DE202017000308U1 - Optimization of data center controls using neural networks - Google Patents

Optimization of data center controls using neural networks Download PDF

Info

Publication number
DE202017000308U1
DE202017000308U1 DE202017000308.2U DE202017000308U DE202017000308U1 DE 202017000308 U1 DE202017000308 U1 DE 202017000308U1 DE 202017000308 U DE202017000308 U DE 202017000308U DE 202017000308 U1 DE202017000308 U1 DE 202017000308U1
Authority
DE
Germany
Prior art keywords
data center
panel
panels
efficiency
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
DE202017000308.2U
Other languages
German (de)
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
DeepMind Technologies Ltd
Original Assignee
Google LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Google LLC filed Critical Google LLC
Priority to DE202017000308.2U priority Critical patent/DE202017000308U1/en
Publication of DE202017000308U1 publication Critical patent/DE202017000308U1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

System, das umfasst: einen oder mehrere Computer; und eine oder mehrere Speichervorrichtungen, die Anweisungen speichern, die, wenn sie durch einen oder mehrere Computer ausgeführt werden, betreibbar sind, um zu veranlassen, dass der eine oder die mehreren Computer Operationen ausführen, die Folgendes umfassen: Empfangen einer Zustandseingabe, die einen aktuellen Zustand eines Rechenzentrums charakterisiert; für jede Rechenzentrum-Einstellungstafel in einer ersten Menge von Rechenzentrum-Einstellungstafeln, die jeweils eine jeweilige Kombination möglicher Rechenzentrumeinstellungen, die eine Betriebsmitteleffizienz des Rechenzentrums beeinflussen, definieren: Verarbeiten der Zustandseingabe und der Rechenzentrum-Einstellungstafel durch jedes Maschinenlernmodell in einem Ensemble von Maschinenlernmodellen, wobei jedes Maschinenlernmodell in dem Ensemble konfiguriert ist zum: Empfangen der Zustandseingabe und der Rechenzentrum-Einstellungstafel, und Verarbeiten der Zustandseingabe und der Rechenzentrum-Einstellungstafel, um eine Effizienzbewertung zu erzeugen, die eine vorgegebene Betriebsmitteleffizienz des Rechenzentrums charakterisiert, falls die durch die Rechenzentrum-Einstellungstafel definierten Rechenzentrumeinstellungen in Ansprechen auf den Empfang der Zustandseingabe angenommen werden; und Auswählen neuer Werte für die Rechenzentrumeinstellungen auf der Grundlage der Effizienzbewertungen für die Rechenzentrum-Einstellungstafeln in der ersten Menge von Rechenzentrum-Einstellungstafeln.A system comprising: one or more computers; and one or more memory devices that store instructions that, when executed by one or more computers, are operable to cause the one or more computers to perform operations that include: receiving a state input that is current; Condition of a data center characterized; for each data center adjustment panel in a first set of data center adjustment panels, each defining a respective combination of possible data center settings affecting data center resource efficiency: processing the state input and the data center adjustment panel by each machine learning model in an ensemble of machine learning models, each The machine learning model in the ensemble is configured to: receive the state input and the data center adjustment panel, and process the state input and the data center adjustment panel to generate an efficiency score that characterizes a given resource efficiency of the data center if the data center settings defined by the data center adjustment panel be accepted in response to receipt of the state input; and selecting new values for the data center settings based on the efficiency scores for the data center adjustment panels in the first set of data center adjustment panels.

Description

HINTERGRUNDBACKGROUND

Diese Patentschrift bezieht sich auf die Optimierung von Großrechenzentren.This patent relates to the optimization of large data centers.

Ein Rechenzentrum ist eine Einrichtung, die Computerserver für die ferne Speicherung, Verarbeitung oder Verteilung großer Datenmengen hält. Die effiziente Verwendung von Betriebsmitteln, z. B. Energie, ist ein primäres Anliegen für Rechenzentrumbetreiber.A data center is a facility that holds computer servers for the remote storage, processing or distribution of large amounts of data. The efficient use of resources, eg. Energy is a primary concern for data center operators.

ZUSAMMENFASSUNGSUMMARY

Diese Patentschrift beschreibt Technologien für die Rechenzentrumoptimierung. Diese Technologien umfassen allgemein Verfahren und Systeme, um Maschinenlernalgorithmen zur Verbesserung der Rechenzentrumeffizienz anzuwenden.This patent describes technologies for data center optimization. These technologies generally include methods and systems for applying machine learning algorithms to improve data center efficiency.

Allgemein kann ein innovativer Aspekt des in dieser Patentschrift beschriebenen Gegenstands in Verfahren oder Systemen verkörpert werden, die die Aktionen für verbesserte Betriebseffizienz innerhalb eines Rechenzentrums durch Modellieren des Rechenzentrumsverhaltens und Vorhersage der Leistungsnutzungseffizienz enthalten. Andere Ausführungsformen dieses Aspekts enthalten entsprechende Computersysteme, Geräte und Computerprogramme, die in einer oder in mehreren Computerspeichervorrichtungen aufgezeichnet sind, die jeweils dafür konfiguriert sind, die Aktionen der Verfahren oder Systeme auszuführen. Dass ein System eines oder mehrerer Computer dafür konfiguriert ist, bestimmte Operationen oder Aktionen auszuführen, bedeutet, dass in dem System Software, Firmware, Hardware oder eine Kombination davon installiert sind, die im Betrieb veranlassen, dass das System die Operationen oder Aktionen ausführt. Dass ein oder mehrere Computerprogramme dafür konfiguriert sind, bestimmte Operationen oder Aktionen auszuführen, bedeutet, dass das eine oder die mehreren Programme Anweisungen enthalten, die, wenn sie durch ein Datenverarbeitungsgerät ausgeführt werden, veranlassen, dass das Gerät die Operationen oder Aktionen ausführt.In general, an innovative aspect of the subject matter described in this specification may be embodied in methods or systems that include the actions for improved operational efficiency within a data center by modeling data center behavior and predicting power usage efficiency. Other embodiments of this aspect include respective computer systems, devices and computer programs recorded in one or more computer storage devices each configured to perform the actions of the methods or systems. That a system of one or more computers is configured to perform certain operations or actions means that software, firmware, hardware, or a combination thereof, are installed in the system that, in use, cause the system to perform the operations or actions. Having one or more computer programs configured to perform certain operations or actions means that the one or more programs contain instructions that, when executed by a computing device, cause the device to perform the operations or actions.

Optional können die vorstehende und andere Ausführungsformen jeweils ein oder mehrere der folgenden Merkmale allein oder zusammen enthalten. Insbesondere enthält eine Ausführungsform alle der folgenden Merkmale zusammen. Ein beispielhaftes Verfahren, das in einem beispielhaften System implementiert wird, enthält: Empfangen einer Zustandseingabe, die einen aktuellen Zustand eines Rechenzentrums charakterisiert; für jede Rechenzentrum-Einstellungstafel in einer ersten Menge von Rechenzentrum-Einstellungstafeln, die jeweils eine jeweilige Kombination möglicher Rechenzentrumeinstellungen, die eine Betriebsmitteleffizienz des Rechenzentrums beeinflussen, definieren: Verarbeiten der Zustandseingabe und der Rechenzentrum-Einstellungstafel durch jedes Maschinenlernmodell in einem Ensemble von Maschinenlernmodellen, wobei jedes Maschinenlemmodell in dem Ensemble konfiguriert ist zum: Empfangen der Zustandseingabe und der Rechenzentrum-Einstellungstafel, und Verarbeiten der Zustandseingabe und der Rechenzentrum-Einstellungstafel, um eine Effizienzbewertung zu erzeugen, die eine vorgegebene Betriebsmitteleffizienz des Rechenzentrums charakterisiert, falls die durch die Rechenzentrum-Einstellungstafel definierten Rechenzentrumeinstellungen in Ansprechen auf den Empfang der Zustandseingabe angenommen werden; und Auswählen auf der Grundlage der Effizienzbewertungen für die Rechenzentrum-Einstellungstafeln in der ersten Menge von Rechenzentrum-Einstellungstafeln. Ein innovativer Aspekt des in dieser Patentschrift beschriebenen Gegenstands kann in einem System verkörpert werden, das einen oder mehrere Computer und eine oder mehrere Speichervorrichtungen, die Anweisungen speichern, die, wenn sie durch den einen oder die mehreren Computer ausgeführt werden, dafür betreibbar sind zu veranlassen, dass der eine oder die mehreren Computer Operationen ausführen, die das beispielhafte Verfahren implementieren, umfasst. Ein innovativer Aspekt des in dieser Patentschrift beschriebenen Gegenstands kann in einem oder in mehreren nicht temporären computerlesbaren Medien verkörpert sein, die darin gespeicherte Anweisungen umfassen, die durch eine Verarbeitungsvorrichtung ausführbar sind und bei dieser Ausführung veranlassen, dass die Verarbeitungsvorrichtung Operationen ausführt, die das beispielhafte Verfahren implementieren.Optionally, the above and other embodiments may each contain one or more of the following features alone or together. In particular, an embodiment includes all of the following features together. One exemplary method implemented in an exemplary system includes: receiving a state input that characterizes a current state of a data center; for each data center adjustment panel in a first set of data center adjustment panels, each defining a respective combination of possible data center settings affecting data center resource efficiency: processing the state input and the data center adjustment panel by each machine learning model in an ensemble of machine learning models, each A machine model in the ensemble is configured to: receive the state input and the data center adjustment panel, and process the state input and the data center adjustment panel to produce an efficiency score that characterizes a given resource efficiency of the data center if the data center settings defined by the data center adjustment panel be accepted in response to receipt of the state input; and selecting based on the efficiency scores for the data center adjustment panels in the first set of data center adjustment panels. An innovative aspect of the subject matter described in this patent may be embodied in a system that includes one or more computers and one or more memory devices that store instructions that are operable when executed by the one or more computers in that the one or more computers perform operations that implement the example method. An innovative aspect of the subject matter described in this patent may be embodied in one or more non-transitory computer-readable media having instructions stored therein that are executable by a processing device and, in that embodiment, cause the processing device to perform operations representative of the exemplary method to implement.

