DE112010003279T5

DE112010003279T5 - Wissensbasierte Modelle für Rechenzentren

Info

Publication number: DE112010003279T5
Application number: DE112010003279T
Authority: DE
Inventors: Hendrik F. Hamann; Raymond Lloyd; Wanli Min
Original assignee: International Business Machines Corp
Current assignee: GlobalFoundries Inc
Priority date: 2009-08-12
Filing date: 2010-08-06
Publication date: 2013-03-14
Also published as: CN102741833B; US20110040532A1; US8244502B2; KR20120054016A; CA2766847A1; JP5593387B2; TW201106143A; GB2484616B; WO2011019611A3; JP2013502006A; CN102741833A; GB201200474D0; GB2484616A; WO2011019611A2

Abstract

Es werden Techniken für die Analyse von Rechenzentren bereitgestellt. Bei einem Aspekt wird ein Verfahren zum Modellieren der Wärmeverteilung in einem Rechenzentrum bereitgestellt. Das Verfahren beinhaltet die folgenden Schritte. Es werden Daten der vertikalen Temperaturverteilung für eine Vielzahl von Orten im gesamten Rechenzentrum gewonnen. Die Daten der vertikalen Temperaturverteilung werden für jeden der Orte als s-Kurve aufgezeichnet, wobei die Daten der vertikalen Temperaturverteilung die physikalischen Bedingungen an jedem der Orte in Form einer s-Kurve widerspiegeln. Jede der s-Kurven wird durch einen Satz von Parametern dargestellt, welche die Form der s-Kurve charakterisieren, wobei die Darstellungen der s-Kurven ein wissensbasiertes Modell vordefinierter Typen von s-Kurven bilden, mittels dessen die Wärmeverteilung und die zugehörigen physikalischen Bedingungen an der Vielzahl von Orten im gesamten Rechenzentrum analysiert werden können.

