获取模块11，所述基础规模信息获取模块11用于获取目标数据中心的基础规模信息，其中，所述基础规模信息包括业务类型、处理数据量和响应需求。

具体而言，收集目标数据中心的基础规模信息，包括业务类型、处理数据量和响应需求。业务类型直接关系到数据中心需要处理的数据种类和数据处理的方式，例如，处理大规模的计算任务，需要更多的计算资源；处理大数据分析，需要更大的存储空间和特定的数据分析工具。处理数据量指数据中心需要处理的数据量大小，从几TB到数PB不等，对存储和计算资源的需求有显著差异，决定了数据中心的规模，包括所需的计算能力、存储空间和网络带宽。响应需求则涉及数据中心的性能指标，如处理速度、数据传输速度和系统可用性等。一些业务可能需要低延迟的实时数据处理，而其他业务可能能够容忍更高的延迟。例如，考虑一个云计算服务提供商，其业务类型包括提供虚拟机、云存储和大数据分析服务。该数据中心需要处理的数据量可能非常大，包括用户数据、应用数据和日志数据等。对于这样的数据中心，其响应需求可能非常高，需要保证快速的数据处理和传输速度，以及高可用性和可靠性。通过获取这些基础规模信息，可以为数据中心的设计和配置提供明确的方向，有助于确保数据中心的资源配置能够满足实际业务需求，避免资源浪费或不足。

基础设备信息采集模块12，所述基础设备信息采集模块12用于采集算力集装箱的基础设备信息，其中，所述基础设备信息包括计算量、存储量和网络架构。

具体而言，对集装箱内算力资源、存储能力和网络架构进行详细调查和记录。其中，计算量指的是集装箱内计算资源的总和，包括CPU数量、核心数、GPU数量等，决定了集装箱的处理能力，评估集装箱中服务器的性能以及能处理的并发任务数量。存储量则涉及数据存储能力，包括硬盘类型、容量和速度等，决定了集装箱的数据存储和处理能力，需要考虑存储的类型(如SSD、HDD)、容量、读写速度以及数据的冗余和备份策略。网络架构则涉及集装箱内外的网络连接方式，包括网络带宽、延迟和拓扑结构等，决定了数据在集装箱内部和集装箱之间的传输效率。精确采集设备信息有助于优化资源配置，提高数据中心的整体性能。

数据挖掘模块13，所述数据挖掘模块13用于以所述计算量、存储量和网络架构为索引进行数据挖掘，获得配置记忆库，其中，所述配置记忆库包括N个挖掘配置记录。

具体而言，使用初始权重占比，对计算量、存储量和网络架构进行数据挖掘，从历史数据和现有配置中找出最优的配置方案。对初始权重占比按照预设调整方式进行微调寻优，再次进行数据挖掘，找到调整权重后的最优的配置方案。将获得新的权重占比的调整方式添加进禁用名单，避免在接下来的迭代中重复使用相同的调整方式，从而陷入局部最优解。在数据挖掘的过程中，系统会生成多个配置记录，每个记录包含一组特定的计算量、存储量和网络架构参数，以及相关的性能指标和业务需求满足情况。将这些配置记录收集起来，形成一个配置记忆库。配置记忆库是一个存储了各种配置记录的数据库，每个记录都代表了在特定权重占比下的最优配置方案。通过存储和分析大量的配置记录，数据中心可以快速找到适合特定业务需求的最优配置方案，提高了数据中心的部署效率。

匹配模块14，所述匹配模块14用于以所述业务类型、处理数据量和响应需求为目标，在所述配置记忆库的N个挖掘配置记录中进行匹配，获得目标配置记录，其中，所述目标配置记录包括算力集装箱配置数量和算力集装箱布设拓扑网。

具体而言，根据配置记忆库中的N个挖掘配置记录构建匹配空间，将业务类型、处理数据量和相应需求输入匹配空间，得到目标点。计算每个匹配点到目标点的距离，并且将计算得出的结果按照从小到大进行排序，提取出能满足目标需求的前k个匹配点，映射获取K个匹配挖掘配置记录，代表了在满足目标需求方面表现最佳的配置方案。对K个匹配挖掘配置记录进行均值计算，获得目标配置记录。目标配置记录是通过综合K个匹配挖掘配置记录的优点得出的，代表了平均最佳配置。目标配置记录包括算力集装箱的配置数量和算力集装箱的布设拓扑网。算力集装箱的配置数量代表了数据中心需要的计算资源总量，包括CPU核心数、GPU数量等。算力集装箱的布设拓扑网则描述了这些算力集装箱之间的连接方式，包括网络拓扑结构、数据传输路径等。进行匹配并确定目标配置记录，确保其配置能够满足关键的业务需求，如处理速度、数据存储能力和系统可靠性。