Diese und andere Ausführungsformen können optional ein oder mehrere der folgenden Merkmale enthalten. Die Effizienzbewertung kann eine vorhergesagte Langzeit-Leistungsnutzungseffektivität (Langzeit-PUE) des Rechenzentrums sein, falls die durch die Rechenzentrum-Einstellungstafel definierten Rechenzentrumeinstellungen in Ansprechen auf den Empfang der Zustandseingabe angenommen werden. Die Maschinenlernmodelle können dafür konfiguriert sein, die vorhergesagte Langzeit-PUE des Rechenzentrums durch Training der Maschinenlernmodelle an Trainingsdaten zu erzeugen, die mehrere Trainingszustandseingaben und für jede Trainingszustandseingabe eine Ziel-PUE, die die PUE des Rechenzentrums zu einer vorgegebenen Zeit, nachdem das Rechenzentrum in dem durch die Trainingszustandseingabe charakterisierten Zustand war, war, enthalten. Zum Erzeugen der Trainingszustandseingaben können Trainingszustandsursprungseingaben empfangen und vorverarbeitet werden. Die vorgegebene Zeitdauer kann größer als dreißig Minuten sein. Die vorgegebene Zeitdauer kann eine Stunde sein. Das Auswählen neuer Werte für die Rechenzentrumeinstellungen kann enthalten: Bestimmen einer Gesamt-Betriebsmitteleffizienzbewertung aus den für die Rechenzentrum-Einstellungstafel durch das Ensemble von Modellen erzeugten Effizienzbewertungen für jede Rechenzentrum-Einstellungstafel; Bestimmen eines Maßes für die Änderung der für die Rechenzentrum-Einstellungstafel durch das Ensemble von Modellen erzeugten Effizienzbewertungen für jede Rechenzentrum-Einstellungstafel; Ordnen der Rechenzentrum-Einstellungstafeln auf der Grundlage der Gesamt-Betriebsmitteleffizienzbewertungen und der Maße für die Änderung; und Auswählen der Kombination möglicher Rechenzentrumeinstellungen, die durch eine Rechenzentrum-Einstellungstafel mit der höchsten Rangordnung definiert sind, als die neuen Werte für die Rechenzentrumeinstellungen. Die Gesamt-Betriebsmitteleffizienzbewertung ist ein Maß für die zentrale Tendenz der durch das Ensemble von Modellen erzeugten Effizienzbewertungen. Das Ordnen der Rechenzentrum-Einstellungstafeln kann das Ordnen der Rechenzentrumtafeln auf Ausnutzungsart durch Benachteiligung von Rechenzentrum-Einstellungstafeln mit höheren Maßen für die Änderung in der Rangordnung gegenüber Rechenzentrum-Einstellungstafeln mit niedrigeren Maßen für die Änderung umfassen. Das Ordnen der Rechenzentrum-Einstellungstafeln kann das Ordnen der Rechenzentrum-Einstellungstafeln auf Erkundungsart durch Honorieren der Rechenzentrum-Einstellungstafeln mit höheren Maßen für die Änderung in der Rangordnung gegenüber Rechenzentrum-Einstellungstafeln mit niedrigeren Maßen für die Änderung umfassen. Die Daten können eine zweite Menge von Rechenzentrum-Einstellungstafeln identifizieren und die erste Menge von Rechenzentrum-Einstellungstafeln kann durch Entfernen irgendeiner Rechenzentrum-Einstellungstafel, die dazu führen würde, dass eine von einer oder mehreren Betriebsbeschränkungen für das Rechenzentrum verletzt würde, falls die durch die Rechenzentrum-Einstellungstafel definierten Rechenzentrumeinstellungen in Ansprechen auf den Empfang der Zustandseingabe angenommen würden, von der zweiten Menge von Rechenzentrumtafeln, erzeugt werden. Das Erzeugen der ersten Menge von Rechenzentrum-Einstellungstafeln kann für jede Betriebsbeschränkung umfassen: für jede Rechenzentrum-Einstellungstafel in der zweiten Menge von Rechenzentrum-Einstellungstafeln: Verarbeiten der Zustandseingabe und der Rechenzentrum-Einstellungstafel durch ein oder mehrere Beschränkungsmaschinenlernmodelle, die spezifisch für die Betriebsbeschränkung sind, wobei jedes Beschränkungsmaschinenlernmodell konfiguriert ist zum: Empfangen der Zustandseingabe und der Rechenzentrum-Einstellungstafel, und Verarbeiten der Zustandseingabe und der Rechenzentrum-Einstellungstafel, um eine Beschränkungsbewertung zu erzeugen, die einen vorhergesagten Wert einer Betriebseigenschaft der Rechenzentrumeinstellungen, die durch die Rechenzentrum-Einstellungstafel definiert sind, charakterisiert, die in Ansprechen auf den Empfang der Zustandseingabe angenommen werden; Erzeugen einer abschließenden Beschränkungsbewertung für jede Rechenzentrum-Einstellungstafel für die durch das eine oder die mehreren Beschränkungsmaschinenlemmodelle, die spezifisch für die Beschränkung sind, erzeugten Beschränkungsbewertungen; und Entfernen irgendwelcher Rechenzentrum-Einstellungstafeln aus der zweiten Menge von Rechenzentrum-Einstellungstafeln auf der Grundlage der Beschränkungsbewertungen aus der zweiten Menge, um die erste Menge von Rechenzentrum-Einstellungstafeln zu erzeugen. Eine der Betriebsbeschränkungen kann eine Beschränkung der Temperatur des Rechenzentrums während einer nächsten Stunde sein, wobei die Betriebseigenschaft des Rechenzentrums, die der Betriebsbeschränkung entspricht, die Temperatur des Rechenzentrums während der nächsten Stunde ist. Eine der Betriebsbeschränkungen kann eine Beschränkung des Drucks des Rechenzentrums während einer nächsten Stunde sein, wobei die Betriebseigenschaft des Rechenzentrums, die der Betriebsbeschränkung entspricht, der Druck des Rechenzentrums während der nächsten Stunde ist. Jedes Maschinenlernmodell in dem Ensemble kann an einer anderen Stichprobe von Trainingsdaten von jedem anderen Maschinenlernmodell in dem Ensemble trainiert worden sein oder besitzt eine andere Modellarchitektur als jedes andere Maschinenlernmodell in dem Ensemble. Es können Daten empfangen werden, die einen wahren Wert der Effizienzbewertung für das Rechenzentrum zu einer Zeit, nachdem das Rechenzentrum in dem aktuellen Zustand war, identifizieren und die Eingabe des aktuellen Zustands kann zusammen mit neuen Werten für die Rechenzentrumeinstellungen und mit dem wahren Wert der Effizienzbewertung beim Neutrainieren des Ensembles von Maschinenlernmodellen verwendet werden.These and other embodiments may optionally include one or more of the following features. The efficiency score may be a predicted long-term PUE of the data center if the data center settings defined by the data center panel are accepted in response to receipt of the status input. The machine learning models may be configured to generate the predicted long-term PUE of the data center by training the machine learning models on training data having multiple training state inputs and for each training state input a target PUE representing the PUE of the data center at a predetermined time after the data center in the computer center condition characterized by the exercise state input was included. To generate the training state inputs, training state source inputs may be received and preprocessed. The predetermined time may be greater than thirty minutes. The default Duration can be one hour. Selecting new values for the datacenter settings may include: determining an overall resource efficiency score from the datacenter panel's efficiency ratings generated for the datacenter panel by the ensemble of models; Determining a measure of the change in the efficiency scores generated by the ensemble of models for the datacenter panel by each datacenter panel; Ordering the data center adjustment panels based on the total resource efficiency ratings and the measures for the change; and selecting the combination of possible data center settings defined by a highest ranking data center scheduling panel as the new values for the data center settings. The overall resource efficiency rating is a measure of the central tendency of the efficiency ratings generated by the ensemble of models. The ordering of the data center adjustment panels may include ordering the data center panels to exploit by biasing higher ranked data center control panels over the lower order data center panels for the change. The ordering of the datacenter panels may include sorting the datacenter panels to explore by rewarding the datacenter panels with higher dimensions for the change in ranking over datasets with smaller dimensions for the change. The data may identify a second set of data center adjustment panels, and the first set of data center adjustment panels may be broken by removing any data center adjustment panel that would result in one of one or more data center operating restrictions being violated by the data center Setting table defined data center settings in response to receiving the state input would be generated from the second set of data center tables. Generating the first set of data center adjustment panels may include for each operation restriction: for each data center adjustment panel in the second set of data center adjustment panels: processing the state input and the data center adjustment panel by one or more restriction machine learning models specific to the operation restriction; wherein each constraint machine learning model is configured to: receive the state input and the datacenter adjustment panel, and process the state input and the datacenter adjustment panel to generate a constraint score representing a predicted value of an operating characteristic of the datacenter settings defined by the datacenter adjustment panel; characterized in response to receipt of the state input; Generating a final constraint score for each data center adjustment panel for the constraint scores generated by the one or more constraint machine models specific to the constraint; and removing any data center adjustment panels from the second set of data center adjustment panels based on the constraint scores from the second set to generate the first set of data center adjustment panels. One of the operating limitations may be a data center temperature limitation during a next hour, with the data center operating characteristic corresponding to the operating limit being the data center temperature during the next hour. One of the operating limitations may be a limitation of the pressure of the data center during a next hour, wherein the operating characteristic of the data center corresponding to the operating limit is the pressure of the data center during the next hour. Each machine learning model in the ensemble may have been trained on a different sample of training data from any other machine learning model in the ensemble, or has a different model architecture than any other machine learning model in the ensemble. Data may be received that identifies a true value of the efficiency score for the data center at a time after the data center was in the current state, and input of the current state may be combined with new values for the data center settings and the true value of the efficiency score when retraining the ensemble from machine learning models.