Description

Gebiet der Erfindung
Die vorliegenden Erfindung betrifft die Analyse von Rechenzentren und insbesondere Techniken der wissensbasierten Modellierung von thermischen Bedingungen in Rechenzentren.
Hintergrund der Erfindung
Mit dem Ansteigen der Energiekosten, dem zunehmenden Angebot und der zunehmenden Nachfrage nach Energie und der weiten Verbreitung von energieintensiven Ausrüstungen der Informations- und Datenverarbeitungstechnik (Information and Communication Technology, ICT) sind der Strom- und Energieverbrauch für Rechenzentren zu einem wichtigen Problem geworden. Rechenzentren verbrauchen ungefähr zwei Prozent oder 183 Mrd. Kilowattstunden (KWh) der weltweit erzeugten Elektroenergie, und dieser Verbrauch nimmt jährlich um 12 zu. Die Energieeffizienz wird mittlerweile für Rechenzentren zu einem entscheidenden Betriebsparameter, wozu eine Reihe von Gründen beitragen: die Energiekosten steigen, die Nachfrage nach Energie nimmt zu, die Versorgung mit Strom aus dem Stromnetz wird für viele Rechenzentren zum Problem, die Rechenzentren werden durch den Energieverbrauch übermäßig aufgeheizt, das Bewusstsein für umweltfreundliche Technologien und zur Verringerung des Kohlendioxidausstoßes nimmt zu, Verhaltensregeln in der Industrie werden eingeführt sowie Gesetze für eine grüne Informationstechnologie (IT) erlassen.
In einem typischen Rechenzentrum kann der Energieverbrauch aufgeschlüsselt werden in die für den Betrieb der ICT-Anlagen und der Infrastruktur (beispielsweise Kühlanlagen, Befeuchtungsanlagen, Klimaanlagen (Air Conditioning Units, ACUs), Stromversorgungsanlagen (Power Distribution Units, PDUs), Notstromanlagen (Uninterruptable Power Supply, UPS), Beleuchtung und Stromversorgungseinrichtungen). Zum Beispiel werden abzüglich der Verluste bei der Stromerzeugung und -lieferung und des Stromverbrauchs für Kühlzwecke nur ungefähr 15% der an die Rechenzentren gelieferten Strommenge für IT/Rechenleistung verwendet, und der Rest sind Nebenkosten. Siehe auch P. Scheihing, "Creating Energy-Efficient Data Centers," Konferenz über den Betrieb und den Bau von Rechenzentren, Washington, DC (18. Mai 2007), deren Inhalte hier durch Bezugnahme einbezogen sind.
Deshalb sind Techniken zur Verbesserung der Energieeffizienz von Rechenzentren wünschenswert.
Überblick über die Erfindung
Die vorliegende Erfindung stellt Techniken für die Analyse von Rechenzentren bereit. Gemäß einem Aspekt der Erfindung wird ein Verfahren zum Modellieren der Wärmeverteilung in einem Rechenzentrum bereitgestellt. Das Verfahren beinhaltet die folgenden Schritte. Im gesamten Rechenzentrum werden für eine Vielzahl von Orten Daten zur vertikalen Temperaturverteilung gewonnen. Die Daten der vertikalen Temperaturverteilung werden für jeden der Orte als S-Kurve aufgezeichnet, wobei die Daten der vertikalen Temperaturverteilung die physikalischen Bedingungen an jedem der Orte widerspiegeln, die durch die Form der S-Kurve dargestellt werden. Jede der S-Kurven wird durch einen Satz von Parametern dargestellt, die für die Form der s-Kurve kennzeichnend sind, wobei die Darstellungen der s-Kurven ein wissensbasiertes Modell vorgegebener Typen von s-Kurven bilden, mit deren Hilfe die Wärmeverteilung und die damit verbundenen physikalischen Bedingungen an einer Vielzahl von Orten im Rechenzentrum analysiert werden können.
Die Daten der vertikalen Temperaturverteilung können für einen Zeitpunkt T = 0 gewonnen werden, und das Verfahren kann ferner die folgenden Schritte beinhalten. Temperaturdaten können in Echtzeit für einen Zeitpunkt T = 1 gewonnen werden, wobei die Echtzeitdaten räumlich weniger dicht sind als die für den Zeitpunkt T = 0 gewonnenen Daten. Die Echtzeitdaten können auf die für den Zeitpunkt T = 0 gewonnenen Daten interpoliert werden, um für die Vielzahl von Orten aktualisierte Daten der vertikalen Temperaturverteilung zu erhalten. Die aktualisierten Daten der vertikalen Temperaturverteilung für jeden der Orte können als s-Kurve dargestellt werden, wobei die Daten der vertikalen Temperaturverteilung die aktuellen physikalischen Bedingungen an jedem der Orte widerspiegeln, die in einer Form der s-Kurve ihren Ausdruck finden. Die aktualisierten S-Kurven können mit den vordefinierten Typen der s-Kurven im wissensbasierten Modell verglichen werden.
Ein gründlicheres Verständnis der vorliegenden Erfindung sowie weitere Merkmale und Vorteile der vorliegenden Erfindung ergeben sich aus der folgenden Beschreibung und den Zeichnungen.
Kurzbeschreibung der Zeichnungen
1 zeigt ein Schaubild, das ein beispielhaftes Rechenzentrum gemäß einer Ausführungsart der vorliegenden Erfindung veranschaulicht;
2 zeigt einen Ablaufplan, der eine beispielhafte Verfahrensweise zur Modellierung der Wärmeverteilung in einem Rechenzentrum gemäß einer Ausführungsart der vorliegenden Erfindung veranschaulicht:
3A zeigt eine grafische Darstellung, die die Rechengeschwindigkeit/Komplexität als Funktion der Anzahl der erforderlichen Eingangsparameter für komplette Modelle zur Beschreibung der Strömungsdynamik mittels der Navier-Stokes-Gleichungen (Navier Stokes-computational fluid dynamics, NS-CFD), für vereinfachte physikalische Modelle und statistische Modelle gemäß einer Ausführungsart der vorliegenden Erfindung veranschaulicht;
3B zeigt eine grafische Darstellung, die das Ausmaß der Veränderungen im Rechenzentrum als Funktion der Genauigkeit der Modelle für komplette NS-CFD-Modelle, vereinfachte physikalische Modelle und statistische Modelle gemäß einer Ausführungsart der vorliegenden Erfindung veranschaulicht;
4 die Abbildung eines Ausschnitts aus der Übersicht über ein Rechenzentrum mittels mobiler Messwerterfassung (Mobile Measurement Technology, MMT) gemäß einer Ausführungsart der vorliegenden Erfindung zeigt;
5 zeigt ein Diagramm, bei dem die Eintrittstemperaturen von 12 Serverschränken in dem Rechenzentrum von 4 gemäß einer Ausführungsart der vorliegenden Erfindung aufgezeichnet sind;
6 zeigt ein Diagramm mit einer beispielhaften Darstellung von s-Kurven gemäß einer Ausführungsart der vorliegenden Erfindung;
7 zeigt ein Diagramm mit einer anderen beispielhaften Darstellung von s-Kurven gemäß einer Ausführungsart der vorliegenden Erfindung;
Die 8A bis 8O zeigen Diagramme, welche die vertikale Temperaturverteilung von 15 Serverschränken in einem kleinen Rechenzentrum gemäß einer Ausführungsart der vorliegenden Erfindung veranschaulichen;
9 zeigt eine beispielhafte Tabelle mit den Ergebnissen der Anwendung der vorliegenden Darstellungen der s-Kurven auf die Eintrittstemperaturen von 12 Serverschränken im Rechenzentrum von 4 gemäß einer Ausführungsart der vorliegenden Erfindung; Die 10A und 10B zeigen Schaubilder, die ein beispielhaftes gewichtetes Netz zum Typisieren der Formen vordefinierter s-Kurven bemäß einer Ausführungsart der vorliegenden Erfindung veranschaulichen;
11 zeigt ein Schaubild, das ein beispielhaftes neuronales Netz zum Typisieren der Formen vordefinierter s-Kurven gemäß einer Ausführungsart der vorliegenden Erfindung veranschaulicht;
12 zeigt ein Schaubild, in dem Muster dargestellt werden, die zum Erstellen einer Wissensdatenbank gemäß einer Ausführungsart der vorliegenden Erfindung verwendet werden;
13 zeigt ein Schaubild, in dem dargestellt wird, wie praktische Maßnahmen in dem Modell gemäß einer Ausführungsart der vorliegenden Erfindung umgesetzt werden können; und
14 zeigt ein Schaubild, das eine beispielhafte Vorrichtung zum Modellieren der Wärmeverteilung in einem Rechenzentrum gemäß einer Ausführungsart der vorliegenden Erfindung veranschaulicht.
Detaillierte Beschreibung bevorzugter Ausführungsarten
Es werden Techniken zur Modellierung der Temperaturverteilung in einem Rechenzentrum dargestellt. Durch ein besseres Verständnis der gesamten thermischen Bedingungen in einem Rechenzentrum können Energiesparmaßnahmen zur Verbesserung der Energieeffizienz am besten umgesetzt werden. Es ist klar, dass die hier beschriebenen Techniken nicht nur in einem Rechenzentrum, sondern allgemein auch auf die Analyse der Temperaturverteilung in Räumen wie beispielsweise Gebäuden, Fabriken (insbesondere Halbleiterfabriken) oder Gebäudeansammlungen (Städten) sowie in Rechenzentren angewendet werden können (die betreffenden Orte werden z. B. entsprechend der Wärmedichte ausgewählt: je mehr Wärme vorhanden ist, desto wichtiger ist das Energiemanagement).
1 veranschaulicht ein beispielhaftes Rechenzentrum 100. In dem Rechenzentrum 100 gibt es Serverschränke 101 und ein Doppelbodenkühlsystem mit Klimaeinheiten (Air Conditioning Units, ACUs) 102 (die auch als Computerraumklimaanlagen (Computer Room Air Conditioner, CRAC) bezeichnet werden können), die warme Luft (üblicherweise von oben durch eine oder mehrere Rückleitungen in den ACUs) ansaugen und abgekühlte Luft in einen Unterbodenluftsammler blasen. Der warme Luftstrom durch das Rechenzentrum 100 ist durch helle Pfeile 110 und der gekühlte Luftstrom durch das Rechenzentrum 100 durch dunkle Pfeile 112 gekennzeichnet. In der folgenden Beschreibung kann das Rechenzentrum oberhalb des freien Unterbodens einfach als Oberboden und der freie Unterboden selbst als Luftsammler bezeichnet werden. Somit können die in 1 lediglich beispielhaft dargestellten ACUs warme Luft vom Oberboden ansaugen und gekühlte Luft in den Luftsammler einspeisen (siehe unten).
In 1 befinden sich die Serverschränke, deren Kühlluft von vorn nach hinten strömt, auf einem Oberboden 106 mit einem darunter liegenden Unterboden 106. Gemäß dieser Darstellung wird Kaltluft durch eine Vorderseite (Eintrittsöffnung) jedes Gehäuses angesaugt und Warmluft an der Rückseite (Austrittsöffnung) jedes Gehäuses ausgeblasen. Die an der Vorderseite des Gehäuses angesaugte Kaltluft wird zu Lufteintrittsöffnungen jeder Komponente in der IT-Anlage (zum Beispiel Server) geleitet. Der Zwischenraum zwischen dem Oberboden 106 und dem Unterboden 104 definiert den Luftsammler 108. Der Luftsammler 108 dient als Leitung zum Transportieren z. B. der Kaltluft von den ACUs 102 zu den Schränken. In einem ordnungsgemäß betriebenen Rechenzentrum (beispielsweise dem Rechenzentrum 100) sind die Schränke 101 abwechselnd in Reihen mit einer Warmluftgasse und einer Kaltluftgasse angeordnet, d. h. die Lufteintritts- und Luftaustrittsöffnungen zeigen abwechselnd in verschiedene Richtungen. Dabei wird die Kaltluft durch die (auch als Belüftungsöffnungen bezeichneten) perforierten Bodenplatten 114 vom Luftsammler 108 in die Kaltluftgassen geblasen. Die Kaltluft wird dann über die Lufteintrittsöffnungen an einer Eintrittsseite in die Schränke gesaugt und über die Luftaustrittsöffnungen an einer Austrittsseite der Schränke in die Warmluftgassen geblasen.