映射关系构建模块15，所述映射关系构建模块15用于构建算力－动力源集装箱映射关系，结合所述算力集装箱配置数量，获得动力源集装箱配置数量。

具体而言，智能算力集装箱用于提供数据算力服务，内部安装有制冷设备，能够智能调节集装箱内的温度和湿度。动力电源集装箱与智能算力集装箱相连，用于为智能算力集装箱提供电力，同时其箱体也安装有制冷设备，能够智能调节集装箱内的温度和湿度。在进行数据中心的建设中，可以根据数据中心的规模确定智能算力集装箱的数目。如果数据中心规模较大，也可以设置多个动力电源集装箱，每个动力电源集装箱对应设置多个智能算力集装箱。智能算力集装箱和动力电源集装箱的箱体可以是20尺标准的集装箱，也可以是其他标准的集装箱。根据数据中心的规模和业务需求，确定所需的智能算力集装箱数量。根据智能算力集装箱的数量和每台集装箱的电力需求，评估总体的电力需求。根据电力需求，构建智能算力集装箱与动力电源集装箱之间的映射关系，为每个智能算力集装箱分配一个或多个动力电源集装箱，以确保电力供应。结合算力集装箱的配置数量和映射关系，确定所需动力源集装箱的数量。构建算力－动力源集装箱映射关系，确保了数据中心的电力供应与计算需求相匹配，提高数据中心的电力效率。

布设拓扑网确定模块16，所述布设拓扑网确定模块16用于基于所述算力集装箱布设拓扑网和所述动力源集装箱配置数量，获得动力源集装箱布设拓扑网。

具体而言，明确数据中心的算力需求，即算力集装箱的配置数量和布局。根据算力集装箱的配置数量和布局，评估每台算力集装箱的电力需求。根据电力需求，确定所需动力源集装箱的数量和布局，考虑冗余和备用电力供应的需求，以确保数据中心的稳定运行。基于算力集装箱布设拓扑网和动力源集装箱配置数量，构建动力源集装箱布设拓扑网，描述了动力源集装箱之间的连接方式和电力供应路径。获得动力源集装箱布设拓扑网，确保了数据中心的电力供应与计算需求相匹配，提高数据中心的电力效率，减少电力浪费。

数据处理模块17，所述数据处理模块17用于根据所述算力集装箱布设拓扑网和所述动力源集装箱布设拓扑网构建数据中心，并利用所述数据中心进行数据处理。

具体而言，根据算力集装箱布设拓扑网和动力源集装箱布设拓扑网，设计数据中心的物理布局，包括算力集装箱和动力源集装箱的位置、连接方式等。根据设计布局，安装算力集装箱、动力源集装箱和其他相关设备，如网络设备、冷却系统等。配置算力集装箱之间的网络连接，以及算力集装箱与外部网络的连接。同时，配置动力源集装箱之间的电力供应路径。在数据中心部署数据处理应用，如大数据分析、云计算服务等。通过数据中心内的网络，将数据传输到算力集装箱进行处理。对数据中心进行实时监控和管理，确保数据处理的效率和安全性。构建数据中心并进行数据处理，通过合理配置算力集装箱和动力源集装箱，可以确保数据中心的能源供应与计算需求相匹配，从而提高数据中心的性能和效率。

进一步，所述一种功能分区型集装箱式数据中心中的所述数据挖掘模块13还用于：

按照初始权重占比对所述计算量、存储量和网络架构进行数据挖掘，确定第一挖掘配置记录；对所述初始权重占比按照预设调整方式进行微调寻优，获得第一调整权重占比，基于所述第一调整权重占比对所述计算量、存储量和网络架构进行数据挖掘，获得第二挖掘配置记录；将获得所述第一调整权重占比的调整方式添加进禁用名单，其中，所述禁用名单中的调整方式具有禁用次数；根据所述禁用名单、初始权重占比、所述第一挖掘配置记录和所述第二挖掘配置记录进行微调寻优，获得配置记忆库。