Der in dieser Patentschrift beschriebene Gegenstand kann in bestimmten Ausführungsformen implementiert werden, um einen oder mehrere der folgenden Vorteile zu verwirklichen. Ein beispielhaftes System verwendet Maschinenlernmodellalgorithmen, um die Betriebseffizienz innerhalb Rechenzentren dadurch zu verbessern, dass das Rechenzentrumverhalten modelliert wird und die Betriebsmitteleffizienz vorhergesagt wird.The subject matter disclosed in this specification may be implemented in certain embodiments to achieve one or more of the following advantages. An example system uses machine learning model algorithms to improve operational efficiency within data centers by modeling data center behavior and predicting resource efficiency.

Rechenzentren erschweren die Optimierung der Betriebseffizienz, da sie komplexe Interaktionen zwischen mehreren mechanischen, elektrischen und Steuersystemen besitzen. Die Rechenzentrumausrüstung, der Betrieb dieser Ausrüstung und die Umgebung interagieren häufig in einer Anzahl von Betriebskonfigurationen und mit nichtlinearen Abhängigkeiten miteinander. Außerdem weist jedes Rechenzentrum eine einzigartige Architektur und Umgebung auf. Somit kann die Optimierung von Rechenzentrumparametern für ein Rechenzentrum nicht für ein anderes Rechenzentrum anwendbar sein. Maschinenlernmodelle können an verschiedenen Betriebsszenarien und Parametern innerhalb von Rechenzentren trainiert werden, um ein effizientes und adaptives Grundgerüst zu erzeugen, das die Rechenzentrumdynamik versteht und die Effizienz innerhalb von Rechenzentren optimiert. Durch die Anwendung von Maschinenlerntechniken zum Modellieren komplexer Dynamiken implementieren die Rechenzentrumsteuersysteme Aktionen, auf die bei der Langzeiteffizienz der Schwerpunkt gelegt wird. Maschinenlernmodelle können für verschiedene Kriterien optimiert werden, einschließlich: niedrigste Leistungsnutzung, niedrigste Wassernutzung, das niedrigste für Elektrizität verbrauchte Geld; und die höchstmöglichen CPU-Lasten, die in ein Rechenzentrum eingegeben werden können.Data centers make it difficult to optimize operational efficiency by having complex interactions between multiple mechanical, electrical, and control systems. The data center equipment, the operation of this equipment and the environment often interact with each other in a number of operational configurations and with non-linear dependencies. In addition, each assigns Data center on a unique architecture and environment. Thus, the optimization of data center parameters for one data center can not be applicable to another data center. Machine learning models can be trained on various operating scenarios and parameters within data centers to create an efficient and adaptive framework that understands data center dynamics and optimizes data center efficiency. Using machine learning techniques to model complex dynamics, data center control systems implement actions that focus on long-term efficiency. Machine learning models can be optimized for various criteria, including: lowest power usage, lowest water usage, lowest money spent on electricity; and the highest possible CPU loads that can be input to a data center.

Da es möglich ist, die Betriebseffizienz vorherzusagen, können Ingenieure neue Rechenzentren planen, von denen sie wissen, dass sie mit der minimalen Menge an Betriebsmitteln effizient sind.Because it's possible to predict operational efficiency, engineers can design new data centers that they know are efficient with the minimum amount of resources.

Die Einzelheiten einer oder mehrerer Ausführungsformen des Gegenstands dieser Patentschrift sind in den beigefügten Zeichnungen und in der folgenden Beschreibung dargelegt. Weitere Merkmale, Aspekte und Vorteile des Gegenstands gehen aus der Beschreibung, aus den Zeichnungen und aus den Ansprüchen hervor.The details of one or more embodiments of the subject matter of this specification are set forth in the accompanying drawings and the description which follows. Other features, aspects, and advantages of the subject matter will be apparent from the description, from the drawings, and from the claims.

KURZBESCHREIBUNG DER ZEICHNUNGENBRIEF DESCRIPTION OF THE DRAWINGS

1 zeigt ein Beispiel des Effizienzmanagementsystems. 1 shows an example of the efficiency management system.

2 ist ein Ablaufplan eines beispielhaften Prozesses zum Verbessern der Betriebseffizienz innerhalb eines Rechenzentrums durch Modellieren des Rechenzentrumverhaltens und durch Vorhersagen der Leistungsnutzungseffizienz. 2 FIG. 10 is a flow chart of an example process for improving operational efficiency within a data center by modeling data center behavior and predicting power usage efficiency.

3 ist ein Ablaufplan eines beispielhaften Prozesses zum Trainieren von Ensembles von Modellen, um die Leistungsnutzungseffizienz vorherzusagen. 3 FIG. 13 is a flow chart of an exemplary process for training ensembles of models to predict power usage efficiency.

Gleiche Bezugszeichen und Bezeichnungen in den verschiedenen Zeichnungen geben gleiche Elemente an.Like reference numerals and designations in the various drawings indicate like elements.

AUSFÜHRLICHE BESCHREIBUNGDETAILED DESCRIPTION

Allgemein beschreibt die Patentschrift ein Effizienzmanagementsystem, das Optimierungsempfehlungen zum Verbessern der Effizienz innerhalb eines Rechenzentrums bereitstellt.Generally, the patent describes an efficiency management system that provides optimization recommendations for improving efficiency within a data center.

In einem Rechenzentrum tragen viele mögliche Kombinationen von Hardware, z. B. mechanischer und elektrischer Ausrüstung, und Software, z. B. Steuerstrategien und Sollwerten, zur Rechenzentrumeffizienz bei. Zum Beispiel ist eine der Hauptquellen der Energieverwendung in der Rechenzentrumumgebung die Kühlung. Rechenzentren erzeugen Wärme, die abgeführt werden muss, um die Server am Laufen zu halten. Üblicherweise wird die Kühlung durch große Industrieausrüstung wie etwa Pumpen, Kühlaggregate und Kühltürme erreicht.In a data center, many possible combinations of hardware, e.g. As mechanical and electrical equipment, and software, such. As control strategies and setpoints, the data center efficiency at. For example, one of the major sources of energy use in the data center environment is cooling. Data centers generate heat that must be dissipated to keep servers running. Usually, the cooling is achieved by large-scale industrial equipment such as pumps, chillers and cooling towers.

Allerdings erzeugt eine einfache Änderung an einem Kaltgangtemperatur-Sollwert Lastschwankungen der Kühlinfrastrukturen des Rechenzentrums, z. B. der Kühlaggregate, Kühltürme, Wärmetauscher und Pumpen. Diese Lastschwankungen veranlassen nichtlineare Änderungen der Ausrüstungseffizienz. Die Anzahl möglicher Betriebskonfigurationen und verschiedener Rückkopplungsschleifen zwischen der Rechenzentrumausrüstung, dem Ausrüstungsbetrieb und der Rechenzentrumsumgebung erschweren es, die Effizienz zu optimieren. Angesichts der Zeitbeschränkungen, häufiger Fluktuationen der Rechenzentrum-Sensorinformationen und Witterungsbedingungen und der Notwendigkeit, eine stabile Rechenzentrumumgebung aufrechtzuerhalten, ist es unmöglich, jede einzelne mögliche Merkmalskombination zu prüfen, um die Rechenzentrumeffizienz zu maximieren. Herkömmliche technische Formeln für die prädiktive Modellierung erzeugen häufig große Fehler, da sie die komplexen Abhängigkeiten von Systemen in dem Rechenzentrum nicht erfassen.However, a simple change to a cold well temperature setpoint will cause load fluctuations in the data center cooling infrastructures, e.g. As the cooling units, cooling towers, heat exchangers and pumps. These load variations cause non-linear changes in equipment efficiency. The number of possible operating configurations and different feedback loops between the data center equipment, the equipment operation and the data center environment make it difficult to optimize the efficiency. Given the time constraints, frequent fluctuations in data center sensor information and weather conditions, and the need to maintain a stable data center environment, it is impossible to test every single possible combination of features to maximize data center efficiency. Traditional technical formulas for predictive modeling often create large errors because they do not capture the complex dependencies of systems in the data center.

1 zeigt ein beispielhaftes Effizienzmanagementsystem (100). Das Effizienzmanagementsystem (100) ist ein Beispiel eines Systems, das als Computerprogramme in einem oder in mehreren Computern an einem oder an mehreren Orten, an denen die im Folgenden beschriebenen Systeme, Komponenten und Techniken implementiert werden können, implementiert ist. 1 shows an exemplary efficiency management system ( 100 ). The efficiency management system ( 100 ) is an example of a system implemented as computer programs in one or more computers in one or more locations where the systems, components and techniques described below can be implemented.

Das Effizienzmanagementsystem (100) empfängt Zustandsdaten (140), die den aktuellen Zustand eines Rechenzentrums (104) charakterisieren, und stellt für ein Steuersystem (102), das die Einstellungen des Rechenzentrums (104) managt, aktualisierte Rechenzentrumeinstellungen (120) bereit.The efficiency management system ( 100 ) receives status data ( 140 ), which shows the current state of a data center ( 104 ) and provides for a control system ( 102 ), which the settings of the data center ( 104 ) manages updated data center settings ( 120 ) ready.

Das Effizienzmanagementsystem (100) kann als Eingabe Zustandsdaten (140) annehmen, die den aktuellen Zustand des Rechenzentrums (104) repräsentieren. Diese Zustandsdaten (140) können von Sensorablesungen von Sensoren in dem Rechenzentrum (104) und von Betriebsszenarien innerhalb des Rechenzentrums (104) kommen. Die Zustandsdaten können Daten wie etwa Temperaturen, Leistung, Pumpendrehzahlen und Sollwerte enthalten.The efficiency management system ( 100 ) can input state data ( 140 ) assume the current state of the data center ( 104 ). This status data ( 140 ) of sensor readings from sensors in the data center ( 104 ) and operating scenarios within the data center ( 104 ) come. The state data may include data such as temperatures, power, pump speeds, and setpoints.