Die ACUs nehmen üblicherweise von einer (nicht gezeigten) Kühlanlage gekühltes Wasser auf. Jede ACU umfasst üblicherweise ein Gebläse, um die Luft durch die ACU zu leiten und die gekühlte Luft z. B. in den Luftsammler zu blasen. Somit handelt es sich in den meisten Rechenzentren bei den ACUs um einfache Wärmetauscher, welche die Energie hauptsächlich zum Einblasen der gekühlten Luft in den Luftsammler aufwenden. Üblicherweise sorgen eine oder mehrere Stromversorgungseinheiten (PDUs) für die Versorgung der Serverschränke 101 mit Strom.
2 zeigt einen Ablaufplan, der in Verbindung mit der obigen Beschreibung von 1 eine beispielhafte Verfahrensweise 200 zur Modellierung der Wärmeverteilung in einem Rechenzentrum, beispielsweise dem beschriebenen Rechenzentrum 100, veranschaulicht. In Schritt 202 werden im gesamten Rechenzentrum für eine Vielzahl von Orten Daten der vertikalen Temperaturverteilung gewonnen. Die Daten der vertikalen Verteilung können z. B. unter Verwendung mobiler Messtechnik (MMT) gewonnen werden. Gemäß einer beispielhaften Ausführungsart werden die vertikalen Temperaturprofile an den Lufteintrittsseiten der Serverschränke modelliert (siehe unten). Hierbei werden die Daten der vertikalen Temperaturverteilung an einer Lufteintrittsseite jedes einzelnen Serverschrankes im Rechenzentrum gewonnen.
Im Folgenden wird im Einzelnen beschrieben, dass es sich bei den MMT-Daten um räumlich dichte, aber selten aufgenommene Daten handelt (die Messungen erfolgen im Allgemeinen nur ungefähr einmal jährlich, da eine umfangreiche Erfassung relativ viel Zeit in Anspruch nimmt). Somit werden die Daten der vertikalen Temperaturverteilung z. B. mittels MMT für einen Zeitpunkt T = 0 erfasst. Die Daten können jedoch durch in „Echtzeit” ermittelte Temperaturdaten aktualisiert werden, z. B. unter Verwendung von Sensoren, die überall im Rechenzentrum angeordnet sind (siehe unten). Im Folgenden wird ausführlich beschrieben, wie diese Echtzeitsensoren zeitlich dichte Messungen liefern können, die jedoch im Vergleich mit den MMT-Messungen räumlich ausgedünnt sind (z. B. ein Sensor pro Serverschrank).
In Schritt 204 werden die Daten der vertikalen Temperaturverteilung für jeden der Orte als s-Kurve dargestellt. s-Kurven werden im Folgenden ausführlich beschrieben. Allgemein zeigt sich jedoch aus den vorliegenden Lehren, dass das als Funktion von Temperatur und Höhe dargestellte vertikale Temperaturprofil in einem Rechenzentrum, z. B. an den Eintrittsseiten der Schränke, eine Kurve mit s-Form mit einem oberen und einem unteren Plateau zeigt. Die Daten der vertikalen Temperaturverteilung widerspiegeln auf vorteilhafte Weise die physikalischen Bedingungen an jedem der Orte, die sich in einer Form der s-Kurve äußern. Beispielsweise gehören zu den physikalischen Bedingungen, die im Rechenzentrum vorliegen und die Form der s-Kurve beeinflussen können, unter anderem, aber nicht ausschließlich, der Standort des Serverschranks im Rechenzentrum, der Abstand des Serverschranks von den Klimaanlagen, die Höhe des Serverschranks, die Abwärmemenge, der Freiraum um den Serverschrank, die Deckenhöhe, der Abstand zur nächsten Belüftungsöffnung, der von den Klimaanlagen zum Serverschrank gelieferte Luftstrom, die Öffnungen im Serverschrank, der Stromverbrauch des Serverschranks und der Luftbedarf des Serverschranks. Insbesondere diese oben erwähnten Bedingungen können das Temperaturprofil und somit die Form der betreffenden s-Kurve beeinflussen. Im Folgenden wird ausführlich beschrieben, wie mit Hilfe der vorliegenden Erfindung die physikalischen Bedingungen durch eine verringerte Anzahl von Parametern dargestellt werden können, die z. B. die Form der s-Kurve kennzeichnen.
Zu diesem Zweck wird in Schritt 206 jede der s-Kurven durch eine Anzahl von Parametern dargestellt, welche die Form der s-Kurve kennzeichnen. Aus diesen Darstellungen der s-Kurven entsteht ein wissensbasiertes Modell von vordefinierten Typen der s-Kurven, mit dessen Hilfe die Wärmeverteilung und die betreffenden physischen Bedingungen an der Vielzahl von Orten im gesamten Rechenzentrum analysiert werden können. Gemäß einer beispielhaften Ausführungsart gehören zu den Parametern ein oder mehrere untere Plateaus der s-förmigen Kurve, ein oberes Plateau der s-förmigen Kurve, eine s-förmige Biegung in einem oberen Teil der s-förmigen Kurve, eine s-förmige Biegung in einem unteren Teil der s-förmigen Kurve und eine Höhe, auf welcher ein Halbwertspunkt der s-förmigen Kurve erreicht wird. Diese Parameter werden im Folgenden genauer beschrieben. Die Anzahl der Parameter beinhaltet vorzugsweise einen oder mehrere Parameter, welche den einzelnen Standort im Rechenzentrum beschreiben, für den die s-förmige Kurve eine Darstellung der vertikalen Temperaturverteilung liefert. Siehe unten.
In Schritt 208 können die vordefinierten Typen der s-Kurven anhand von Parameterübereinstimmungen in Gruppen zusammengefasst werden. Beispielsweise können Typen der s-Kurven anhand ihres Anstiegs im Halbwertspunkt (50%) zu Gruppen zusammengefasst werden, z. B. alle s-Kurven mit einem Anstieg von 10°C pro 0,3 m (10°C/feet) bis 20°C pro 0,3 m zu einer Gruppe, alle s-Kurven mit einem Anstieg von 21°C pro 0,3 m bis 30°C pro 0,3 m zu einer anderen Gruppe usw. Da, wie oben dargelegt, die vordefinierten s-Kurven die physikalischen Bedingungen im Rechenzentrum widerspiegeln wie beispielsweise einen Abstand eines Serverschranks von einer Klimaanlage usw., ergeben sich durch die Zusammenfassung dieser s-Kurven bestimmte Muster. Da die s-Kurven vorzugsweise mit einem bestimmten Ort verbunden sind (d. h. durch einen oder mehrere Parameter, die den betreffenden Ort im Rechenzentrum beschreiben, für den die s-förmige Kurve gemäß der obigen Darlegungen einen Verlauf der vertikalen Temperaturverteilung darstellt), können die Muster ferner auch bestimmten Bereichen des Rechenzentrums geordnet werden. Siehe unten.
In Schritt 210 werden in Echtzeit die Daten der Temperaturverteilung für einen Zeitpunkt T = 1 gewonnen. Wie oben bereits dargelegt, können diese Temperaturdaten durch Sensoren in Echtzeit gewonnen werden. Obwohl die durch die Sensoren in Echtzeit gewonnenen Daten räumlich nicht so dicht sind wie die Daten beispielsweise einer MMT-Übersichtsmessung, können die Echtzeitdaten zum Aktualisieren der MMT-Daten verwendet werden, um etwaige Veränderungen im Rechenzentrum, z. B. zwischen dem Zeitpunkt T = 0 und dem Zeitpunkt T = 1, anzuzeigen
In Schritt 212 werden die Echtzeitdaten auf die für den Zeitpunkt T = 0 gewonnenen Daten interpoliert, um für die Vielzahl von Orten eine aktualisierte vertikale Temperaturverteilung zu erhalten. Beispiele für Interpolationstechniken werden im Folgenden ausführlich beschrieben. In Schritt 214 werden die Daten der aktualisierten vertikalen Temperaturverteilung als s-Kurve aufgezeichnet. Gemäß der obigen Beschreibung spiegeln die Daten der vertikalen Temperaturverteilung die physikalischen Bedingungen (in diesem Fall die aktualisierten physikalischen Bedingungen) an jedem der Orte wider, was sich in einer Form der s-Kurve äußert. In Schritt 216 werden die aktualisierten s-Kurven zu den Gruppen vordefinierter Typen der s-Kurven im wissensbasierten Modell zusammengefasst (was hier auch als Typisierung bezeichnet wird). Zusammenfassungs-/Typisierungstechniken werden im Folgenden ausführlich beschrieben.
Eintrittstemperaturen: Oben wurde bereits dargelegt, dass gemäß einer beispielhaften Ausführungsart die vertikalen Temperaturprofile an den Lufteintrittsseiten der Serverschränke modelliert werden. Die amerikanische Gesellschaft "American Society of Heating, Refrigerating and Air-Conditioning Engineers" (ASHRAE) beschreibt in "2008 ASHRAE Environmental Guidelines for Datacom Equipment, Expanding the Recommended Environmental Envelope" (Umweltrichtlinien der ASHRAE für Datenverarbeitungsanlagen von 2008, „Erweiterung der empfohlenen Umweltmaßnahmen") die Lufteintrittstemperaturen von Serverschränken als Temperatur „der in die Datenverarbeitungsanlage eintretenden Zuluft”. In einem Rechenzentrum sind die Eintrittstemperaturen wichtig, weil sie die Zuverlässigkeit der ICT-Anlagen, z. B. Server, Netze, Speicher usw., beeinflussen können. Die meisten Rechenzentren werden oft übermäßig gekühlt, um die Lufteintrittstemperaturen auf einem geforderten Niveau zu halten, was zu Energieverschwendung führt. Es gibt einen Kompromiss zwischen der Aufrechterhaltung der Lufteintrittstemperaturen und der hierfür benötigten Energie. Niedrigere Eintrittstemperaturen bedeuten nämlich stärkere Kühlung, wofür mehr Energie verbraucht wird, während höhere Eintrittstemperaturen gleichbedeutend sind mit geringerer Kühlung, wofür weniger Energie verbraucht wird. Dies ergibt sich aus dem zweiten Hauptsatz der Thermodynamik.
Zur Optimierung von Rechenzentren sind viele Verfahren und erprobte Vorgehensweisen eingesetzt worden, um die Aufrechterhaltung der Lufteintrittstemperaturen zu erleichtern und gleichzeitig die Kosten so weit wie möglich zu senken, zum Beispiel durch die Trennung und Einhausung von Kaltluftgassen und Warmluftgassen. Durch die Einhausung werden die Kaltluftgassen umschlossen, sodass keine Warmluft in eine Kaltluftgasse gelangen kann (wodurch kein Wärmestau infolge „Rückströmung” entsteht).
Von entscheidender Bedeutung für die Systemstabilität (Steuerung der Lufteintrittstemperaturen) und die Energieeinsparung in Rechenzentren sind das Verständnis der dynamischen Vorgänge im Rechenzentrum, eine veränderte Raumgestaltung und die systematische Durchsetzung von Energiesparmaßnahmen. Wenn die dynamischen Verhältnisse im Rechenzentrum bekannt sind und die Risiken weitestgehend verringert oder ausgeschlossen werden, können der Energieeinsatz im Rechenzentrum intensiviert und die Kosten gesenkt werden. Die Modellierung stellt eine Technik dar, die zur Aufklärung der dynamischen Vorgänge im Rechenzentrum eingesetzt werden kann.