具体而言，根据专家意见、历史数据或行业最佳实践，为计算量、存储量和网络架构预先分配初始权重，决定在数据挖掘过程中每个因素的重要性。对历史数据和现有配置进行分析，识别出哪些配置在特定权重下表现最佳。使用复杂的算法和模型，如机器学习和人工智能技术，处理大量的数据并找出其中的模式和关联。第一挖掘配置记录是在考虑了初始权重占比后，通过数据挖掘得到的最优配置方案。基于多种策略，如业务需求的变化、技术进步或成本效益分析，预先设定调整方式。例如，若新的技术发展提高了存储设备的性能，则增加存储量的权重。若业务需求发生变化，比如增加了对实时数据处理的需求，则增加网络架构的权重。根据预设的调整方式，调整不同因素(计算量、存储量和网络架构)的权重占比，包括增加或减少某个因素的权重，探索不同配置对整体性能的影响，找到更优的配置方案。基于第一调整权重占比，再次进行数据挖掘，重新分析历史数据和现有配置，确定在新权重下的最优配置方案，获得第二挖掘配置记录。第二挖掘配置记录反映了在调整权重后，如何更好地配置计算资源、存储能力和网络架构以满足业务需求。

通过微调寻优获得第一调整权重占比后，将获得的调整方式加入禁用名单中，在接下来的迭代中，这个特定的调整方式不会被再次使用，直到它从禁用名单中移除。禁忌搜索算法通过维护一个禁用名单，记录已经被使用过的调整方式，并在一定次数的迭代内禁止使用这些调整方式，以鼓励探索新的解决方案。采用禁忌搜索算法避免在寻优过程中重复使用相同的调整方式，从而陷入局部最优解。禁用名单中的每个调整方式都有一个禁用次数，决定了该调整方式在禁用名单中停留的迭代次数。这个策略有助于算法跳出局部最优，探索更广泛的解空间。例如，在一次迭代中增加了网络架构的权重，这个调整将被记录在禁用名单中，并且可能在接下来的几次迭代中禁止使用。这样，算法就不会在连续的迭代中重复相同的调整，而是尝试其他的调整方式，如增加计算量或存储量的权重。

根据禁用名单、初始权重占比、第一挖掘配置记录和第二挖掘配置记录进行微调寻优，对权重占比进行迭代调整，同时考虑禁用名单中的调整方式，不断尝试不同的权重组合，找到能够提供最佳性能的配置方案。每次迭代都会生成一个新的配置记录，被添加到配置记忆库中。配置记忆库是一个存储了各种配置记录的数据库，每个记录都代表了在特定权重占比下的最优配置方案。例如，在第一次迭代中，算法发现增加网络架构的权重可以显著提高数据中心的性能，这个调整将被记录下来并添加到配置记忆库中。然而，由于这个调整已经被添加到禁用名单中，算法在接下来的几次迭代中不会重复这个调整，而是尝试其他的调整方式，如增加计算量或存储量的权重。不断地迭代和优化权重，以确保数据中心的配置能够最佳地满足业务需求。通过存储和分析大量的配置记录，数据中心可以快速找到适合特定业务需求的最优配置方案，有助于提高数据中心的配置效率。

进一步，所述一种功能分区型集装箱式数据中心中的所述数据挖掘模块13还用于：

采用除所述禁用名单中调整方式以外的预设调整方式对所述初始权重占比进行微调寻优，获得第二调整权重占比和第三挖掘配置记录；判断所述第三挖掘配置记录与所述第一挖掘配置记录和所述第二挖掘配置记录组成的配置记录集合的第二相似度是否小于等于预设相似度，若是，则将所述第三挖掘配置记录添加进所述配置记录集合，并将获得所述第二调整权重占比的调整方式添加进所述禁用名单，继续进行微调寻优；经过多次微调寻优，满足预设次数时，获得配置记录集合，其中，所述配置记录集合包括N个挖掘配置记录；将所述N个挖掘配置记录存储至数据库中，获得所述配置记忆库。