Das Effizienzmanagementsystem (100) verwendet diese Daten, um Rechenzentrumeinstellungen (120) zu bestimmen, die in dem Rechenzentrum (104) geändert werden sollten, um das Rechenzentrum (104) effizienter zu machen. The efficiency management system ( 100 ) uses this data to set data center settings ( 120 ) in the data center ( 104 ) should be changed to the data center ( 104 ) to make it more efficient.

Wenn das Effizienzmanagementsystem (100) die Rechenzentrumeinstellungen (120), die das Rechenzentrum (104) effizienter machen, bestimmt, stellt das Effizienzsystem (100) die aktualisierten Rechenzentrumeinstellungen (120) für das Steuersystem (102) bereit. Das Steuersystem (102) verwendet die aktualisierten Rechenzentrumeinstellungen (120), um die Werte des Rechenzentrums (104) einzustellen. Zum Beispiel kann das Effizienzmanagementsystem (100) die aktualisierten Rechenzentrumeinstellungen (120) für einen Nutzer, der die Einstellungen aktualisiert, oder für das Steuersystem (102), das die Einstellungen ohne Nutzerinteraktion automatisch annimmt, bereitstellen, falls das Effizienzmanagementsystem (100) bestimmt, dass ein zusätzlicher Kühlturm in dem Rechenzentrum (104) eingeschaltet werden sollte. Das Steuersystem (102) kann das Signal an das Rechenzentrum senden, um die Anzahl der Kühltürme, die in dem Rechenzentrum (104) eingeschaltet sind und arbeiten, zu erhöhen.If the efficiency management system ( 100 ) the data center settings ( 120 ), which is the data center ( 104 ), determines the efficiency system ( 100 ) the updated data center settings ( 120 ) for the tax system ( 102 ) ready. The tax system ( 102 ) uses the updated data center settings ( 120 ) to the data center values ( 104 ). For example, the efficiency management system ( 100 ) the updated data center settings ( 120 ) for a user updating the settings or for the control system ( 102 ), which automatically adopts the settings without user interaction, if the efficiency management system ( 100 ) determines that an additional cooling tower in the data center ( 104 ) should be turned on. The tax system ( 102 ) can send the signal to the data center to determine the number of cooling towers in the data center ( 104 ) are switched on and work to increase.

Das Effizienzmanagementsystem (100) kann ein Ensemble von Maschinenlernmodellen (132A–132N) unter Verwendung eines Modelltrainingsteilsystems (160) trainieren, um die Betriebsmitteleffizienz des Rechenzentrums (104), falls bestimmte Rechenzentrumeinstellungen angenommen werden, vorherzusagen. In einigen Fällen kann das Effizienzmanagementsystem (100) ein einzelnes Maschinenlernmodell trainieren, um die Betriebsmitteleffizienz des Rechenzentrums, falls bestimmte Rechenzentrumeinstellungen angenommen werden, vorherzusagen.The efficiency management system ( 100 ) can be an ensemble of machine learning models ( 132A - 132N ) using a model training subsystem ( 160 ) to improve the resource efficiency of the data center ( 104 ), if certain data center settings are accepted. In some cases, the efficiency management system ( 100 ) train a single machine learning model to predict the resource efficiency of the data center, assuming particular data center settings.

Insbesondere ist jedes Maschinenlernmodell (132A–132N) in dem Ensemble dafür konfiguriert, durch Training eine Zustandseingabe zu empfangen, die den aktuellen Zustand des Rechenzentrums (104) charakterisiert, und eine Rechenzentrum-Einstellungstafel, die eine Kombination möglicher Rechenzentrumeinstellungen definiert, zu empfangen und die Zustandseingabe und die Rechenzentrum-Einstellungstafel zu verarbeiten, um eine Effizienzbewertung zu erzeugen, die eine vorhergesagte Betriebsmitteleffizienz des Rechenzentrums charakterisiert, falls die durch die Rechenzentrum-Einstellungstafel definierten Rechenzentrumeinstellungen angenommen werden.In particular, each machine learning model ( 132A - 132N ) in the ensemble configured to receive, by training, a state input representing the current state of the data center ( 104 ), and to receive a data center adjustment panel defining a combination of possible data center settings and to process the state input and the data center adjustment panel to generate an efficiency score characterizing a predicted resource efficiency of the data center as determined by the data center adjustment panel defined data center settings are accepted.

In einigen Implementierungen repräsentiert die Effizienzbewertung eine vorhergesagte Leistungsnutzungseffektivität (PUE) des Rechenzentrums, falls die Einstellungen einer bestimmten Tafel durch das Rechenzentrum (104) angenommen werden. Die PUE ist als das Verhältnis der Gesamtgebäudeenergienutzung zu der Informationstechnologieenergienutzung definiert.In some implementations, the efficiency score represents a predicted data center utilization efficiency (PUE) if the data center settings of a particular panel ( 104 ). The PUE is defined as the ratio of total building energy usage to information technology energy usage.

In einigen Implementierungen repräsentiert die Effizienzbewertung eine vorhergesagte Wassernutzung des Rechenzentrums, falls die Einstellungen einer bestimmten Tafel durch das Rechenzentrum (104) angenommen werden. In anderen Implementierungen repräsentiert die Effizienzbewertung eine vorhergesagte Geldmenge, die für Elektrizität verbraucht wird. In anderen Implementierungen repräsentiert die Effizienzbewertung einen vorhergesagten Lastbetrag, der in ein Rechenzentrum eingegeben werden kann.In some implementations, the efficiency rating represents a predicted water usage of the data center if the data center settings of a particular panel are ( 104 ). In other implementations, the efficiency rating represents a predicted amount of money consumed for electricity. In other implementations, the efficiency rating represents a predicted amount of load that may be entered into a data center.

In einigen Implementierungen ist jedes Maschinenlernmodell (132A–132N) ein neuronales Netz, z. B. ein tiefes neuronales Netz, das das Effizienzmanagementsystem (100) trainieren kann, um eine Effizienzbewertung zu erzeugen.In some implementations, each machine learning model ( 132A - 132N ) a neural network, e.g. B. a deep neural network that supports the efficiency management system ( 100 ) to generate an efficiency rating.

Neuronale Netze sind Maschinenlernmodelle, die eine oder mehrere Schichten von Modellen nutzen, um für eine empfangene Eingabe eine Ausgabe, z. B. eine oder mehrere Klassifikationen, zu erzeugen. Tiefe neuronale Netze enthalten außer einer Ausgabeschicht eine oder mehrere verborgene Schichten. Die Ausgabe jeder verborgenen Schicht wird als Eingabe in die nächste Schicht in dem Netz, d. h. in die nächste verborgene Schicht oder in die Ausgabeschicht, verwendet. Jede Schicht des neuronalen Netzes erzeugt aus einer empfangenen Eingabe in Übereinstimmung mit aktuellen Werten einer jeweiligen Menge von Parametern für die Schicht eine Ausgabe.Neural networks are machine learning models that use one or more layers of models to provide output for a received input, e.g. As one or more classifications to produce. Deep neural networks contain one or more hidden layers besides an output layer. The output of each hidden layer is considered to be input to the next layer in the network, i. H. in the next hidden layer or in the output layer. Each layer of the neural network generates output from a received input in accordance with current values of a respective set of parameters for the layer.

Das Modelltrainingsteilsystem (120) verwendet Zeitverlaufsdaten von einem Rechenzentrum (104), um verschiedene Datensätze von Sensordaten von dem Rechenzentrum zu erzeugen. Jedes Maschinenlernmodell (132A–132N) in dem Ensemble von Maschinenlernmodellen kann an einem Datensatz von Zeitverlaufssensordaten trainiert werden.The model training subsystem ( 120 ) uses time history data from a data center ( 104 ) to generate various data sets of sensor data from the data center. Each machine learning model ( 132A - 132N ) in the ensemble of machine learning models can be trained on a record of timing sensor data.

Das Effizienzmanagementsystem (100) kann unter Verwendung des Modelltrainingssystems (160) zusätzliche Ensembles von Beschränkungsmaschinenlernmodellen (112A–112N) trainieren, um eine Betriebseigenschaft des Rechenzentrums vorherzusagen, die einer Betriebsbeschränkung entspricht, falls das Rechenzentrum (104) bestimmte Rechenzentrumeinstellungen (102) annimmt.The efficiency management system ( 100 ) can be determined using the model training system ( 160 ) additional ensembles of restriction machine learning models ( 112A - 112N ) to predict an operation characteristic of the data center that corresponds to an operation restriction if the data center ( 104 ) certain data center settings ( 102 ).

Wie im Folgenden ausführlicher beschrieben wird, wird das Effizienzmanagementsystem die Verletzungseinstellung verwerfen, falls das Effizienzmanagementsystem (100) bestimmt, dass ein Beschränkungsmodell vorhersagt, dass der Wert einer gegebenen Rechenzentrumeinstellung eine Beschränkung des Rechenzentrums verletzt.As will be described in more detail below, the efficiency management system will discard the violation setting if the efficiency management system ( 100 ) determines that a constraint model predicts that the value a given data center setting violates a data center limitation.