Modellierung von Rechenzentren: Rechenzentren stellen sehr dynamische Umgebungen dar. Zum genaueren Verständnis der Eigenschaften eines Rechenzentrums sind Daten mit hoher Auflösung erforderlich. Die mobile Messwerterfassung MMT, die zum Beispiel in der US-Patentschrift 7 366 632 ”Method and Apparatus for Three-Dimensional Measurements” von Haman et al. (im Folgenden als ” US-Patentschrift 7 366 632 ” bezeichnet) beschrieben wird und dessen Inhalt hier durch Bezugnahme aufgenommen ist, stellt ein Beispiel zur Erfassung räumlich hochaufgelöster Daten zur Charakterisierung von Rechenzentren dar. Bei der mobilen Messwerterfassung MMT dient ein Wagen mit darauf verteilten Temperatursensoren zur Aufzeichnung der dreidimensionalen Temperaturverteilung in einem Raum, beispielsweise in einem Rechenzentrum. Die Sensoren sind in unterschiedlicher Höhe über dem Fußboden und seitlich an verschiedenen Stellen im Abstand von weniger als 0,3 m (1 foot) angebracht. Die mittels der mobilen Messwerterfassung MMT gewonnenen Daten stellen jedoch nur eine Momentaufnahme dar. Das Rechenzentrum ändert sich augenblicklich, wenn ACUs ein- oder ausgeschaltet werden, sich die Wärmelast eines Servers verändert, Geräte hinzugefügt, umgestellt oder entfernt werden, die das Verhalten (d. h. die Wärmeverteilung oder die Temperaturverteilungen) der Räume des Rechenzentrums beeinflussen.
Da es nicht möglich ist, im Rechenzentrum dauerhaft eine hochauflösende räumliche Messeinrichtung zu installieren, muss zur Aufklärung der Dynamik des Rechenzentrums eine Darstellung des Rechenzentrums in Form eines Modells erzeugt werden. Wenn ein realistisches Modell des Rechenzentrums erzeugt werden kann, können in das Modell Messstellen mit geringerer räumlicher Auflösung (bei höherer Messfrequenz) als Kontrollpunkte oder Grenzen eingefügt und gleichzeitig die (z. B. mittels MMT seltener aufgenommenen) hochaufgelösten Daten als Basismodell verwendet werden. Bei realistischen Modellen kann es sich sowohl um Basismodelle als auch um dynamische Modelle handeln. Der Begriff ”realistisches Modell” bezieht sich auf ein Modell, das eine genaue Beschreibung der realen Wärmeverteilung liefert. Gemäß einer beispielhaften Ausführungsart wird die Messwerterfassung mit geringerer räumlicher Auflösung durch die Anordnung weniger Sensoren (z. B. ein Sensor pro Serverschrank) im gesamten Raum, d. h. im Rechenzentrum, erreicht. Änderungen im Rechenzentrum können durch diese wenigen Sensoren erkannt und das Modell so angepasst werden, dass es die Änderungen in der Umgebung des Rechenzentrums abbildet. Da das Modell auf einem Computer läuft, können in das Modell Analysen, Alarm- und Warnmeldungen einfließen, damit es von menschlichen Benutzern beeinflusst werden kann.
Die Schaffung eines Modells für ein Rechenzentrum kann auf vielerlei Arten erfolgen und von komplexen Modellen der numerischen Physik bis zu statistischen Modellen reichen. Das ist eine komplexe Aufgabe, bei der Kompromisse zwischen der Genauigkeit, der Flexibilität und der Rechenzeit eingegangen werden müssen. Modelle wie die numerische Strömungsdynamik (Computational Fluid Dynamics, CFD) können ein Rechenzentrum mit einem Minimum an Eingangsparametern genau beschreiben (simulieren) und reagieren nicht empfindlich auf Änderungen. Bei einem CFD-Modell ist jedoch die Berechnung sehr zeitaufwendig. Statistische Modelle hingegen lassen sich schnell berechnen, reagieren jedoch sehr empfindlich auf Änderungen und sind weniger genau, d. h., statistische Modelle sind nicht sehr genau, wenn Vorhersagen bei eintretenden Änderungen getroffen oder „Was-wenn”-Szenarien getestet werden sollen. Diese Tendenzen sind in den 3A bis 3B dargestellt. 3A zeigt eine grafische Darstellung 300A, der die Rechengeschwindigkeit/Komplexität als Funktion Anzahl (#) der für komplette Navier-Stokes(NS)-CFD-Modelle, vereinfachte physikalische Modelle und statistische Modelle erforderlichen Eingangsparameter veranschaulicht. 3B zeigt eine grafische Darstellung 300B, die das Ausmaß der Änderung im Rechenzentrum (DC) als Funktion der Genauigkeit der Modelle für komplette NS-CFD-Modelle, vereinfachte physikalische Modelle und statistische Modelle veranschaulicht.
Der CFD-Ansatz verwendet numerische Verfahren und Computeralgorithmen zum Lösen und Analysieren einer physikalischen Gleichung, welche die Flüssigkeitsströmung und die Wärmeübertragung beschreibt. Die physikalischen Grundlagen sind durch die Navier-Stokes-Gleichungen gegeben, die eine beliebige Einphasen-Flüssigkeitsströmung beschreiben. Diese Gleichungen für die Flüssigkeitsströmung können vereinfacht werden, indem die Terme, welche die Viskosität beschreiben (und die Eulerschen Gleichungen liefern), und die Terme, welche das Wirbelverhalten beschreiben und die Potenzialgleichungen liefern, weggelassen werden. Diese Potenzialgleichungen können linearisiert werden. Vorzugsweise werden hier diese linearisierten Potenzialgleichungen gelöst (was die Berechnungen einfacher und schneller als beim CFD-Ansatz gestaltet). Nach der Berechnung des Strömungsfeldes werden die Gleichungen für die Wärmeleitung und die Konvektion unter Verwendung ähnlicher numerischer Verfahren gelöst, wie sie zum Beispiel in der US-Patentanmeldung 12/146 852 ”Techniques for Thermal Modeling of Data Centers to Improve Energy Efficiency” (im Folgenden als ”US-Patentanmeldung 12/146 852” bezeichnet), angemeldet von Hamann et al., Aktenzeichen YOR920080114US1, beschrieben werden und die durch Bezugnahme hierin aufgenommen sind.
Wissensbasierte Modelle: Die vorliegenden Techniken beinhalten ein neues Verfahren zur Modellierung der Temperaturverteilung auf der Grundlage von vorhandenem Wissen, das aus großen Mengen experimenteller Daten entstanden ist. Dieses ”wissensbasierte Modell” wird durch grundlegende physikalische Prinzipien wie die Energiebilanz sowie Echtzeitdaten zum Aktualisieren des Modells ergänzt. Darüber hinaus werden bei einer beispielhaften Ausführungsart wissensbasierte Modelle als Richtungsgeber für Interpolationsverfahren (z. B. Kriging-Verfahren) verwendet, bei denen wenige Sensordaten zur Vorhersage kompletter Temperaturfelder verwendet werden (nähere Informationen sieht auch die US-Patentanmeldung 12/146 952 ”Techniques to Predict Three-Dimensional Thermal Distributions in Real-Time” (im Folgenden als „”US-Patentanmeldung 12/146 952” bezeichnet), angemeldet von Amemiya et al., Aktenzeichen YOR920080115US1, deren Inhalt durch Bezugnahme hierin aufgenommen ist.
Die vorliegenden Techniken verstärken semi-empirische Trends und Muster von gemessenen Temperaturverteilungen. Die Wissensdatenbank wird sowohl durch die experimentellen Daten als auch durch die grundlegenden physikalischen Prinzipien aufgewertet und gestärkt. Eine Anwendung dieser Wissensdatenbank liefert ausgehend von den räumlichen Kriging-Verfahren Trendfunktionen zur genaueren Vorhersage kompletter Temperaturfelder auf der Grundlage nur weniger Sensordaten.
Im Folgenden wird ein Beispiel der vorliegenden Techniken beschrieben. Die Temperaturverteilungen eines Rechenzentrums wurden mittels MMT gewonnen, die zum Beispiel in der US-Patentschrift 7 366 632 und in "Uncovering Energy-Efficiency Opportunities in Data Centers", IBM Journal of Research and Development, Bd. 53, Nr. 3, (2009) von Hamann et al. (im Folgenden mit ”Hamann” bezeichnet) beschrieben wird, deren Inhalte durch Bezugnahme hierin aufgenommen sind. In diesem Beispiel werden die MMT-Daten in die Wissensdatenbank eingespeist. 4 ist ein Abbild 400, das einen Ausschnitt einer MMT-Übersicht des Rechenzentrums darstellt, wobei 12 Serverschränke (mit den Bezugsnummern 1 bis 12) markiert sind.
5 zeigt ein Diagramm 500, in dem die vertikale Verteilung der Eintrittstemperaturen der 12 Serverschränke dargestellt sind. Im Einzelnen sind im Diagramm 500 auf der x-Achse der Abstand z vom Boden des Serverschranks (gemessen in Fuß) und auf der y-Achse die Eintrittstemperatur T_inlet (gemessen in Grad Celsius (°C)) aufgetragen. Unterhalb des Diagramms 500 ist ein Serverschrank abgebildet, um zu veranschaulichen, wie die Serverhöhe mit den Temperaturprofilen in Einklang zu bringen ist. Der in der Darstellung 500 gezeigte Serverschrank ist etwa sieben Fuß hoch und enthält 12 Knoten (ein Knoten oder Rechenknoten entspricht jeweils einem Server). Die Knoten, für welche die Verteilung der Eintrittstemperaturen modelliert und genau eingehalten werden soll, liegen in einer Höhe von ungefähr 0,45 m (1,5 feet) bis ungefähr 1,8 m (6 feet) oberhalb des Fußbodens. Die Stromversorgung und die Netzwerktechnik sind jeweils im Oberteil bzw. im Unterteil des Schranks untergebracht. Die Daten in 5 zeigen deutlich bestimmte Trends, die sich zum Erstellen eines wissensbasierten Modells eignen und für Vorhersagen aus dem Modell verstärkt werden können. Im Folgenden wird weiterhin gezeigt, dass diese Trends unter Verwendung bestimmter physikalischer Grundprinzipien genauer beschrieben/dargestellt werden können.
Bei genauerer Betrachtung lassen alle Temperaturprofile in 5 einen bestimmten ”s-förmigen” Verlauf mit einem Plateau am unteren und am oberen Ende erkennen. Dieses Verhalten wird hier als s-Kurve bezeichnet, die zur Beschreibung des vertikalen Temperaturprofils entlang der Eintrittsöffnungen eines Serverschranks dient. Hierzu ist anzumerken, dass diese s-Kurve (T/z) auch eine Funktion der seitlichen Position (T = f(x, y)) des Schranks ist, was im Folgenden näher beschrieben wird.
Semi-empirische Trends aus MMT- und/oder anderen Messungen wie beispielsweise Strömungsmessungen, die auch in den MMT-Prozess einbezogen werden können, werden dazu verwendet, eine (vereinfachte) Darstellung eines Temperaturprofils (mit einer begrenzten Anzahl von Parametern abzuleiten. Siehe unten. Diese Parameter beziehen sich auf andere bekannte physikalische Bedingungen des Rechenzentrums wie beispielsweise die Standorte der Serverschränke, den Abstand der Serverschränke von den ACUs, die Schrankhöhe, die Abwärmemenge, den Freiraum um den Serverschrank, die Deckenhöhe, den Abstand von der nächsten Belüftungsöffnung, den von der ACU zum Serverschrank gelieferten Luftstrom, die Öffnungen im Serverschrank, den Stromverbrauch und den Luftbedarf des Serverschranks. Die MMT-Daten beinhalten die dreidimensionale Temperaturverteilung T(x, y, z). Üblicherweise beinhalten die MMT-Daten auch die Einrichtungsdaten des Rechenzentrums wie beispielsweise die Koordinaten und Abmessungen aller Schränke, die Deckenhöhen, die Wände, die ACUs usw. Jede s-Kurve kann einem Schrank zugeordnet werden. Die Koordinaten und die Abmessungen der Schränke sind bekannt. Somit lässt sich ermitteln, in welcher Beziehung diese Koordinaten z. B. zu den ACU-Koordinaten stehen, um später zurückzuverfolgen zu können, welche Parameter eine bestimmte Kurvenform ergeben. Der markierte Teil 502 zeigt auch, dass die Schwankungen der Temperaturen T_h des oberen Plateaus/der Deckentemperaturen gering sind. Siehe auch die folgende Erörterung.