具体而言，禁用名单记录了最近使用过的调整方式，这些调整方式在一定次数的迭代内被禁止使用。在禁用名单之外，采用预设的调整方式对初始权重占比进行微调寻优，探索新的调整方式，避免陷入局部最优解，找到可能被忽视的全局最优解。在微调寻优时，算法会从预设的调整方式中选择那些不在禁用名单中的方式来调整权重占比。这些预设的调整方式包括增加或减少某个因素的权重，或者改变权重调整的策略。通过这种策略，算法可以获得第二调整权重占比，并基于这个新的权重占比进行数据挖掘，以获得第三挖掘配置记录。第三挖掘配置记录反映了在新的权重占比下，如何更好地配置计算资源、存储能力和网络架构以满足业务需求。

使用相似度计算函数计算第三挖掘配置记录与之前的配置记录(第一和第二挖掘配置记录)的相似度。如果第二相似度小于或等于预设的相似度阈值，即第三挖掘配置记录与集合中的配置记录相似度较低，则认为第三挖掘配置记录是有价值的，提供了新的或不同的信息，并将其添加到配置记录集合中。同时，获得第二调整权重占比的调整方式将被添加到禁用名单中，在接下来的迭代中，这个特定的调整方式不会再次被用，直到它从禁用名单中移除。经过多次迭代，每次都会根据当前的权重占比和禁用名单中的调整方式，进行微调寻优。每次迭代都会生成一个新的配置记录，如果这个新的配置记录与集合中的已有配置记录相似度较低，即小于等于预设相似度，那么这个新的配置记录将被添加到配置记录集合中。

预设的迭代次数是一个重要的参数，它影响着算法的效率和最终解的质量。如果迭代次数过少，可能无法找到足够好的解；如果迭代次数过多，可能会浪费计算资源，并且可能无法显著提高解的质量。根据问题的复杂度、可用的计算资源、时间限制以及对解的质量要求来设定一个迭代次数。这个次数可以是固定的，也可以是根据某些条件动态调整的。当迭代次数满足预设次数时，将获得一个包含N个挖掘配置记录的配置记录集合和一个包含N个调整方式的禁用名单。将这个配置记录集合存储到数据库中，以获得配置记忆库。配置记忆库是一个存储了各种配置记录的数据库，每个记录都代表了在特定权重占比下的最优配置方案。在优化配置记录时需要考虑配置之间的差异性，并通过迭代和调整权重占比来增加找到更优配置的可能性，避免过早收敛和陷入局部最优解。

进一步，所述一种功能分区型集装箱式数据中心还包括微调寻优模块，用于：

利用相似度计算函数计算所述第一挖掘配置记录和所述第二挖掘配置记录之间的第一相似度；判断所述第一相似度是否小于等于预设相似度，若否，则将获得所述第一调整权重占比的调整方式剔除，重新进行微调寻优。

具体而言，使用相似度计算函数来评估第一挖掘配置记录和第二挖掘配置记录之间的相似度。相似度计算函数可以基于多种指标，如计算量、存储量和网络架构的配置差异。根据具体的需求和场景，设定一个预设相似度，确定两个数据点、记录或配置之间相似度的阈值。第一相似度是一个衡量第一挖掘配置记录与第二挖掘配置记录相似程度的指标。如果第一相似度大于预设相似度，意味着两个配置记录过于相似，表明权重调整没有带来足够的变化，或者优化过程可能已经收敛到局部最优解，会导致寻优过程陷入局部最优解。此时需要将获得第一调整权重占比的调整方式剔除，即从禁用名单中移除这个调整方式，允许算法在接下来的迭代中重新考虑这个调整方式，从而增加了解空间的探索。重新进行微调寻优可以帮助算法找到更优的配置方案，提高数据中心的配置效率。利用相似度计算函数计算第一相似度，提高了寻优过程的多样性和全局搜索能力。通过避免重复使用相同的调整方式，算法能够更好地探索解空间，找到可能被其他搜索策略忽视的全局最优解。

进一步，所述一种功能分区型集装箱式数据中心中的所述匹配模块14还用于：

基于所述N个挖掘配置记录构建匹配空间，其中，所述匹配空间包括N个匹配点；将所述业务类型、处理数据量和响应需求输入所述匹配空间，获得目标点；计算所述N个匹配点到所述目标点的距离，并将计算结果由小到大进行排序，提取位于前k位的匹配点，映射获取K个匹配挖掘配置记录；对所述K个匹配挖掘配置记录进行均值计算，获得目标配置记录。