Jedes Beschränkungsmodell (112A–112N) ist ein Maschinenlernmodell, z. B. ein tiefes neuronales Netz, das dafür trainiert ist, bestimmte Werte einer Betriebseigenschaft des Rechenzentrums während einer Zeitdauer vorherzusagen, falls das Rechenzentrum eine gegebene Eingabeeinstellung annimmt. Zum Beispiel kann das Modelltrainingsteilsystem (160) ein Beschränkungsmodell trainieren, um für gegebene Eingabezustandsdaten (140) und potentielle Einstellungen während der nächsten Stunde die künftige Wassertemperatur des Rechenzentrums vorherzusagen. Das Modelltrainingsteilsystem 120 kann ein anderes Beschränkungsmodell trainieren, um den Wasserdruck bei gegebenen Zustandsdaten (140) und potentiellen Einstellungen während der nächsten Stunde vorherzusagen.Each constraint model ( 112A - 112N ) is a machine learning model, z. For example, a deep neural network is trained to predict certain values of an operation characteristic of the data center during a period of time if the data center accepts a given input setting. For example, the model training subsystem ( 160 ) train a constraint model to determine for given input state data ( 140 ) and potential settings during the next hour to predict the future water temperature of the data center. The model training subsystem 120 can train another constraint model to measure the water pressure given state data ( 140 ) and to predict potential settings during the next hour.

Ein Einstellungstafelmanagement-Teilsystem (110) innerhalb des Effizienzmanagements (100) verarbeitet die Zustandsdaten (140) vor und konstruiert eine Menge von Einstellungstafeln, die Rechenzentrum-Einstellungswerte repräsentieren, die bei gegebenen bekannten Betriebszuständen und bei dem aktuellen Zustand des Rechenzentrums (104) für verschiedene Teile des Rechenzentrums eingestellt werden können. Jede Einstellungstafel definiert eine jeweilige Kombination möglicher Rechenzentrumeinstellungen, die die Effizienz des Rechenzentrums (104) beeinflussen.An Attendant Panel Management subsystem ( 110 ) within the efficiency management ( 100 ) processes the status data ( 140 ) and constructs a set of adjustment panels that represent data center adjustment values that, under given known operating conditions and in the current state of the data center (FIG. 104 ) can be set for different parts of the data center. Each panel defines a particular combination of possible data center settings that will increase data center efficiency ( 104 ) influence.

Zum Beispiel kann das Effizienzmanagementsystem (100) die betriebsmitteleffizientesten Einstellungen für ein Kühlsystem des Rechenzentrums (104) bestimmen. Das Kühlsystem kann die folgende Architektur aufweisen: (1) Server erwärmen die Luft in dem Servergang; (2) die Luft wird umgewälzt und die Wärme an das Prozesswassersystem übertragen; (3) das Prozesswassersystem wird umgewälzt und verbindet unter Verwendung einer Wärmesynchronisation mit dem Kondensatorwasser; und (4) das Kondensatorwassersystem entzieht dem Prozesswassersystem die Wärme und überträgt sie unter Verwendung von Kühltürmen oder großen Lüftern an die Außenluft.For example, the efficiency management system ( 100 ) the most resource efficient settings for a data center cooling system ( 104 ). The cooling system may have the following architecture: (1) servers heat the air in the server aisle; (2) the air is circulated and heat is transferred to the process water system; (3) the process water system is recirculated and connects to the condenser water using heat synchronization; and (4) the condenser water system removes the heat from the process water system and transfers it to the outside air using cooling towers or large fans.

Um das Kühlsystem effizient zu steuern kann das Effizienzmanagementsystem (100) verschiedene potentielle Einstellungstafeln konstruieren, die verschiedene Temperaturen für die Kühlturmsollwerte, Kühlturmumgehungsventilstellungen, Kühlaggregat-Kondenswasser-Pumpendrehzahlen, eine Anzahl arbeitender Kühlaggregate und/oder Prozesswasser-Druckdifferenz-Sollwerte enthalten.To efficiently control the cooling system, the efficiency management system ( 100 ) construct various potential adjustment panels containing different temperatures for the cooling tower setpoints, cooling tower bypass valve positions, chiller-condensed water pump speeds, a number of operating chillers and / or process water pressure differential setpoints.

Als ein Beispiel kann eine Einstellungstafel die folgenden Werte enthalten: 68 Grad als die Temperatur für die Kühlturmsollwerte, 27 Grad als die Kühlturm-Umgehungsventilstellung, 500 min–1 als die Kühlaggregat-Kondenswasser-Pumpendrehzahl und 10 als die Anzahl arbeitender Kühlaggregate.As an example may contain the following values, a setting panel: 68 degrees than the temperature for the cooling tower setpoints, 27 ° C than the cooling tower bypass valve position 500 min -1 as the chiller condensate pump speed and 10 as the number of operating cooling equipment.

Andere Beispiele für Tafeleinstellungen, die die Effizienz des Rechenzentrums (104) beeinflussen, enthalten: die potentielle Leistungsnutzung über verschiedene Teile des Rechenzentrums; bestimmte Temperatureinstellungen über das Rechenzentrum; einen gegebenen Wasserdruck; spezifische Lüfter- oder Pumpendrehzahlen; und eine Anzahl und einen Typ arbeitender Rechenzentrumausrüstung wie etwa Kühltürme und Wasserpumpen.Other examples of panel settings that increase the efficiency of the data center ( 104 ) include: potential power usage across different parts of the data center; certain temperature settings via the data center; a given water pressure; specific fan or pump speeds; and a number and type of working data center equipment such as cooling towers and water pumps.

Während der Vorverarbeitung kann das Einstellungstafelmanagement-Teilsystem (110) Daten mit ungültiger Leistungsnutzungseffizienz entfernen, fehlende Daten für eine gegebene Dateneinstellung durch einen Mittelwert für diese Dateneinstellung ersetzen und/oder einen Prozentsatz von Dateneinstellungen entfernen. Das Einstellungstafelmanagementsystem (110) diskretisiert alle Aktionsdimensionen und erzeugt eine erschöpfende Menge möglicher Aktionskombinationen. Für irgendwelche Daueraktionsdimensionen setzt das System die Aktion in eine diskrete Menge möglicher Werte um. Zum Beispiel kann das System die Werte in die Menge [0,0, 0,05, 0,1, 0,15, ..., 1,0] diskretisieren, falls eine der Aktionsdimensionen ein Ventil ist, das einen Wert von 0,0 bis 1,0 besitzt. Das System kann für jede Dimension diskretisieren und die volle Aktionsmenge ist jede mögliche Kombination der Werte. Daraufhin entfernt das System alle Aktionen, die die Beschränkungsmodelle verletzen.During preprocessing, the Attendant Panel Management subsystem ( 110 ) Remove invalid performance data, replace missing data for a given data setting with an average for this data setting, and / or remove a percentage of data settings. The control panel management system ( 110 ) discretizes all action dimensions and generates an exhaustive set of possible action combinations. For any duration action dimensions, the system translates the action into a discrete set of possible values. For example, if one of the action dimensions is a valve that has a value of 0, the system may discretize the values into the set [0.0, 0.05, 0.1, 0.15, ..., 1.0] , 0 to 1.0 has. The system can discretize for each dimension and the full amount of action is any combination of values. The system then removes all actions that violate the constraint models.

Das Einstellungstafelmanagement-Teilsystem (110) sendet die konstruierte Menge von Einstellungstafeln und den aktuellen Zustand des Rechenzentrums (104) an die Beschränkungsmodelle (112A–112N). Daraufhin bestimmt das Einstellungstafelmanagement-Teilsystem, ob vorhergesagt wird, dass bestimmte Rechenzentrum-Einstellungstafeln, falls sie durch das System gewählt werden, zu Verletzungen der Betriebsbeschränkungen für das Rechenzentrum führen. Das Einstellungstafelmanagement-Teilsystem (100) entnimmt irgendwelche Rechenzentrum-Einstellungstafeln, von denen vorhergesagt wird, dass sie die Beschränkungen des Rechenzentrums verletzen, aus der Menge von Einstellungstafeln.The Attendant Panel Management Subsystem ( 110 ) sends the constructed set of adjustment panels and the current state of the data center ( 104 ) to the restriction models ( 112A - 112N ). Then, the scoreboard management subsystem determines whether it is predicted that certain data center scoreboards, if selected by the system, will result in violations of the data center operating limitations. The Attendant Panel Management Subsystem ( 100 ) extracts from the set of adjustment panels any data center adjustment panels that are predicted to violate the data center constraints.

Das Effizienzmanagementsystem (100) sendet die aktualisierte Menge von Einstellungstafeln und die Zustandsdaten (140) an das Ensemble von Maschinenlernmodellen (132A–132N), die die Zustandsdaten und die Einstellungstafeln verwenden, um als Ausgabe Effizienzbewertungen zu erzeugen.The efficiency management system ( 100 ) sends the updated set of setting panels and the status data ( 140 ) to the ensemble of machine learning models ( 132A - 132N ), which use the state data and adjustment panels to produce efficiency ratings as output.

Da jedes Maschinenlernmodell in dem Ensemble von Modellen an einem anderen Datensatz als die anderen Modelle trainiert wird, besitzt jedes Modell das Potential, eine andere vorhergesagte PUE-Ausgabe bereitzustellen, wenn alle Maschinenlernmodelle in dem Ensemble mit derselben Rechenzentrumeinstellung als Eingabe arbeiten. Zusätzlich oder alternativ kann jedes Maschinenlernmodell eine andere Architektur aufweisen, die außerdem veranlassen könnte, dass jedes Modell potentiell eine andere vorhergesagte PUE-Ausgabe bereitstellt.Because every machine learning model in the ensemble of models is on a different record As the other models are trained, each model has the potential to provide a different predicted PUE output when all of the machine learning models in the ensemble use the same data center setting as input. Additionally or alternatively, each machine learning model may have a different architecture that could also cause each model to potentially provide a different predicted PUE output.