Die 6 und 7 zeigen zwei beispielhafte Beschreibungen/Darstellungen dieser s-Kurven. Die Parameter dieser Darstellungen sind zur Schaffung der Wissensdatenbank gewählt worden. Hierbei zeigt 6 ein Diagramm 600, auf dem die s-Kurven wie folgt dargestellt werden: y = (T_H – T_l)/2.0 T(z) = T_H – γexp(–β₁(z – μ)) für z > μ T(z) = T_l + γexp(β₂(z – μ)) für z ≤ μ (1) wobei z gleich dem Abstand vom Boden des Serverschranks ist.
Im Diagramm ist z (gemessen in feet/Fuß) auf der x-Achse und die Lufteintrittstemperatur (gemessen in Grad Fahrenheit (°F)) auf der y-Achse dargestellt. Als Parameter dieser Darstellungen dienen das untere und das obere Temperatur-Plateau (T_l bzw. T_h), die Faktoren β₁ und β₂ für die s-förmige Biegung im oberen Teil der Kurve und der Anstieg der Kurve im Halbwertspunkt 50%. Der Parameter μ ist die Höhe, bei der der Halbwertspunkt (50%) erreicht wird, d. h. der Halbwertspunkt des Temperaturanstiegs (von T_h bis T_l). Wenn zum Beispiel T_h = 40 und T_l = 20 ist, gibt der Parameter μ eine Höhe bei einer Temperatur T = 30 an.
Diese Parameter werden der Wissensdatenbank entnommen. Sie werden wie oben beschrieben zu Anfang zur Schaffung der Wissensdatenbank eingegeben. Zum Beispiel wird auch der zu jedem Schrank und somit zu jedem Parametersatz gehörende Luftstrom aufgezeichnet. Letztlich beginnt die Schaffung einer Wissensdatenbank mit der Wahl der vom Luftstrom abhängigen Parameter, die später für die später erörterten ”was, ... wenn”-Szenarien verwendet werden. Oben wurde bereits dargelegt, dass die Parameter T_l, T_h, β1, β2 und μ sowie z Variablen sind und T das Ergebnis der Funktion ist.
7 zeigt ein Diagramm 700, in dem eine andere (alternative) beispielhafte Beschreibung/Darstellung dieser s-Kurven gemäß der folgenden Gleichung dargestellt ist:
Im Diagramm 700 sind z (gemessen in Fuß) auf der x-Achse und die Lufteintrittstemperatur T_inlet (gemessen in Grad Celsius (°C)) auf der y-Achse aufgetragen. Während die obige Gleichung 1 eine Asymmetrie des s-förmigen Verlaufs im unteren und oberen Teil der S-Kurve zulässt, wird hier (in Gleichung 2) darauf verzichtet. Der Parameter log(x0) liefert den Wert z, bei dem zwischen dem unteren und dem oberen Plateau der 50%-Wert erreicht wird, und die folgende Gleichung liefert den Anstieg bei 50%, d. h. dT(z = log(x0))/dz = p·ln(10)·(T_h – T_l)
T_l und T_h können aus Echtzeitmessungen (Austritts- und Eintrittstemperatur der ACUs) gewonnen werden. Die Austrittstemperaturen der ACU entsprechen dem Wert T_l, weil diese Luft am Boden des Schranks eingespeist wird, während die Eintrittstemperaturen dem Wert T_h entsprechen, der für die Temperaturen an der Oberseite des Serverschranks repräsentativ ist. Die Temperaturprofile des Rechenzentrums (d. h. die beispielsweise in 5 gezeigten vertikalen Temperaturprofile) werden dann durch s-Kurven dargestellt. Der Halbwertspunkt und der dortige Anstieg charakterisieren die Rückströmung und den Luftstrom des Schranks. Im Folgenden wird ausführlich beschrieben, dass der Anstieg und der Halbwertspunkt einem ”Niveau” der Rückströmung und des Luftstroms zugeordnet werden kann. Wenn die Server zum Beispiel mehr Luft ”anfordern” (durch Einsaugen der Luft durch Gebläse im Server) als durch die Lochplatten nachströmen kann, wird am Vorderteil des Schranks ein Unterdruck aufgebaut, und normalerweise strömt wärmere Luft von den umliegenden Flächen in die Kaltluftgasse. Dadurch würde der Halbwertspunkt nach niedrigeren Werten verschoben (wodurch der Halbwertspunkt nähe am Boden des Serverschranks liegt).
Dann werden die Parameter als Funktion des Standortes des Serverschranks gewählt (hier x0 und p). Im Folgenden wird ausführlich beschrieben, wie die Parameter x0 davon abhängen, „wo” sich der Serverschrank befindet. Zum Beispiel ist ein Serverschrank am Ende einer Gasse der Rückströmung stärker ausgesetzt, was zu einem niedrigeren x0-Wert und möglicherweise zu einem niedrigeren p-Wert führt (siehe zum Beispiel die Beschreibung von 9).
Anzumerken ist, dass die beiden Darstellungen (siehe 6 und 7) physikalische Grundprinzipien wiedergeben, die im Folgenden untersucht werden. Die beiden Darstellungen verwenden Parameter zur Beschreibung des unteren und des oberen Plateaus sowie Parameter zur Darstellung des Anstiegs der s-Kurve in verschiedenen Höhen z zwischen diesen Plateaus (z. B. des Anstiegs der Kurve am Halbwertspunkt). Obwohl die s-Typen bei den vertikalen Temperaturprofilen im gesamten Rechenzentrum anzutreffen sind, erweist sich dieses Konzept der s-Kurvenprofile besonders am Ort der Eintrittsöffnungen der Server als wichtig (da es erwünscht ist, die Temperaturen an der Eintrittsseite konstant zu halten). Damit das System ordnungsgemäß arbeiten kann, müssen die richtigen Eintrittstemperaturen gewährleistet werden.
Im Folgenden werden die Parameter der Darstellung beschrieben. Das untere Plateau (T low oder T_l) ist durch eine entsprechende Temperaturverteilung T_p(x, y) des Luftsammlers gekennzeichnet (d. h. die Temperaturverteilung im Luftsammler ist für die Temperaturen der Luft an den Lochplatten bestimmend, die in den Unterteil des Serverschranks geblasen wird). Einfache Konzepte zur Berechnung der Temperaturverteilung im Luftsammler werden zum Beispiel in der US-Patentanmeldung 12/146 852, in der US-Patentanmeldung ... mit dem Titel ”Methods and Techniques for Creating and Visualizing Thermal Zones”, Aktenzeichen YOR920090157US1 (im Folgenden als ”Aktenzeichen YOR920090157US1” bezeichnet), deren Inhalte durch Bezugnahme hierin aufgenommen sind, und in der US-Patentanmeldung 12/146 952 beschrieben. Ganz allgemein muss jedoch darauf hingewiesen werden, dass die Temperaturverteilung im Luftsammler durch verschiedene Mittel und/oder eine Kombination dieser Mittel berechnet/abgeschätzt werden kann. Bei einer beispielhaften Ausführungsart zum Beispiel werden jedoch Standardinterpolationstechniken (Gewichtung des reziproken Abstands, räumliches Kriging usw.) mit (vorzugsweise in Echtzeit) gemessenen Austrittstemperaturen von (vorzugsweise) jeder ACU und/oder von Temperatursensoren des Luftsammlers verwendet. Bei einer anderen beispielhaften Ausführungsart können CFD-Berechnungen (numerische Flüssigkeitsdynamik) (vorzugsweise nicht dreidimensional, sondern zweidimensional, da zweidimensionale Berechnungen schneller ausgeführt werden können) verwendet werden, die in der US-Patentanmeldung 12/146 852, Aktenzeichen YOR920090157US1, beschrieben werden. Die Randbedingungen für diese Berechnungen können den (vorzugsweise in Echtzeit) gemessenen Temperatur- und Luftstromwerten entnommen werden. Insbesondere können die Luftstromwerte von (vorzugsweise in Echtzeit durchgeführten) Luftdruckmessungen abgeleitet werden.
In Kombination mit dem Strömungswiderstand der Lochplatten und in Kenntnis der Druckdifferenz (zwischen dem Luftsammler und dem aufsteigenden Luftstrom) können die Luftstromwerte (und somit die Eingabewerte für die Randbedingungen zur Lösung der physikalischen Gleichungen) berechnet werden.
Das untere Plateau kann gemäß der folgenden Erörterung unter Verwendung der Gleichung 3 auch aus dem oberen Plateau berechnet werden (d. h. T_l kann aus T_h berechnet werden und umgekehrt). Hierzu ist anzumerken, dass zur Ermittlung von T_l auch andere Verfahren verwendet werden können. Zum Beispiel kann T_l mit einem Wert aus der Wissensdatenbank direkt auch konstant gesetzt werden, was bei einem typischen Rechenzentrum einem Wert von ungefähr 16°C (60°F) entspricht. Die Temperatur von 16°C dient für ACUs im einem Computerraum oft als Standardwert.
Die Temperaturverteilung T_p(x, y) des Luftsammlers gibt die Abgabetemperatur der Lochplatten vor. Im Idealfall ist eine Lochplatte an der Eintrittsseite des Serverschranks angeordnet, sodass die Temperatur des Luftsammlers an der Eintrittsöffnung eines bestimmten Servers (direkt) gleich T_l gesetzt werden. Oft befindet sich jedoch die Eintrittsöffnung des Servers in einer bestimmten Entfernung von der nächstgelegenen Lochplatte. In diesem Fall wird die Wissensdatenbank genutzt, welche die Temperatur T_l zur nächstgelegenen (oder zu den nächstgelegenen) Lochplatte(n), in Beziehung setzt, zum Beispiel durch die Beziehung T_l = T_p·t, wobei t vom Abstand und möglicherweise von der Luftströmung zwischen der Eintrittsöffnung des Serverschranks und der/den nächstgelegenen Lochplatte(n) abhängt. Bei einer bestimmten beispielhaften Ausführungsart wird der Luftstrom von den Lochplatten durch eine Kernfunktion (zum Beispiel eine Lorentz-Funktion, die umgekehrt proportional vom Abstand abhängt) beschrieben.
Das obere Plateau (T high oder T_h) ist von den herrschenden Deckentemperaturen des Rechenzentrums abhängig. Aus dem markierten Teil 502 der (oben beschriebenen) 5 ist ersichtlich, dass sich die Temperaturen T_h des oberen Plateaus nur geringfügig voneinander unterscheiden (das bedeutet, dass die Werte von T_h der verschiedenen Profile nur um weniger als ±2°C voneinander abweichen – siehe im Folgenden auch 9 und deren Beschreibung). Dieses Plateau kann mittels eines oder einer Kombination der folgenden Verfahren abgeschätzt werden. Bei einer beispielhaften Ausführungsart werden Standardinterpolationstechniken (Gewichtung des reziproken Abstands, räumliches Kriging usw.) mit (vorzugsweise in Echtzeit) gemessenen Aufnahmetemperaturen (vorzugsweise) in jeder ACU und/oder von Temperatursensoren an der Decke verwendet. Lediglich als Beispiel sei für den dreidimensionalen Fall ein mittels des Verfahrens der Gewichtung des reziproken Abstands gerechnetes Beispiel genannt: Gewichtung:
Abstände:
interpolierte z-Werte:
wobei gilt:

x, y: Koordinaten
T: Wert (Datenpunkte)
n: Anzahl der Werte
i: Datenpunktindex
j: Interpolationspunktindex
w_ij: Gewichtung
r_ij: Abstand zwischen Interpolationspunkt und Datenpunkt
c: Glättungsparameter
b: Exponent
mu: Dämpfungsabstand

Bei einer anderen beispielhaften Ausführungsart werden CFD-Berechnungen eingesetzt. Hier können zum Beispiel linearisierte Potenzialgleichungen zur Berechnung eines typischen Luftstromfeldes und Auflösen nach den Temperaturfeldern unter Verwendung von Wärmeleitungs-Konvektionsgleichungen verwendet werden. Bei noch einer weiteren beispielhaften Ausführungsart kann das obere Plateau in Beziehung zum unteren Plateau gesetzt werden, indem der gesamte Energieverbrauch und der Luftstrom mittels der folgenden physikalischen Beziehung berücksichtigt werden: T_h – T_I = 3140 [cfm °F/kW]·power/flow. (3)
Zur Veranschaulichung von Gleichung 3 sei zum Beispiel angenommen, das das Rechenzentrum über eine ACU verfügt, die einen Luftstrom von 324 m³ pro Minute (m³/min) (12 000 feet³/min – cfm) erzeugt und das Rechenzentrum insgesamt eine Abwärmeleistung von 80 Kilowatt (kW) aufweist. Aus Gleichung 3 ergibt sich ein Wert von T_h – T_I = –6,1°C (21°F). Wenn zum Beispiel T_l = 15,6°C ist, liegt T_h im Mittel bei 27,2°C. Gleichung 3 eignet sich auch zur Abschätzung der Auswirkungen, wenn zum Beispiel der Luftstrom gedrosselt wird (d. h., um Energie zu sparen) und/oder wenn sich die Wärmefreisetzung ändert.
Physikalisch lässt sich die s-Form zwischen dem unteren und dem oberen Plateau leicht dadurch erklären, dass es in typischen Rechenzentren bestimmte Niveaus der ”Rückströmung” gibt. Wenn zum Beispiel nicht genug kalte Luft durch die Lochplatten ausgestoßen wird und somit der Bedarf der Gebläse der Server nicht befriedigt wird, saugen die Eintrittsöffnungen der Serverschränke Luft von der Decke an. Gemäß der obigen Beschreibung drücken die Servergebläse eine bestimmte Luftmenge durch den Server – wenn jedoch nicht genug Luft durch die Lochplatten nachströmt, entsteht vor dem Server ein Unterdruckbereich und von umliegenden Bereichen wird andere Luft angesaugt, die üblicherweise wärmer ist; diese Erscheinung wird als ”Rückströmung” bezeichnet. Wenn also überwiegend ausreichend kalte Luft zur Verfügung steht, kommt es nicht (oder nur begrenzt) zur Rückströmung. Je nach dem Ausmaß dieser Diskrepanz ergeben sich unterschiedliche Krümmungen der S-Kurven sowie verschiedene Halbwertspunkte zwischen dem unteren und dem oberen Plateau. Serverschränke entlang einer langen Kaltluftgasse können der Warmluft stärker ausgesetzt sein. Deutlich zeigt sich dies in den oben beschriebenen 4 und 5, wo die Serverschränke 1, 6, 7 und 12 flachere s-Kurven aufweisen, was auf ihre größere Nähe zur Warmluft und damit eine wahrscheinlichere Rückströmung zurückgeführt werden kann.
Die 8A bis 8O belegen zusätzlich, wie ein physikalischer Zustand mit der Krümmung der s-Kurve in Beziehung gesetzt werden kann. Die 8A bis 8O zeigen Diagramme, welche die vertikale Temperaturverteilung von 15 Serverschränken in einem kleinen Rechenzentrum veranschaulichen. Jedes Diagramm entspricht einem bestimmten Serverschrank (d. h., 8A entspricht dem Serverschrank Nr. 1, 8B entspricht dem Serverschrank Nr. 2 usw.) im Rechenzentrum mit 10 verschiedenen Luftstromeinstellungen (siehe unten), die in einer Tabelle 802 unterhalb der Diagramme aufgeführt sind. In jedem Diagramm ist die Höhe z des Serverschranks (gemessen in Fuß) auf der x-Achse und die Eintrittstemperatur (gemessen in °F) auf der y-Achse aufgetragen. Unterhalb der Diagramme ist auch ein Aufstellungsplan 804 mit denselben Nummern der Serverschränke wie in den Diagrammen dargestellt. Jedes Diagramm weist zehn Kurvenverläufe auf, wobei der Luftstrom der einzelnen Kurven 1 bis 10 im Rechenzentrum von 351 auf 337, 323, 1308, 295, 281, 266, 252, 239 bzw. 228 Kubikmeter pro Minute (m³/min) verringert wurde. Die Daten zeigen deutlich eine Verschiebung der s-Kurven zu kleineren z-Werten sowie einen Anstieg des oberen Plateaus, wenn der Luftstrom im Rechenzentrum gedrosselt wird. Eine genauere Analyse der Daten in den 8A bis 8O zeigt, dass das untere Plateau konstant bleibt, während das obere Plateau mit zunehmender Drosselung des oben beschriebenen Luftstroms ansteigt.
9 zeigt eine Tabelle 900 mit den Ergebnissen aus der Anwendung der obigen Gleichung 2 auf die vertikalen Verläufe der Eintrittstemperatur der 12 Serverschränke des Diagramms 500 und der Anpassung der zum Beispiel in 5 dargestellten entsprechenden vertikalen Temperaturverläufe, mit denen eine Wissensdatenbank erstellt wird. In der oben erörterten Tabelle 900 zeigen die beiden Serverschränke (Nr. 7 und Nr. 12), die am weitesten von den ACUs (welche die Kaltluft zuführen) entfernt sind und in der langen Gasse ziemlich frei stehen, niedrigere Halbwertspunkte, was für eine starke Rückströmung kennzeichnend ist. Der Serverschrank Nr. 12 weist den niedrigsten Halbwertspunkt auf und scheint eine Ausnahme darzustellen. Physikalisch lässt sich dies durch die relativ langsame Strömung aus der Lochplatte erklären (da diese zu dicht neben der ACU liegt, was einen Bernoulli-Effekt (oder Unterdruck) verursacht).
Typisierung der s-Kurven: Ein Beispiel zur Erstellung der Wissensdatenbank besteht in der Typisierung jedes vertikalen Kurvenverlaufs. Ein vertikaler Kurvenverlauf stellt im Wesentlichen die s-Kurve oder eine Beziehung zwischen der Höhe z und der Temperatur in dieser Höhe dar. Bei der Typisierung wird eine echte s-Kurve mit einer vordefinierten s-Kurve (eine vordefinierte s-Kurve kann hier auch als ”Element” bezeichnet werden und stellt zum Beispiel eine s-Kurve mit einem reduzierten Parametersatz dar, der bereits in der Wissensdatenbank enthalten ist). Gemäß einer beispielhaften Ausführungsart werden die vordefinierten s-Kurven gemäß der obigen Beschreibung unter Verwendung der MMT-Daten gewonnen. Die zur Erstellung der vertikalen Temperaturprofile (und damit zur Erzeugung der echten s-Kurven) verwendeten Daten können aus statischen MMT-Daten und/oder aus in Echtzeit gewonnenen MMT-Daten stammen.
Jedes typisierte Element weist eine Anzahl von Attributen auf, die eine Beziehung zu Verhaltensweisen in der realen Welt und deren Eintrittswahrscheinlichkeit herstellen. Die Attribute tragen zur Eintrittswahrscheinlich einer Verhaltensweise bei, wenn die Parameter zur Beschreibung der s-Kurven vorliegen und Attribute wie der Luftstrom ermittelt wurden, kann die Abhängigkeit dieser Parameter von diesen Attributen (unter Verwendung einer mathematischen Beziehung) real dargestellt werden. Zu diesen Attributen können der Standort eines Serverschranks, die Entfernung des Serverschranks von den ACUs, die Höhe des Serverschranks, sein Wärmeausstoß, der Freiraum um den Serverschrank, die Deckenhöhe, der Abstand von der nächstgelegenen Lochplatte, der von der ACU an den Serverschrank gelieferte Luftstrom, die Öffnungen im Serverschrank, der Stromverbrauch und der Luftbedarf des Serverschranks zählen. Diese Attribute beeinflussen die Form einer s-Kurve. Es wird auch ein Verfahren zum Ableiten der s-Kurve (Beispiel der 10A und 10B für ein gewichtetes Netz) bereitgestellt.
Die 10A und 10B zeigen die Schaubilder 1000A bzw. 1000B, die ein beispielhaftes gewichtetes Netz veranschaulichen, das eine geeignete Möglichkeit zur Typisierung vordefinierter Formen von s-Kurven bietet. Bei dem vorliegenden Beispiel eines gewichteten Netzes stellt die Temperatur T in einer Höhe von z = 4,5 die Bezugstemperatur dar, anhand welcher alle anderen Temperaturen abgeschätzt werden können. Jedes Schaubild ist in Form eines Sterns gestaltet, dessen Strahlen von T4,5 strahlenförmig ausgehen, wobei sich das Ergebnis aus der Summe der gewichteten Werte ergibt. In den Schaubildern 1000A und 1000B stellt beispielsweise die Zahl 1,02 zwischen T4,5 und T5,5 die Beziehung zwischen den Temperaturen in der Höhe 4,5 Fuß (1,35 m) und in der Höhe 5,5 Fuß (1,65 m) dar. Die Länge der Strahlen des Sterns zeigt das genaue Verhältnis an. Bei den in den 10A und 10B stellt die Mitte T4,5 den Punkt der Eintrittstemperatur dar (der jedoch in einer anderen Höhe liegen kann). Gemäß der obigen Beschreibung zeigt die Länge des Arms das Verhältnis zwischen den Temperaturen am Eintrittspunkt und in jeder anderen Höhe an. Wenn also T4,5 gleich 20°C ist, beträgt T7,5 1,3·20°C = 26°C. Ein Anwendungsbeispiel ergäbe sich, wenn die Temperatur in einer bestimmten Höhe, z. B. T0,5 (Temperatur im Luftsammler an der Lochplatte) und der vordefinierte Typ der s-Kurve bekannt wäre, weil dann der Temperaturgradient für alle Höhen ermittelt werden könnte.
Der Typisierungsprozess kann durch die Charakterisierung der Form der s-Kurve unter Verwendung der oben beschriebenen reduzierten Darstellungen oder durch ein neuronales Netz erfolgen, wie es in der unten beschriebenen 11 dargestellt ist, um die Form der s-Kurve (die durch die Parameter in den oben beschriebenen Gleichungen 1 und 2 beschrieben wird) ihren physikalischen Attributen zuzuordnen (die Form der s-Kurve wird durch die Parameter in den Gleichungen 1 und 2 beschrieben). 11 zeigt ein Schaubild, das ein beispielhaftes neuronales Netz 1100 veranschaulicht und eine weitere geeignete Möglichkeit zur Typisierung vordefinierter Formen von s-Kurven bietet. Insbesondere zeigt 11, wie ein neuronales Netz eingesetzt werden kann, um reale Temperaturdaten (die als Diagrammkurve dargestellt ist) als vordefinierte s-Kurve (das Ergebnis) zu typisieren. Neuronale Netze eignen sich gut zur Zuordnung von Eingabewerten zu Ausgabewerten. Zu diesem Zweck wird mitunter eine Zwischenebene oder eine verdeckte Ebene benötigt, die als andere Art der Darstellung derselben Daten verstanden werden kann. Neuronale Netze bieten eine Möglichkeit, alle diese stark verdichteten Temperaturdaten schnell abzuarbeiten und als reduzierte Anzahl vordefinierter Typen von s-Kurven zu typisieren.
Oben wurde beschrieben, dass aus den bekannten Daten eine Anzahl n vordefinierter s-Kurven erzeugt werden. Die Typen können Attribute zu deren Beschreibung beinhalten. Zum Beispiel:

vordefinierte s-Kurve TYP 1 – is perf = 1 – is Inlet = 1 – RecirculationIndex = 0 – FlowIndex = .25 – attributes that describe knowledge
vordefinierte s-Kurve TYP 2 – is perf = 0 – is Inlet = 1 – RecirculationIndex = .5 – FlowIndex = 0 – attributes that describe knowledge

Im nächsten Schritt können die Typen von s-Kurven in der Wissensdatenbank zu Gruppen zusammengefasst werden.
Zusammenfassen der Typen von s-Kurven zu Verhaltensgruppen: Die Verringerung der Vielzahl verschiedener s-Kurven durch deren Typisierung als vereinfachter Typ unter Verwendung eines der Reduzierungsverfahren, d. h. Gleichung 1, Gleichung 2 oder das Verfahren der neuronalen Netze, kann eine Zusammenfassung der verschiedenen Typen von s-Kurven zu Gruppen ermöglichen. Durch die Typisierung oder Charakterisierung verschiedener Typen von s-Kurven lässt sich die Anordnung der verschiedenen Typen von s-Kurven im gesamten Rechenzentrum überblicken. Diese Typen der s-Kurven werden entsprechend ihren Parametern an den Orten mit den Koordinaten x und y im Rechenzentrum angeordnet. Oben wurden insbesondere die Höhe z des Lufteintritts und die Temperatur in dieser Höhe (als Verlauf der s-Kurve) beschrieben. Für das gesamte Rechenzentrum gibt es diese s-Kurven für die Beziehung zwischen Höhe und Temperatur an verschiedenen x, y-Koordinaten (x und y sind die Koordinaten auf dem ebenen Fußboden). Nun werden Gruppen dieser s-Kurven im Zusammenhang betrachtet. Auf diese Weise werden an jeder x, y-Koordinate auf dem Fußboden die realen Temperatur- und Höhendaten analysiert und als vordefinierter Typ der s-Kurve typisiert. Im Wesentlichen führt dies nun zu einem x, y-Raster verschiedener vordefinierter s-Kurven, z. B. der Typen 1 bis 20. Daraufhin werden Muster oder Cluster vordefinierter Typen von s-Kurven sichtbar, die sich aus diesem Raster hervorheben. Die in ihrer nächsten Umgebung auftretenden Muster können in Beziehung zu den physikalischen Bedingungen im Rechenzentrum gesetzt werden.
Beispielsweise können die s-Kurven durch eine Funktion zur Modellreduktion (Gleichung 1 oder Gleichung 2, siehe oben) dargestellt und in verschiedene Bereiche aufgeteilt werden, um sie in Gruppen zusammenzufassen. Zum Beispiel können die oben beschriebenen s-Kurven in 9 mit einer Höhe von log(x0) < 1,2 m (4 feet) zusammengefasst werden oder Anstiege von 10°C pro 0,3 m (10°C/feet) bis 20°C pro 0,3 m (20°C/feet) und von 20°C pro 0,3 m (20°C/feet) bis 30°C pro 0,3 m (30°C/feet) und von 30°C pro 0,3 m (30°C/feet) bis 40°C pro 0,3 m (40°C/feet) verschiedene Gruppen darstellen. Kombinationen dieser Gruppen können wiederum andere Gruppen bilden. Hierzu ist zu bemerken, dass die Parameter in Gleichung 1 und Gleichung 2 zur Typisierung realer Temperaturdaten als vordefinierte Typen von s-Kurven verwendet werden können und dabei auf ein Verfahren der neuronalen Netze verzichtet werden kann.
Nach der Zusammenfassung der s-Kurven zu Gruppen kann der Standort eines Typs gefunden und ermittelt werden, ob das Vorkommen eines bestimmten Typs zu diesem Standort passt. Oben wurden viele Beispiele dafür angeführt, wie die s-Kurve durch die Rückströmung, die mangelnde Luftzufuhr, freistehende Serverschrank beeinflusst wird (weil sich der Serverschrank am Ende einer Reihe befindet usw.).
12 zeigt ein Schaubild, welches das Entstehen der zur Schaffung einer Wissensdatenbank verwendeten Kurvenverläufe veranschaulicht. Sodann liegt eine Wissensdatenbank mit Echtzeitdaten vor, die mit den Verläufen von s-Kurven verglichen werden können. In einem in Betrieb befindlichen Rechenzentrum sind Sensoren installiert, die laufend messen und deren Messdaten unter Verwendung zum Beispiel von (im Folgenden beschriebenen) Interpolationstechniken wie dem Kriging-Verfahren auf die hochauflösenden Daten der MMT-Basis interpoliert werden. Dadurch werden für das gesamte Rechenzentrum neue s-Kurven erzeugt. Diese neuen s-Kurven werden typisiert, um ein neues Raster der Typen von s-Kurven zu bilden, die analysiert werden können, um aus der Wissensdatenbank Empfehlungen oder Informationen über das aktuelle Milieu des Rechenzentrums abzuleiten.
Aus den Verläufen der Typen dieser s-Kurven können zweite Wissensdatenbanken für die übergeordneten Bedingungen eingerichtet werden, um das Milieu im Rechenzentrum zu erklären. Gemäß der obigen Beschreibung kommen unter bestimmten physikalischen Bedingungen wie beispielsweise einer unzureichenden Luftzufuhr bestimmte Typen vor. Zum Beispiel zeigen ein flacherer Anstieg im Mittelteil der Kurve und ein niedrigerer Halbwertspunkt eine unzureichende Luftzufuhr an, da warme Luft von der Decke ”angesaugt” wird.
13 zeigt ein Schaubild, das veranschaulicht, wie die physikalischen Verhaltensweisen zum Beispiel durch einen Berater (d. h., eine Person, die als Fachmann oder Sachkundiger beraten kann) in das Modell eingegeben werden können. Die Kreise zeigen an, auf welche Stelle im Aufstellungsplan des Rechenzentrums sich die physikalischen Verhaltensweisen beziehen. In dem Modell sind die durch den Cluster vordefinierter Typen von s-Kurven in dem Bereich markiert, den der Berater für das betreffende Verhalten durch einen Kreis gekennzeichnet hat. Sodann liegt ein horizontales Raster charakteristischer Typen von s-Kurven vor und auf der Grundlage der Erfahrungen des Beraters mittels MMT kann ein neues Netz erstellt und plausibel gemacht werden. Bei jedem Rechenzentrum können die mit den physikalischen Eigenschaften verbundenen Informationen oder Kenntnisse auf die Verläufe der Typen von s-Kurven angewendet werden, nachdem das Rechenzentrum durchgemessen wurde. 13 zeigt ein typisches MMT-Ergebnis zusammen mit den entsprechenden Empfehlungen. Zum Verknüpfen der in den Kreisen angegebenen Verhältnisse mit den Empfehlungen wird ein überwachtes maschinelles Lernprogramm verwendet. Das oben beschriebene Raster vordefinierter Typen von s-Kurven stellt nämlich im Grunde ein Mustererkennungsproblem dar, das zum Beispiel durch neuronale Netze gelöst werden kann. Der Training kann in der Weise erfolgen, dass im Raster ein Bereich definiert wird, dem der Berater eine physikalische Beschreibung zuordnen kann (siehe oben). Auf diese Weise können die Muster erkannt werden, die durch Cluster vordefinierter Typen von s-Kurven gebildet werden. Das Modell kann durch die Eingaben des Beraters trainiert werden. Nach diesem Lernprozess kann das Modell Vorhersagen treffen, wenn es Muster oder Änderungen von Mustern erkennt, die auf Neutypisierungen zum Beispiel infolge des Kriging-Verfahrens zurückzuführen sind.
Bei einer Ausführungsart kann das Modell unter Verwendung überwachter Mustererkennungsverfahren und maschineller Lernverfahren trainiert werden. Muster innerhalb eines Radius von beispielsweise n Datenpunkten können beim Training mit den in verschiedenen Rechenzentren ermittelten Erfahrungswerten trainiert und in der Wissensdatenbank gespeichert werden. Ein gewichtetes Mustererkennungsnetz kann einen Ähnlichkeitsvergleich von Mustern mit der Wissensdatenbank anstellen. Gemäß der obigen Beschreibung zeigt 13, wie dieses Netz mit Erfahrungswerten trainiert werden kann, wobei die Kreise die Muster der Typen von s-Kurven darstellen, die mit echten Erfahrungswerten im Rechenzentrum verknüpft sind. Wenn die Wissensdatenbank fertig ist, können verschiedene Kombinationen von Muster mit physikalischen Verhältnissen verknüpft werden, um Vorhersagen zu treffen, Empfehlungen zu geben und geeignete Maßnahmen zu ergreifen. Wenn keine Muster erkennbar sind, können die Attribute der typisierten S-Kurven dazu verwendet werden, das Modell ohne Überwachung zu trainieren. Die Attribute ermöglichen das Verständnis einzelner s-Kurven, und eine Zusammenstellung dieser Attribute kann den physikalischen Verhältnissen zugeordnet werden.
Wissensbasierte Modelle und Kriging-Verfahren: Eine Anwendung des vorliegenden wissensbasierten Modells besteht in seiner Verwendung zum Interpolieren oder das Kriging-Verfahren. Siehe beispielsweise Noel A. C. Cressie "Statistics for Spatial Data," Kapitel 3, Wiley Interscience, 1991, dessen Inhalte durch Bezugnahme hierin auf genommen sind. Zum Beispiel kann es in einem Rechenzentrum, in dem einige wenige (z. B. fortlaufend messende) Sensoren vor den Serverschränken angebracht sind, erwünscht sein, die Eintrittstemperaturen für Server abzuschätzen, an denen keine Sensoren angebracht sind.
Zweifellos können durch die Kombination der Wissensdatenbank mit den Echtzeitwerten vom Sensor sehr gute Schätzergebnisse erzielt werden. Ein gutes mathematisches System für diese Interpolation umfasst das Kriging-Verfahren. Das Kriging-Verfahren stellt ein Interpolationsverfahren zum Vorhersagen/Abschätzen unbekannter Werte aus gemessenen Daten an bekannten Standorten dar. Insbesondere verwendet das Kriging-Verfahren Variogramme zur Ermittlung der räumlichen Schwankungen und minimiert dann den Fehler der vorhergesagten Werte, die aus der räumlichen Verteilung der vorhergesagten Werte vorhergesagt wurden. Das Kriging-Verfahren kann Trendfunktionen beinhalten, zum Beispiel die oben erörterten s-Kurven als Funktion der x, y-Position. Der Unterschied zwischen diesem Kriging-Verfahren in Verbindung mit dem wissensbasierten Modell und dem klassischen Krigingmodell besteht darin, dass das wissensbasierte Modell im Modellsystem ausdrücklich anerkannt wird (d. h., das wissensbasierte Modell wird in das Kriging-Modell aufgenommen und findet darin seinen Niederschlag). Der Grundgedanke besteht darin, dass das Temperaturfeld im Wesentlichen physikalischen Gesetzen folgt, sodass ein auf den physikalischen Gesetzen aufbauendes realistisches Modell als Grundbaustein des Temperaturvorhersagemodells dienen kann und nur noch die Abweichungen von diesem physikalischen Modell abgeschätzt werden müssen. Dies gilt insbesondere, wenn die Funktion f(z), beispielsweise die Funktion der s-Kurve, welche die Änderung der Temperatur mit der Höhe z beschreibt, als wissensbasiertes Modell angenommen wird. Y(r)sei die beobachtete Temperatur am Ort r = (x, y, z). Wenn die beobachteten Temperaturen an mehreren räumlich entfernten Orten in der Nachbarschaft von r gegeben sind und diese Orte als r_i mit den z-Koordinaten z_i bezeichnet werden, besteht die Vorhersagegleichung beim wissensbasierten Modell aus zwei Komponenten: der Funktion f(z) und dem Kriging-Modell, das als Eingabewerte die Abweichung der Nachbarorte aus dem wissensbasierten Modell verwendet: Der Koeffizient von f(z) wird einbezogen, damit das Modell flexibel bleibt: Y(r) = βf(z) + K(Y(r_i) – f(z_i)|i ∊ ne(r))
In der Praxis können für die Wahl der Nachbarschaft ne(r) bestimmte zweckmäßige Kriterien wie beispielsweise der nächstgelegene Kriging-Nachbar oder ein Bereich mit einem vorgegebenen Radius gewählt werden.
14 zeigt das Blockschaltbild einer Vorrichtung 1400 zum Modellieren der Temperaturverteilung in einem Rechenzentrum gemäß einer Ausführungsart der vorliegenden Erfindung. Es sollte klar sein, dass die Vorrichtung 1400 eine Ausführungsart zur Umsetzung des Verfahrens 200 von 2 darstellt.
Die Vorrichtung 1400 umfasst ein Computersystem 1410 und ein Wechselmedium 1450. Das Computersystem 1410 umfasst eine Prozessoreinheit 1420, eine Netzwerkschnittstelle 1425, einen Speicher 1430, eine Medienschnittstelle 1435 und wahlweise eine Anzeige 1440. Über die Netzwerkschnittstelle 1425 kann das Computersystem 1410 mit einem Netzwerk verbunden werden, während das Computersystem 1410 über die Medienschnittstelle 1435 mit einem Medium in Verbindung treten kann, zum Beispiel mit einer Festplatte oder einem Wechselmedium 1450.
In der Technik ist bekannt, dass die hier erörterten Verfahren und Vorrichtungen als Herstellungsartikel vertrieben werden können, der selbst ein computerlesbares Medium mit einem oder mehreren Programmen umfasst, das Ausführungsarten der vorliegenden Erfindung ausführen kann. Zum Beispiel kann das maschinenlesbare Medium ein Programm enthalten, um Daten der vertikalen Temperaturverteilung für eine Vielzahl von Orten im gesamten Rechenzentrum zu gewinnen, die Daten der vertikalen Temperaturverteilung für jeden der Orte als s-Kurve aufzuzeichnen, wobei die Daten der vertikalen Temperaturverteilung die physikalischen Bedingungen an jedem der Orte in Form der s-Kurve widerspiegeln; und jede der s-Kurven mit einem Satz von Parametern darzustellen, welche die Form der s-Kurve charakterisieren, wobei die Darstellungen der s-Kurven ein wissensbasiertes Modell von vordefinierten Typen der s-Kurven bilden, mittels dessen die Wärmeverteilung und die zugehörigen physikalischen Bedingungen an der Vielzahl von Orten im gesamten Rechenzentrum analysiert werden können.
Bei dem maschinenlesbaren Medium kann es sich um ein beschreibbares Medium (z. B. Disketten, Festplatten, optische Speicherplatten wie beispielsweise ein Wechselmedium 1450 oder Speicherkarten) oder um ein Übertragungsmedium handeln (z. B. ein Netzwerk aus Lichtwellenleitern, das Internet, Kabel oder einen drahtlosen Kanal unter Verwendung des Zeitmultiplexverfahrens, des Codemultiplexverfahrens oder andere Funkverfahren). Es kann jedes bekannte oder noch zu entwickelnde und für ein Computersystem geeignete Medium verwendet werden, das Informationen speichern kann.
Die Prozessoreinheit 1420 kann so beschaffen sein, dass sie die hier beschriebenen Verfahren, Schritte und Funktionen umsetzen kann. Der Speicher 1430 kann verteilt oder lokal sein und der Prozessor 1420 kann verteilt sein oder eine Einheit bilden. Der Speicher 1430 kann als elektrischer, magnetischer oder optischer Speicher oder als Kombination dieser oder anderer Typen von Speichereinheiten konzipiert sein. Darüber hinaus ist der Begriff ”Speicher” so weitreichend zu verstehen, dass er alle Informationen umfasst, die von einer Adresse auf einem adressierbaren Speicherplatz gelesen oder darauf geschrieben werden können, auf den die Prozessoreinheit 1420 zugreifen kann. Gemäß dieser Definition befindet sich eine Information in einem Netzwerk, auf das über die Netzwerkschnittstelle 1425 zugegriffen werden kann, immer noch im Speicher 1430, da die Prozessoreinheit 1420 die Information aus dem Netzwerk abrufen kann. Dabei ist zu beachten, dass jeder verteilte Prozessor, aus dem die Prozessoreinheit 1420 besteht, generell ihren eigenen adressierbaren Speicherplatz enthält. Ferner ist zu beachten, dass das gesamte Computersystem 1410 oder ein Teil davon in eine anwendungsspezifische oder eine universelle integrierte Schaltung einbezogen sein kann.
Bei der wahlweisen Videoanzeige 1440 kann es sich um einen beliebigen Typ von Videoanzeige handeln, die zum Zusammenwirken mit einem menschlichen Benutzer der Vorrichtung 1400 geeignet ist. Im Allgemeinen handelt es sich bei der Videoanzeige 1440 um einen Computermonitor oder eine ähnliche Videoanzeige.
Obwohl hier anschauliche Ausführungsarten der vorliegenden Erfindung beschrieben wurden, sollte klar sein, dass die Erfindung nicht auf genau diese Ausführungsarten beschränkt ist und dass ein Fachmann verschiedene Änderungen und Modifikationen daran vornehmen kann, ohne vom Geltungsbereich der Erfindung abzuweichen.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