具体而言，将N个挖掘配置记录转换为一个多维空间中的点，每个点代表一个配置记录。这个多维空间即为匹配空间，将数据中心的各种配置方案可视化和量化。根据三维空间坐标系和N个匹配点构建匹配空间，其中，三维空间坐标系的x轴为业务类型，y轴为处理数据量，z轴为响应需求。接下来，将业务类型、处理数据量和响应需求输入匹配空间，获得目标点，代表了数据中心在满足特定业务需求下的最优或最合适的配置方案。例如，如果一个数据中心的业务类型主要是大数据分析，处理数据量很大，并且需要快速响应，那么在匹配空间中，这些需求将对应于那些能够提供强大计算能力、大容量存储和快速网络响应的配置点。基于一些标准，如配置记录满足业务需求的能力、性能指标等，使用多种度量方法计算匹配空间中每个挖掘配置记录点(即N个匹配点)到目标点的距离，如欧氏距离、曼哈顿距离等。将计算出的距离由小到大进行排序，以找到最符合目标需求的配置记录。提取前k个匹配点，这些点代表了最符合目标需求的配置记录。

将提取的k个匹配点映射回原始的挖掘配置记录，获取K个匹配挖掘配置记录，这些记录代表了在满足目标需求方面表现最佳的配置方案。收集这K个配置记录的关键信息，如CPU数量、存储容量、网络带宽等。对这些关键信息进行均值计算，得到目标配置记录的参数。例如，如果K个配置记录中每个都有不同数量的CPU核心，那么目标配置记录的CPU核心数将是这些数量的平均值。根据计算出的均值参数，生成目标配置记录，代表了K个匹配挖掘配置记录的平均最佳配置。通过将实际业务需求与配置方案相匹配，数据中心可以确保其配置能够满足关键的业务需求，如处理速度、数据存储能力和系统可靠性，有助于提高数据中心的整体性能和效率。

进一步，所述一种功能分区型集装箱式数据中心还包括构建匹配空间模块，用于：

获取三维空间坐标系，其中，所述三维空间坐标系的x轴为业务类型，y轴为处理数据量，z轴为响应需求；将所述N个挖掘配置记录输入所述三维空间坐标系中，获得N个坐标，将所述N个坐标所在位置作为N个匹配点；根据所述三维空间坐标系和所述N个匹配点构建所述匹配空间。

具体而言，定义一个三维空间坐标系，每个轴代表一个配置记录的关键维度，x轴为业务类型，代表了数据中心处理的不同类型的业务，如大数据分析、云计算服务、机器学习等。不同的业务类型对数据中心的资源配置有不同的要求，例如，大数据分析可能需要更多的存储和计算资源。y轴为处理数据量，代表了数据中心需要处理的数据量。数据量的大小直接影响数据中心的存储能力和计算能力需求，例如，处理大规模数据集需要更多的存储空间和更强大的计算能力。z轴为响应需求，代表了数据中心对处理请求的响应速度要求。响应需求包括处理速度、延迟和吞吐量等指标。例如，对于实时数据分析应用，响应需求非常高，需要数据中心的资源能够快速处理和响应。

将N个配置挖掘记录输入三维空间坐标中，将配置记录中的业务类型、处理数据量和响应需求转换为数值或分类值，以便能够在坐标系中表示它们。每个配置记录将被转换为三维空间中的一个点，即一个坐标。在三维空间坐标系中，每个挖掘配置记录的坐标代表一个匹配点，反映了不同配置记录在业务类型、处理数据量和响应需求方面的特性。将这些坐标作为N个匹配点，有助于数据中心更直观地理解不同的配置方案。通过在三维空间中定位不同的配置记录，数据中心可以更容易地识别哪些配置能够最好地满足特定的业务需求。例如，如果数据中心需要为一个特定的大数据分析应用选择最佳配置，那么可以在三维空间中找到那些在x轴上靠近“大数据分析”，在y轴上靠近“大量数据处理”，在z轴上靠近“快速响应”的匹配点，这些点代表的配置记录可能是最佳选择。根据三维空间坐标系和N个匹配点构建一个匹配空间。构建匹配空间，提供了一个直观的方式来理解和比较不同的配置方案。通过在三维空间中定位不同的配置记录，数据中心可以更容易地识别哪些配置能够最好地满足特定的业务需求，有助于提高数据中心的配置效率。