Das Effizienzmanagementsystem (100) kann Rechenzentrum-Einstellungswerte wählen, die sich auf die Langzeiteffizienz des Rechenzentrums konzentrieren. Zum Beispiel stellen einige Rechenzentrum-Einstellungswerte Langzeitleistungsnutzungseffizienz für das Rechenzentrum bereit, indem sie z. B. sicherstellen, dass die Leistungsnutzung in dem Rechenzentrum für eine lange vorgegebene Zeitdauer, nachdem das Rechenzentrum in dem durch die Zustandseingabe charakterisierten Zustand war, effizient ist. Die Langzeitleistungsnutzungseffizienz kann für Zeitdauern von dreißig Minuten, einer Stunde oder länger ab dem Zeitpunkt, zu dem das Rechenzentrum in dem Eingabezustand war, sein, während sich die Kurzzeitleistungsnutzung auf eine kurze Zeitdauer, nachdem das Rechenzentrum in dem Eingabezustand war, z. B. unmittelbar nachdem oder fünf Sekunden nachdem das Rechenzentrum in dem Eingabezustand war, konzentriert.The efficiency management system ( 100 ) can choose data center settings values that focus on the long-term efficiency of the data center. For example, some data center adjustment values provide long-term performance utilization efficiency to the data center, e.g. For example, ensure that the power usage in the data center is efficient for a long predetermined amount of time after the data center was in the state characterized by the state input. The long-term power usage efficiency may be for periods of thirty minutes, one hour or more from the time the data center was in the input state, while the short-term power usage is limited to a short period of time after the data center was in the input state, e.g. B. immediately after or five seconds after the data center was in the input state.

Das System kann die Maschinenlernmodelle für die Langzeiteffizienz optimieren, so dass die Modelle auf der Grundlage der Dynamik des Rechenzentrums Vorhersagen machen können und weniger wahrscheinlich Empfehlungen für Tafeleinstellungen geben, die kurzfristig gute Ergebnisse liefern, aber langfristig schlecht für die Effizienz sind. Zum Beispiel kann das System die PUE über den nächsten Tag vorhersagen, wenn angenommen wird, dass jede Stunde weiter optimale Aktionen unternommen werden. Daraufhin kann das System Maßnahmen ergreifen, von denen es weiß, dass sie über den ganzen Tag zu der besten PUE führen, selbst wenn die PUE für eine gegebene Stunde schlechter als für die vorhergehende Stunde ist.The system can optimize the machine learning models for long-term efficiency so that the models can make predictions based on the dynamics of the data center and are less likely to provide recommendations for panel settings that will provide good results in the short term but are bad for efficiency in the long term. For example, the system may predict the PUE over the next day assuming that optimal action is taken each hour. As a result, the system can take action that it knows will lead to the best PUE throughout the day, even if the PUE is worse for a given hour than the previous hour.

Das Effizienzmanagementsystem (100) bestimmt die abschließende Effizienzbewertung für eine gegebene Einstellungstafel auf der Grundlage der Effizienzbewertungen jedes Maschinenlernmodells in dem Ensemble von Modellen für eine gegebene Einstellungstafel, um eine Gesamteffizienzbewertung pro Einstellungstafel zu erzeugen.The efficiency management system ( 100 ) determines the final efficiency score for a given tuning panel based on the efficiency scores of each machine learning model in the ensemble of models for a given tuning panel to produce an overall efficiency rating per scoreboard.

Entweder empfiehlt das Effizienzmanagementsystem (100) daraufhin auf der Grundlage der Effizienzbewertungen, die jeder Tafel von den Maschinenlernmodellen (132A–132N) zugewiesen sind, neue Werte für die Rechenzentrumeinstellungen oder wählt es diese aus. Das Effizienzmanagementsystem kann die Empfehlungen an einen Rechenzentrumbetreiber senden, damit sie z. B. dadurch, dass sie dem Rechenzentrumbetreiber auf einem Nutzercomputer dargestellt werden, oder dass sie ohne die Notwendigkeit, an einen Rechenzentrumbetreiber gesendet zu werden, automatisch eingestellt werden, implementiert werden.Either the efficiency management system ( 100 ) on the basis of the efficiency assessments that each panel receives from the machine learning models ( 132A - 132N ), select or select new values for the datacenter settings. The efficiency management system can send the recommendations to a data center operator to For example, by being presented to the data center operator on a user computer, or automatically set up without the need to be sent to a data center operator.

2 ist ein Ablaufplan eines beispielhaften Prozesses 200 zum Auswählen einer Einstellungstafel für ein Rechenzentrum unter Verwendung eines Ensembles von Maschinenlernmodellen. Zweckmäßigkeitshalber wird der Prozess 200 so beschrieben, dass er durch ein System eines oder mehrerer Computer ausgeführt wird, die sich an einem oder an mehreren Orten befinden und in Übereinstimmung mit dieser Patentschrift geeignet programmiert sind. Zum Beispiel kann ein Effizienzmanagementsystem, z. B. das Effizienzmanagementsystem 100 aus 1, geeignet programmiert sein, um den Prozess 200 ausführen. 2 is a flow chart of an example process 200 for selecting a datacenter panel using an ensemble of machine learning models. For convenience, the process becomes 200 is described as being implemented by a system of one or more computers located at one or more locations and suitably programmed in accordance with this patent. For example, an efficiency management system, e.g. B. the efficiency management system 100 out 1 , be suitably programmed to process 200 To run.

Das System empfängt eine Zustandseingabe, die einen aktuellen Zustand eines Rechenzentrums repräsentiert (210), und erzeugt eine Menge von Einstellungstafeln. Wie oben diskutiert wurde, definiert jede Einstellungstafel eine jeweilige Kombination möglicher Rechenzentrumeinstellungen oder Rechenzentrumaktionen, die die Effizienz des Rechenzentrums bei gegebenem aktuellen Zustand des Rechenzentrums beeinflussen. Das System sendet die Menge von Einstellungstafeln an die Beschränkungsmodelle, um zu bestimmen, ob vorhergesagt wird, dass irgendwelche der Einstellungstafeln Beschränkungen des Rechenzentrums verletzen. Daraufhin entnimmt das System aus der Menge von Einstellungstafeln Rechenzentrum-Einstellungstafeln, von denen vorhergesagt wird, dass sie die Beschränkungen verletzen.The system receives a state input representing a current state of a data center ( 210 ), and creates a lot of setting panels. As discussed above, each setting panel defines a respective combination of possible data center settings or data center actions that affect the efficiency of the data center given the current state of the data center. The system sends the set of adjustment panels to the constraint models to determine if it is predicted that any of the adjustment panels will violate data center constraints. The system then extracts data center setting panels from the set of panels that are predicted to violate the restrictions.

Das System verarbeitet für jede Rechenzentrum-Einstellungstafel in der Menge von Rechenzentrum-Einstellungstafeln die Zustandseingabe und die Rechenzentrum-Einstellungstafel durch das Maschinenlernmodell in einem Ensemble von Maschinenlernmodellen, um für jedes Maschinenlernmodell eine Effizienzbewertung zu erstellen (220). Da jedes Maschinenlernmodell an einem anderen Datensatz trainiert wird, hat jedes Maschinenlernmodell das Potential, für eine Einstellungstafel eine andere Effizienzbewertung als die anderen Maschinenlernmodelle bereitzustellen.The system processes, for each data center adjustment panel in the set of data center adjustment panels, the state input and data center adjustment panel through the machine learning model into an ensemble of machine learning models to provide an efficiency assessment for each machine learning model ( 220 ). Because each machine learning model is trained on a different set of data, each machine learning model has the potential to provide a different efficiency rating for a control panel than the other machine learning models.

Daraufhin wählt das System für die Einstellungstafel auf der Grundlage der durch jedes Maschinenlernmodell für die Einstellungstafel erzeugten Effizienzbewertungen eine Gesamteffizienzbewertung aus.Then, the system selects an overall efficiency rating for the adjustment panel based on the efficiency ratings generated by each machine learning model for the adjustment panel.

Jedes Modell in dem Ensemble von Maschinenlernmodellen stellt für jede Rechenzentrum-Einstellungstafel eine vorhergesagte PUE bereit. Um für eine Einstellungstafel die abschließende vorhergesagte PUE zu bestimmen, kann das System verschiedene Verfahren verwenden, einschließlich: Wählen der vorhergesagten PUE mit dem niedrigsten Mittelwert oder Verwenden eines pessimistischen oder optimistischen Algorithmus, um eine abschließende vorhergesagte PUE zu bestimmen. Each model in the ensemble of machine learning models provides a predicted PUE for each data center adjustment panel. To determine the final predicted PUE for an adjustment panel, the system may use various methods including: choosing the predicted PUE with the lowest average or using a pessimistic or optimistic algorithm to determine a final predicted PUE.

Um die vorhergesagte PUE mit dem niedrigsten Mittelwert zu wählen, bestimmt das System den Mittelwert der durch das Ensemble von Modelle ausgegebenen vorhergesagten PUE-Bewertungen. Daraufhin wählt das Effizienzmanagementsystem die vorhergesagte PUE mit dem niedrigsten Mittelwert.To choose the predicted PUE with the lowest mean, the system determines the average of the predicted PUE ratings output by the ensemble of models. The efficiency management system then selects the predicted PUE with the lowest mean.

In einigen anderen Implementierungen bestimmt das System für jede Rechenzentrum-Einstellungstafel aus den für die Rechenzentrum-Einstellungstafel durch das Ensemble von Modellen erzeugten Effizienzbewertungen eine Gesamteffizienzbewertung, z. B. einen Mittelwert oder ein anderes Maß für die zentrale Tendenz der Effizienzbewertungen. Daraufhin bestimmt das System ein Maß für die Änderung, z. B. für eine Standardabweichung, der für die Rechenzentrum-Einstellungstafel durch das Ensemble von Modellen erzeugten Effizienzbewertungen. Daraufhin werden die Rechenzentrum-Einstellungstafeln auf der Grundlage der Gesamteffizienzbewertungen und der Maße für die Änderung geordnet. Das System wählt diejenige Kombination möglicher Rechenzentrumeinstellungen aus, die durch eine Rechenzentrum-Einstellungstafel mit der höchsten Rangordnung definiert sind.In some other implementations, for each data center adjustment panel, the system determines from the efficiency ratings generated for the datacenter panel by the ensemble of models an overall efficiency rating, e.g. For example, an average or other measure of the central tendency of efficiency evaluations. The system then determines a measure of the change, e.g. For example, for a standard deviation, the efficiency ratings generated for the data center panel by the ensemble of models. Then, the data center adjustment panels are ordered based on the overall efficiency ratings and the measurements for the change. The system selects the combination of possible data center settings defined by a highest ranked datacenter panel.