US 7366632 [0036, 0036, 0042]

Zitierte Nicht-Patentliteratur

P. Scheihing, ”Creating Energy-Efficient Data Centers,” Konferenz über den Betrieb und den Bau von Rechenzentren, Washington, DC (18. Mai 2007) [0003]
”American Society of Heating, Refrigerating and Air-Conditioning Engineers” (ASHRAE) beschreibt in ”2008 ASHRAE Environmental Guidelines for Datacom Equipment, Expanding the Recommended Environmental Envelope” (Umweltrichtlinien der ASHRAE für Datenverarbeitungsanlagen von 2008, „Erweiterung der empfohlenen Umweltmaßnahmen”) [0033]
”Uncovering Energy-Efficiency Opportunities in Data Centers”, IBM Journal of Research and Development, Bd. 53, Nr. 3, (2009) von Hamann et al. [0042]
Noel A. C. Cressie ”Statistics for Spatial Data,” Kapitel 3, Wiley Interscience, 1991 [0077]

Claims

Verfahren zum Modellieren der Wärmeverteilung in einem Rechenzentrum, wobei das Verfahren die folgenden Schritte umfasst: Gewinnen von Daten der vertikalen Temperaturverteilung für eine Vielzahl von Orten im gesamten Rechenzentrum; Aufzeichnen der Daten der vertikalen Temperaturverteilung für jeden der Orte als s-Kurve, wobei die Daten der vertikalen Temperaturverteilung die physikalischen Bedingungen an jedem der Orte in Form der s-Kurve widerspiegeln; und Darstellen jeder der s-Kurven mit einem Satz von Parametern, welche die Form der s-Kurve charakterisieren, wobei die Darstellungen der s-Kurven ein wissensbasiertes Modell vordefinierter Typen von s-Kurven bilden, mittels dessen die Wärmeverteilung und die zugehörigen physikalischen Bedingungen an der Vielzahl von Orten im gesamten Rechenzentrum analysiert werden können.
Verfahren nach Anspruch 1, wobei die Daten der vertikalen Wärmeverteilung unter Verwendung der mobilen Messwerterfassung (Mobile Measurement Technology, MMT) gewonnen werden.
Verfahren nach Anspruch 1, wobei zu den Parametern ein unteres Plateau der s-förmigen Kurve, ein oberes Plateau der s-förmigen Kurve, eine s-förmige Biegung im einem oberen Teil der s-förmigen Kurve, eine s-förmige Biegung in einem unteren Teil der s-förmigen Kurve und/oder eine Höhe gehören, in welcher ein Halbwertspunkt der s-förmigen Kurve erreicht ist.
Verfahren nach Anspruch 1, wobei zu dem Parametersatz ferner ein oder mehrere Parameter zur Beschreibung des bestimmten Ortes im Rechenzentrum gehören, für welche die s-förmige Kurve eine Aufzeichnung der vertikalen Temperaturverteilung darstellt.
Verfahren nach Anspruch 1, wobei das Rechenzentrum Serverschränke und ein Unterflurkühlsystem mit einer oder mehreren Computer-Klimaeinheiten umfasst, das so beschaffen ist, dass Warmluft von den Serverschränken angesaugt und Kaltluft in einen Luftsammler geblasen wird, die den Serverschränken durch eine Vielzahl von Lochplatten im Oberboden zugeführt wird.
Verfahren nach Anspruch 5, das ferner den folgenden Schritt umfasst: Gewinnen von Daten der vertikalen Temperaturverteilung an einer Lufteintrittsseite jedes einzelnen oder mehrerer Serverschränke im Rechenzentrum.
Verfahren nach Anspruch 5, wobei die physikalischen Bedingungen einen oder mehrere Standorte des Serverschranks im Rechenzentrum, den Abstand des Serverschranks zu den Klimaeinheiten, die Höhe des Serverschranks, die Abwärmemenge, den Freiraum um den Serverschrank, die Deckenhöhe, den Abstand bis zur nächsten Lochplatte, den von den Klimaeinheiten zum Serverschrank gelieferten Luftstrom, Öffnungen im Serverschrank, den Energieverbrauch des Serverschranks und/oder den Luftstrombedarf des Serverschranks umfassen.
Verfahren nach Anspruch 1, wobei die Daten der vertikalen Temperaturverteilung für einen Zeitpunkt T = 0 gewonnen werden und das Verfahren ferner die folgenden Schritte umfasst: Gewinnen der Temperaturdaten in Echtzeit für einen Zeitpunkt T = 1, wobei die Echtzeitdaten räumlich weniger dicht sind als die für den Zeitpunkt T = 0 gewonnenen Daten; und Interpolieren der Echtzeitdaten der Temperatur auf die für den Zeitpunkt T = 0 gewonnenen Daten, um für die Vielzahl der Orte aktualisierte Daten der vertikalen Temperaturverteilung zu erhalten.
Verfahren nach Anspruch 8, das ferner die folgenden Schritte umfasst: Aufzeichnen der aktualisierten Daten der vertikalen Temperaturverteilung für jeden der Orte als s-Kurve, wobei die Daten der vertikalen Temperaturverteilung die aktuellen physikalischen Bedingungen an jedem der Orte in Form der s-Kurve widerspiegeln; und Vergleichen der aktualisierten s-Kurven mit den vordefinierten Typen von s-Kurven im wissensbasierten Modell.
Verfahren nach Anspruch 1, das ferner den folgenden Schritt umfasst: Zusammenfassen der vordefinierten Typen von s-Kurven zu Gruppen auf der Grundlage ähnlicher Parameter.
Herstellungsartikel zum Modellieren der Wärmeverteilung in einem Rechenzentrum, der ein maschinenlesbares Medium mit einem oder mehreren Programmen umfasst, welche die Schritte des Verfahrens nach Anspruch 1 ausführen.
Vorrichtung zum Modellieren der Wärmeverteilung in einem Rechenzentrum, wobei die Vorrichtung Folgendes umfasst: einen Speicher; und mindestens eine mit dem Speicher verbundene Prozessoreinheit mit folgenden Aufgaben: Gewinnen von Daten der vertikalen Temperaturverteilung für eine Vielzahl von Orten im gesamten Rechenzentrum; Aufzeichnen der Daten der vertikalen Temperaturverteilung für jeden der Orte als s-Kurve, wobei die Daten der vertikalen Temperaturverteilung die physikalischen Bedingungen an jedem der Orte in Form einer s-Kurve widerspiegeln; und Darstellen jeder der s-Kurven mit einem Satz von Parametern, welche die Form der s-Kurve charakterisieren, wobei die Darstellungen der s-Kurven ein wissensbasiertes Modell vordefinierter Typen von s-Kurven bilden, mittels dessen die Wärmeverteilung und die zugehörigen physikalischen Bedingungen an der Vielzahl von Orten im gesamten Rechenzentrum analysiert werden können.
Vorrichtung nach Anspruch 12, wobei das Rechenzentrum Serverschränke und ein Unterflurkühlsystem mit einer oder mehreren Computer-Klimaanlagen umfasst, das so beschaffen ist, dass Warmluft von den Serverschränken angesaugt und Kaltluft in einen Luftsammler geblasen wird, die den Serverschränken durch eine Vielzahl von Lochplatten im Oberboden zugeführt wird.
Verfahren nach Anspruch 13, wobei die mindestens eine Prozessoreinheit folgende Aufgabe hat: Daten der vertikalen Temperaturverteilung an einer Lufteintrittsseite jedes einzelnen oder mehrerer Serverschränke im Rechenzentrum zu gewinnen.
Verfahren nach Anspruch 12, wobei die Daten der vertikalen Temperaturverteilung für einen Zeitpunkt T = 0 gewonnen werden und die mindestens eine Prozessoreinheit die folgenden Aufgaben hat: Gewinnen der Temperaturdaten in Echtzeit für einen Zeitpunkt T = 1, wobei die Echtzeitdaten räumlich weniger dicht sind als die für den Zeitpunkt T = 0 gewonnenen Daten; und Interpolieren der Echtzeitdaten der Temperatur auf die für den Zeitpunkt T = 0 gewonnenen Daten, um für die Vielzahl der Orte aktualisierte Daten der vertikalen Temperaturverteilung zu erhalten.
Verfahren nach Anspruch 15, wobei die mindestens eine Prozessoreinheit die folgenden Aufgaben hat: Aufzeichnen der aktualisierten Daten der vertikalen Temperaturverteilung für jeden der Orte als s-Kurve, wobei die Daten der vertikalen Temperaturverteilung die aktuellen physikalischen Bedingungen an jedem der Orte in Form der s-Kurve widerspiegeln; und Vergleichen der aktualisierten s-Kurven mit den vordefinierten Typen von s-Kurven im wissensbasierten Modell.
Vorrichtung nach Anspruch 12, wobei die mindestens eine Prozessoreinheit folgende Aufgabe hat: Zusammenfassen der vordefinierten Typen von s-Kurven zu Gruppen auf der Grundlage ähnlicher Parameter.