进一步，所述一种功能分区型集装箱式数据中心中的所述布设拓扑网确定模块16还用于：

构建动力源配置网络层；利用所述动力源配置网络层对所述算力集装箱布设拓扑网和所述动力源集装箱配置数量进行识别，获得所述动力源集装箱布设拓扑网。

具体而言，明确数据中心的动力源需求，包括电力供应、冷却系统等，根据动力源需求，构建一个网络层，其中包括所有动力源集装箱的配置信息。动力源配置网络层是一个抽象的概念，它代表了数据中心中能源供应的网络结构，包括所有动力源集装箱的配置信息，如电力供应、冷却系统等。利用动力源配置网络层，识别算力集装箱布设拓扑网和动力源集装箱配置数量，分析算力集装箱的布局和连接方式，以及它们与动力源集装箱的对应关系。根据识别结果，获得动力源集装箱布设拓扑网，动力源集装箱之间的连接方式和电力供应路径。构建动力源配置网络层，提供了一个直观的方式来理解和比较不同的动力源配置方案。

综上所述，本申请所提供的一种功能分区型集装箱式数据中心具有如下技术效果：

通过基础规模信息获取模块，所述基础规模信息获取模块用于获取目标数据中心的基础规模信息，其中，所述基础规模信息包括业务类型、处理数据量和响应需求；基础设备信息采集模块，所述基础设备信息采集模块用于采集算力集装箱的基础设备信息，其中，所述基础设备信息包括计算量、存储量和网络架构；数据挖掘模块，所述数据挖掘模块用于以所述计算量、存储量和网络架构为索引进行数据挖掘，获得配置记忆库，其中，所述配置记忆库包括N个挖掘配置记录；匹配模块，所述匹配模块用于以所述业务类型、处理数据量和响应需求为目标，在所述配置记忆库的N个挖掘配置记录中进行匹配，获得目标配置记录，其中，所述目标配置记录包括算力集装箱配置数量和算力集装箱布设拓扑网；映射关系构建模块，所述映射关系构建模块用于构建算力－动力源集装箱映射关系，结合所述算力集装箱配置数量，获得动力源集装箱配置数量；布设拓扑网确定模块，所述布设拓扑网确定模块用于基于所述算力集装箱布设拓扑网和所述动力源集装箱配置数量，获得动力源集装箱布设拓扑网；数据处理模块，所述数据处理模块用于根据所述算力集装箱布设拓扑网和所述动力源集装箱布设拓扑网构建数据中心，并利用所述数据中心进行数据处理。也就是说，通过数据挖掘和配置记忆库，实现了对集装箱的智能配置，达到了提高数据中心的整体效率的技术效果。

实施例二，基于与前述实施例中一种功能分区型集装箱式数据中心同样的发明构思，本申请还提供了一种数据处理方法，请参阅附图2，所述一种数据处理方法包括：

获取目标数据中心的基础规模信息，其中，所述基础规模信息包括业务类型、处理数据量和响应需求；采集算力集装箱的基础设备信息，其中，所述基础设备信息包括计算量、存储量和网络架构；以所述计算量、存储量和网络架构为索引进行数据挖掘，获得配置记忆库，其中，所述配置记忆库包括多个配置记录；以所述业务类型、处理数据量和响应需求为目标，在所述配置记忆库的多个配置记录中进行匹配，获得目标配置记录，其中，所述目标配置记录包括算力集装箱配置数量和算力集装箱布设拓扑网；构建算力－动力源集装箱映射关系，结合所述算力集装箱配置数量，获得动力源集装箱配置数量；基于所述算力集装箱布设拓扑网和所述动力源集装箱配置数量，获得动力源集装箱布设拓扑网；根据所述算力集装箱布设拓扑网和所述动力源集装箱布设拓扑网构建数据中心，并利用所述数据中心进行数据处理。

进一步的，所述一种数据处理方法还包括：

按照初始权重占比对所述计算量、存储量和网络架构进行数据挖掘，确定第一挖掘配置记录；对所述初始权重占比按照预设调整方式进行微调寻优，获得第一调整权重占比，基于所述第一调整权重占比对所述计算量、存储量和网络架构进行数据挖掘，获得第二挖掘配置记录；将获得所述第一调整权重占比的调整方式添加进禁用名单，其中，所述禁用名单中的调整方式具有禁用次数；根据所述禁用名单、初始权重占比、所述第一挖掘配置记录和所述第二挖掘配置记录进行微调寻优，获得配置记忆库。