Zum Beispiel bestimmt das System die Rangordnung in einigen Fällen unter Verwendung eines pessimistischen Algorithmus, der für die Ausnutzung verwendet wird, oder eines optimistischen Algorithmus, der für die Erkundung verwendet wird.For example, in some cases, the system determines the ranking by using a pessimistic algorithm that is used for exploitation or an optimistic algorithm that is used for the exploration.

In der Ausnutzungsbetriebsart ordnet das System die Rechenzentrumtafeln auf Ausnutzungsart dadurch, dass es Rechenzentrum-Einstelltafeln mit höheren Maßen für die Änderung gegenüber Rechenzentrum-Einstellungstafeln mit niedrigeren Maßen für die Änderung in der Rangordnung stärker benachteiligt. Zum Beispiel kann das System die Rangordnung dadurch erzeugen, dass es für jede Einstellungstafel eine abschließende vorhergesagte PUE dadurch bestimmt, dass es λ1, multipliziert mit der Standardabweichung des PUE-Werts, zu der mittleren PUE addiert, wobei λ1 ein vorgegebener konstanter Wert ist, und daraufhin die Einstellungstafeln durch ihre abschließenden vorhergesagten PUEs ordnet.In the utilization mode, the system places the utilization-type data center panels in greater disadvantage by more favoring datacentre control panel panels for the change over lower-order datacenter panel panels for the ranking change. For example, the system may generate the ranking by, for each adjustment panel, determine a final predicted PUE by adding λ 1 multiplied by the standard deviation of the PUE value to the mean PUE, where λ 1 is a predetermined constant value , and then the Attitude panels ranked by their final predicted PUEs.

In der Erkundungsbetriebsart ordnet das System die Rechenzentrumtafeln auf Erkundungsart dadurch, dass es Rechenzentrum-Einstellungstafeln mit höheren Maßen für die Änderung in der Rangordnung gegenüber Rechenzentrum-Einstellungstafeln mit niedrigeren Maßen für die Änderung in der Rangordnung stärker honoriert. Zum Beispiel kann das System die Rangordnung dadurch erzeugen, dass es für jede Einstellungstafel eine abschließende vorhergesagte PUE dadurch bestimmt, dass es λ1, multipliziert mit der Standardabweichung des Sollwerts, von dem PUE-Mittelwert subtrahiert, wobei λ1 ein vorgegebener konstanter Wert ist, und daraufhin die Einstellungstafeln nach ihren abschließenden vorhergesagten PUEs ordnet.In the exploratory mode, the system more aggressively maps the datacenter panels by more strongly rewarding datacenter panel panels with higher rank order changes over lower ranked datacenter panel panels. For example, the system may generate the ranking by, for each adjustment panel, determine a final predicted PUE by subtracting λ 1 multiplied by the standard deviation of the setpoint from the PUE average, where λ 1 is a predetermined constant value, and then the adjustment panels according to their final predicted PUEs rules.

Die Modelle können schnell lernende Modelle sein, die Datenspeicherarchitekturen aufweisen und die gelehrt werden, sich an schlechte Aktionen einschließlich Aktionen, die das Rechenzentrum weniger effizient machen, zu erinnern.The models can be fast-learning models that have data storage architectures and are taught to remember bad actions, including actions that make the data center less efficient.

Das System wählt auf der Grundlage der Effizienzbewertungen für die Rechenzentrum-Einstellungstafeln in der Menge von Rechenzentrum-Einstellungstafeln neue Werte für die Rechenzentrumeinstellungen aus (230). Daraufhin empfiehlt das System dem Steuersystem die ausgewählten Dateneinstellungswerte, um die Einstellungen des Rechenzentrums zu aktualisieren. In einigen Implementierungen erzeugt das System Empfehlungen auf einer Grundlage pro Zeitschritt und zeigt sie dem Steuersystem an, so dass die Rechenzentrumbetreiber Maßnahmen ergreifen können und die Rechenzentrumeinstellungen aktualisieren können. In anderen Implementierungen verwendet das System die Dateneinstellungen, um das Rechenzentrum ohne menschliche Interaktion automatisch zu aktualisieren.The system selects new values for the datacenter settings based on datacenter panel efficiency ratings in the datacenter panel set ( 230 ). The system then recommends to the control system the selected data setting values to update the data center settings. In some implementations, the system generates recommendations on a per-step basis and displays them to the control system so that the data center operators can take action and update the data center settings. In other implementations, the system uses the data settings to automatically update the data center without human interaction.

3 ist ein Ablaufplan eines beispielhaften Prozesses 300 zum Trainieren von Ensembles von Modellen, um die Leistungsnutzungseffizienz für eine gegebene Rechenzentrum-Einstellungstafel vorherzusagen. Zweckmäßigkeitshalber wird der Prozess 300 so beschrieben, dass er durch ein System eines oder mehrerer Computer, die sich an einem oder mehreren Orten befinden und die in Obereinstimmung mit dieser Patentschrift geeignet programmiert sind, ausgeführt wird. Zum Beispiel kann ein Effizienzmanagementsystem, z. B. das Effizienzmanagementsystem 100 aus 1, das geeignet programmiert ist, den Prozess 300 ausführen. 3 is a flow chart of an example process 300 to train ensembles of models to predict the power usage efficiency for a given data center tuning panel. For convenience, the process becomes 300 is described as being executed by a system of one or more computers located at one or more locations and suitably programmed in accordance with this patent. For example, an efficiency management system, e.g. B. the efficiency management system 100 out 1 that is suitably programmed to the process 300 To run.

Wie oben offenbart wurde, verwendet das System (100) Zeitverlaufsdaten von Rechenzentren sowie andere Informationen, um die Ensemble von Maschinenlernmodellen dafür zu trainieren, Effizienzbewertungen zu bestimmen (310). Die Zeitverlaufsdaten können von früheren Sensorablesungen von Sensoren über das Rechenzentrum kommen. Beispielhafte Daten enthalten: die Leistungsnutzung über verschiedene Teile eines Rechenzentrums wie etwa den Servergang, das Kühlsystem, den Vernetzungsraum und einzelne Lüfter; Temperatursensoren über das Rechenzentrum wie etwa in dem Wasserkühlsystem, in dem Servergang und in dem Kühlaggregat; Wasser und/oder Drehzahl in verschiedenen Teilen des Rechenzentrums wie etwa die Druckdifferenz der Servergangluft und die Druckdifferenz in dem Wasserkühlsystem; Lüfter- und/oder Pumpendrehzahlen wie etwa die Kühlturm-Lüfterdrehzahlen und die Prozesswasser-Pumpendrehzahl; das Wetter, d. h. die Außenlufttemperatur, die Feuchtigkeit und/oder der Luftdruck und Vorhersagen für künftiges Wetter; oder Ausrüstungsstatus, d. h. ob das Kühlaggregat läuft, wie viele Kühltürme eingeschaltet sind und wie viele Pumpen laufen.As disclosed above, the system uses ( 100 ) Data center timing data and other information to train the ensemble of machine learning models to determine efficiency ratings ( 310 ). The timing data may come from previous sensor readings from sensors through the data center. Exemplary data includes: power usage across various parts of a data center such as the server aisle, the cooling system, the networking space, and individual fans; Temperature sensors via the data center, such as in the water cooling system, in the server aisle and in the refrigeration unit; Water and / or speed in various parts of the data center, such as the pressure differential of the server gear air and the pressure difference in the water cooling system; Fan and / or pump speeds, such as the cooling tower fan speeds and the process water pump speed; the weather, ie the outside air temperature, the humidity and / or the air pressure and forecasts for future weather; or equipment status, ie whether the chiller is running, how many cooling towers are on and how many pumps are running.

Daraufhin tastet das System die Daten mit Ersatz ab, um für jedes Maschinenlernmodell in dem Ensemble verschiedene Datensätze zu erzeugen, z. B. 10 (320).The system then scans the data with replacement to create different data sets for each machine learning model in the ensemble, e.g. Eg 10 ( 320 ).

Das System trainiert mehrere Maschinenlernmodelle, um ein Ensemble von Modellen zu erzeugen, die jeweils ausgehend von einer potentiellen Rechenzentrum-Einstellungstafel als Modelleingabe eine durchschnittliche künftige Leistungsverbrauchseffektivität (PUE) vorhersagen (330). Das System trainiert jedes Maschinenlernsystem an einem der erzeugten Datensätze. Die Modelle sind beaufsichtigte Lernalgorithmen zum Analysieren der Trainingsdaten und zum Erzeugen gefolgerter Funktionen. Die Modelle enthalten eine Verstärkungslernschleife, die eine verzögerte Rückkopplung bereitstellt, die ein Honorierungssignal verwendet. In dieser Schleife bilden Modelle von einem Zustand auf eine Aktion ab und bewerten die Abwägung zwischen Erkundungs- und Ausnutzungsaktionen.The system trains multiple machine learning models to produce an ensemble of models that each predict average future power consumption efficiency (PUE) from a potential data center panel as model input ( 330 ). The system trains each machine learning system on one of the generated records. The models are supervised learning algorithms for analyzing the training data and generating inferred functions. The models include a gain learning loop that provides delayed feedback using a reward signal. In this loop, models map from one state to one action and evaluate the trade off between exploration and exploitation actions.