进一步的，所述一种数据处理方法还包括：

采用除所述禁用名单中调整方式以外的预设调整方式对所述初始权重占比进行微调寻优，获得第二调整权重占比和第三挖掘配置记录；判断所述第三挖掘配置记录与所述第一挖掘配置记录和所述第二挖掘配置记录组成的配置记录集合的第二相似度是否小于等于预设相似度，若是，则将所述第三挖掘配置记录添加进所述配置记录集合，并将获得所述第二调整权重占比的调整方式添加进所述禁用名单，继续进行微调寻优；经过多次微调寻优，满足预设次数时，获得配置记录集合，其中，所述配置记录集合包括N个挖掘配置记录；将所述N个挖掘配置记录存储至数据库中，获得所述配置记忆库。

进一步的，所述一种数据处理方法还包括：

利用相似度计算函数计算所述第一挖掘配置记录和所述第二挖掘配置记录之间的第一相似度；判断所述第一相似度是否小于等于预设相似度，若否，则将获得所述第一调整权重占比的调整方式剔除，重新进行微调寻优。

进一步的，所述一种数据处理方法还包括：

基于所述N个挖掘配置记录构建匹配空间，其中，所述匹配空间包括N个匹配点；将所述业务类型、处理数据量和响应需求输入所述匹配空间，获得目标点；计算所述N个匹配点到所述目标点的距离，并将计算结果由小到大进行排序，提取位于前k位的匹配点，映射获取K个匹配挖掘配置记录；对所述K个匹配挖掘配置记录进行均值计算，获得目标配置记录。

进一步的，所述一种数据处理方法还包括：

获取三维空间坐标系，其中，所述三维空间坐标系的x轴为业务类型，y轴为处理数据量，z轴为响应需求；将所述N个挖掘配置记录输入所述三维空间坐标系中，获得N个坐标，将所述N个坐标所在位置作为N个匹配点；根据所述三维空间坐标系和所述N个匹配点构建所述匹配空间。

进一步的，所述一种数据处理方法还包括：

构建动力源配置网络层；利用所述动力源配置网络层对所述算力集装箱布设拓扑网和所述动力源集装箱配置数量进行识别，获得所述动力源集装箱布设拓扑网。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，前述图1实施例一中的一种功能分区型集装箱式数据中心和具体实例同样适用于本实施例的一种数据处理方法，通过前述对一种功能分区型集装箱式数据中心的详细描述，本领域技术人员可以清楚知道本实施例中一种数据处理方法，所以为了说明书的简洁，在此不再详述。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (8)

1.一种功能分区型集装箱式数据中心，其特征在于，包括：

基础规模信息获取模块，所述基础规模信息获取模块用于获取目标数据中心的基础规模信息，其中，所述基础规模信息包括业务类型、处理数据量和响应需求；

基础设备信息采集模块，所述基础设备信息采集模块用于采集算力集装箱的基础设备信息，其中，所述基础设备信息包括计算量、存储量和网络架构；

数据挖掘模块，所述数据挖掘模块用于以所述计算量、存储量和网络架构为索引进行数据挖掘，获得配置记忆库，其中，所述配置记忆库包括N个挖掘配置记录；

匹配模块，所述匹配模块用于以所述业务类型、处理数据量和响应需求为目标，在所述配置记忆库的N个挖掘配置记录中进行匹配，获得目标配置记录，其中，所述目标配置记录包括算力集装箱配置数量和算力集装箱布设拓扑网；

映射关系构建模块，所述映射关系构建模块用于构建算力－动力源集装箱映射关系，结合所述算力集装箱配置数量，获得动力源集装箱配置数量；

布设拓扑网确定模块，所述布设拓扑网确定模块用于基于所述算力集装箱布设拓扑网和所述动力源集装箱配置数量，获得动力源集装箱布设拓扑网；

数据处理模块，所述数据处理模块用于根据所述算力集装箱布设拓扑网和所述动力源集装箱布设拓扑网构建数据中心，并利用所述数据中心进行数据处理。

2.如权利要求1所述的一种功能分区型集装箱式数据中心，其特征在于，所述数据挖掘模块用于：

按照初始权重占比对所述计算量、存储量和网络架构进行数据挖掘，确定第一挖掘配置记录；

对所述初始权重占比按照预设调整方式进行微调寻优，获得第一调整权重占比，基于所述第一调整权重占比对所述计算量、存储量和网络架构进行数据挖掘，获得第二挖掘配置记录；

将获得所述第一调整权重占比的调整方式添加进禁用名单，其中，所述禁用名单中的调整方式具有禁用次数；

根据所述禁用名单、初始权重占比、所述第一挖掘配置记录和所述第二挖掘配置记录进行微调寻优，获得配置记忆库。

3.如权利要求2所述的一种功能分区型集装箱式数据中心，其特征在于，所述数据挖掘模块用于：

采用除所述禁用名单中调整方式以外的预设调整方式对所述初始权重占比进行微调寻优，获得第二调整权重占比和第三挖掘配置记录；

判断所述第三挖掘配置记录与所述第一挖掘配置记录和所述第二挖掘配置记录组成的配置记录集合的第二相似度是否小于等于预设相似度，若是，则将所述第三挖掘配置记录添加进所述配置记录集合，并将获得所述第二调整权重占比的调整方式添加进所述禁用名单，继续进行微调寻优；

经过多次微调寻优，满足预设次数时，获得配置记录集合，其中，所述配置记录集合包括N个挖掘配置记录；

将所述N个挖掘配置记录存储至数据库中，获得所述配置记忆库。

4.如权利要求2所述的一种功能分区型集装箱式数据中心，其特征在于，所述数据挖掘模块用于：

利用相似度计算函数计算所述第一挖掘配置记录和所述第二挖掘配置记录之间的第一相似度；

判断所述第一相似度是否小于等于预设相似度，若否，则将获得所述第一调整权重占比的调整方式剔除，重新进行微调寻优。

5.如权利要求1所述的一种功能分区型集装箱式数据中心，其特征在于，所述匹配模块用于：

基于所述N个挖掘配置记录构建匹配空间，其中，所述匹配空间包括N个匹配点；

将所述业务类型、处理数据量和响应需求输入所述匹配空间，获得目标点；

计算所述N个匹配点到所述目标点的距离，并将计算结果由小到大进行排序，提取位于前k位的匹配点，映射获取K个匹配挖掘配置记录；

对所述K个匹配挖掘配置记录进行均值计算，获得目标配置记录。

6.如权利要求5所述的一种功能分区型集装箱式数据中心，其特征在于，所述匹配模块用于：

获取三维空间坐标系，其中，所述三维空间坐标系的x轴为业务类型，y轴为处理数据量，z轴为响应需求；

将所述N个挖掘配置记录输入所述三维空间坐标系中，获得N个坐标，将所述N个坐标所在位置作为N个匹配点；

根据所述三维空间坐标系和所述N个匹配点构建所述匹配空间。

7.如权利要求1所述的一种功能分区型集装箱式数据中心，其特征在于，所述布设拓扑网确定模块用于：

构建动力源配置网络层；

利用所述动力源配置网络层对所述算力集装箱布设拓扑网和所述动力源集装箱配置数量进行识别，获得所述动力源集装箱布设拓扑网。

8.一种数据处理方法，其特征在于，所述一种数据处理方法包括：

获取目标数据中心的基础规模信息，其中，所述基础规模信息包括业务类型、处理数据量和响应需求；

采集算力集装箱的基础设备信息，其中，所述基础设备信息包括计算量、存储量和网络架构；

以所述计算量、存储量和网络架构为索引进行数据挖掘，获得配置记忆库，其中，所述配置记忆库包括多个配置记录；

以所述业务类型、处理数据量和响应需求为目标，在所述配置记忆库的多个配置记录中进行匹配，获得目标配置记录，其中，所述目标配置记录包括算力集装箱配置数量和算力集装箱布设拓扑网；

构建算力－动力源集装箱映射关系，结合所述算力集装箱配置数量，获得动力源集装箱配置数量；

基于所述算力集装箱布设拓扑网和所述动力源集装箱配置数量，获得动力源集装箱布设拓扑网；

根据所述算力集装箱布设拓扑网和所述动力源集装箱布设拓扑网构建数据中心，并利用所述数据中心进行数据处理。