Während des Trainings verwendet das Modelltrainingsteilsystem (120) Techniken des Tieflernens einschließlich Stapelnormierung, Aussetzen, berichtigte lineare Einheiten, Frühhalt und andere Techniken, um die Modelle zu trainieren. Das System kann Modelle unter Verwendung von Bootstrapping trainieren, um für jede Vorhersage Schätzwerte des Mittelwerts und der Varianz zu erhalten, was ermöglicht, dass die Modelle eine Unsicherheit in ihren Vorhersagen enthalten. Durch die Aufnahme der Unsicherheit arbeiten die Modelle auf stabilere Arte und Weise.During training, the model training subsystem ( 120 ) Deep leaching techniques including stacking normalization, exposure, corrected linear units, early stop and other techniques to train the models. The system can train models using bootstrapping to obtain estimates of the mean and variance for each prediction, allowing the models to include uncertainty in their predictions. By absorbing the uncertainty, the models work in a more stable way.

Außerdem trainiert das System Beschränkungsmodelle, um bestimmte Rechenzentrumeinstellungen vorherzusagen und/oder zu beschränken (340). Trainierte Modelle können zwischen Rechenzentren übertragen werden, so dass neue Rechenzentren Modelle haben, die an Echtzeitdaten trainiert worden sind, so dass die Rechenzentren optimierte Einstellungen für die Rechenzentrumeffizienz besitzen.In addition, the system trains constraint models to predict and / or limit certain data center settings ( 340 ). Trained models can be transferred between data centers so that new data centers have models that have been trained in real-time data, so the data centers have optimized data center efficiency settings.

Zur Zeit einer Störung verwendet das System das Ensemble von Modellen und die Beschränkungsmodelle, um eine Einstellungstafel für das Rechenzentrum zu empfehlen. Wie oben beschrieben wurde, konstruiert das System innerhalb der bekannten Betriebsbedingungen des Rechenzentrums eine Menge von Einstellungstafeln. Außerdem betrachtet das System unter Verwendung der Rechenzentrumsensoren den aktuellen Zustand des Rechenzentrums. Die Menge von Einstellungstafeln und der aktuelle Zustand des Rechenzentrums durchlaufen die Beschränkungsmodelle, um irgendwelche Einstellungen, von denen vorhergesagt wird, dass sie Beschränkungen des Rechenzentrums verletzen, zu entfernen. Die verringerte Menge von Einstellungstafeln und der aktuelle Zustand des Rechenzentrums durchlaufen das Ensemble von Modellen. Diese Modelle können trainiert werden, um die Leistungsnutzungseffizienz vorherzusagen. Das System wählt die Einstellungstafel mit der niedrigsten vorhergesagten Leistungsnutzungseffizienz aus. Daraufhin kann das System entweder die Einstellungstafel als eine Empfehlung an einen Rechenzentrumbetreiber senden oder die Einstellungstafel verwenden, um die Rechenzentrumeinstellungen oder die Rechenzentrumausrüstung direkt zu steuern. Das System kann die Empfehlungen auf einer Grundlage pro Zeitschritt, z. B. stündlich, erzeugen. Je häufiger Empfehlungen bereitgestellt werden, desto wichtiger wird die Langzeitplanung für das System.At the time of a disturbance, the system uses the ensemble of models and the constraint models to recommend a datacenter panel. As described above, within the known operating conditions of the data center, the system constructs a set of adjustment panels. In addition, using data center sensors, the system considers the current state of the data center. The set of adjustment panels and the current state of the data center undergo the constraint models to remove any settings that are predicted to violate data center constraints. The reduced amount of adjustment panels and the current state of the data center go through the ensemble of models. These models can be trained to predict power usage efficiency. The system selects the tuning panel with the lowest predicted power usage efficiency. The system can then either send the Attendant Panel as a recommendation to a data center operator or use the Attendant Panel to directly control the data center settings or data center equipment. The system can make the recommendations on a per-step basis, e.g. B. hourly produce. The more frequently recommendations are made, the more important the long-term planning for the system becomes.

Optional kann das System die Modelle unter Verwendung wahrer Werte der Effizienzbewertungen für das Rechenzentrum neu trainieren, nachdem die durch das System empfohlenen Einstellungstafeln angenommen worden sind. Das heißt, das System kann zu einer Zeit, nachdem das Rechenzentrum in einem aktuellen Zustand war, Daten empfangen, die einen wahren Wert der Effizienzbewertung für das Rechenzentrum identifizieren und die Eingabe des aktuellen Zustands, die den aktuellen Zustand charakterisiert, die neuen Werte für die Rechenzentrumeinstellungen, die durch das System empfohlen wurden, und den wahren Wert der Effizienzbewertung beim Neutrainieren des Ensembles von Maschinenlernmodellen, z. B., nachdem ein Schwellenwert wahrer Werte erhalten worden ist oder in Ansprechen auf die Bestimmung, dass sich die Leistungsfähigkeit der Maschinenlernmodelle verschlechtert hat, verwenden.Optionally, the system may re-train the models using true values of the data center efficiency scores after the system-recommended scoreboards have been adopted. That is, at a time after the data center was in a current state, the system may receive data that identifies a true value of the data center efficiency score and the current state input that characterizes the current state, the new values for the data center Data center settings recommended by the system and the true value of efficiency evaluation when re-training the ensemble of machine learning models, e.g. After a threshold of true values has been obtained or in response to the determination that the performance of the machine learning models has deteriorated.

Ausführungsformen des Gegenstands und der Funktionsoperationen, die in dieser Patentschrift beschrieben sind, können in einer digitalen elektronischen Schaltungsanordnung, in konkret verkörperter Computersoftware oder Computerfirmware, in Computerhardware einschließlich der Strukturen, die in dieser Patentschrift offenbart sind, und ihrer strukturellen Entsprechungen oder in Kombinationen einer oder mehrerer von ihnen implementiert werden. Ausführungsformen des in dieser Patentschrift beschriebenen Gegenstands können als ein oder mehrere Computerprogramme, d. h. als ein oder mehrere Module von Computerprogrammanweisungen, die in einem konkreten nicht temporären Speichermedium zur Ausführung z. B. durch ein Datenverarbeitungsgerät oder zum Steuern von dessen Betrieb codiert sind, implementiert werden. Das Computerdatenspeichermedium kann eine maschinenlesbare Speichervorrichtung, ein maschinenlesbares Speichersubstrat, eine Schreib-Lese-Datenspeichervorrichtung oder eine Datenspeichervorrichtung mit seriellem Zugriff oder eine Kombination eines oder mehrerer von ihnen sein. Alternativ oder zusätzlich können die Programmanweisungen in einem künstlich erzeugten ausgebreiteten Signal, z. B. in einem durch eine Maschine erzeugten elektrischen, optischen oder elektromagnetischen Signal, das erzeugt wird, um Informationen für die Sendung an eine geeignete Empfängervorrichtung zur Ausführung durch ein Datenverarbeitungsgerät zu codieren, codiert sein.Embodiments of the subject matter and the functional operations described in this specification may be embodied in digital electronic circuitry, concretely embodied computer software or computer firmware, in computer hardware, including the structures disclosed in U.S. Patent Nos. 4,767,866 of this patent and their structural equivalents, or in combinations of one or more of them. Embodiments of the subject matter described in this specification may be embodied as one or more computer programs, that is, one or more modules of computer program instructions stored in a particular non-temporary storage medium for execution, e.g. B. encoded by a data processing device or to control its operation can be implemented. The computer data storage medium may be a machine-readable storage device, a machine-readable storage substrate, a read-write data storage device, or a serial access data storage device, or a combination of one or more of them. Alternatively or additionally, the program instructions may be included in an artificially generated outstretched signal, e.g. In an electrical, optical or electromagnetic signal generated by a machine which is generated to encode information for transmission to a suitable receiver device for execution by a data processing device.

Der Begriff ”Datenverarbeitungsgerät” bezieht sich auf Datenverarbeitungshardware und umfasst alle Arten von Geräten, Vorrichtungen und Maschinen zur Verarbeitung von Daten einschließlich beispielhaft eines programmierbaren Prozessors, eines Computers oder mehrerer Prozessoren oder Computer. Ferner kann das Gerät eine Speziallogikschaltungsanordnung, z. B. eine FPGA (frei programmierbare logische Anordnung) oder eine ASIC (anwendungsspezifische integrierte Schaltung), sein oder enthalten. Optional kann das Gerät zusätzlich zu Hardware Code, der eine Ausführungsumgebung für Computerprogramme erzeugt, z. B. Code, der Prozessorfirmware, einen Protokollstapel, ein Datenbankmanagementsystem, ein Betriebssystem oder eine Kombination eines oder mehrerer von ihnen bildet, enthalten.The term "computing device" refers to data processing hardware and includes all types of devices, devices, and machines for processing data, including, for example, a programmable processor, a computer, or multiple processors or computers. Furthermore, the device may include special logic circuitry, e.g. As an FPGA (programmable logic device) or an ASIC (application-specific integrated circuit), or be included. Optionally, in addition to hardware code that creates a computer program execution environment, e.g. Code that forms processor firmware, a protocol stack, a database management system, an operating system, or a combination of one or more of them.

Ein Computerprogramm, das auch als ein Programm, als Software, als Softwareanwendung, als eine App, als ein Modul, als ein Softwaremodul, als ein Skript oder als Code bezeichnet oder beschrieben werden kann, kann in irgendeiner Form einer Programmiersprache einschließlich kompilierter oder interpretierter Sprachen oder deklarativer oder prozeduraler Sprachen, geschrieben sein; und kann in irgendeiner Form einschließlich als selbstständiges Programm oder als ein Modul, als eine Komponente, als ein Unterprogramm oder als eine andere Einheit, die zur Verwendung in einer Computerumgebung geeignet ist, eingesetzt werden. Ein Programm kann, muss aber nicht einer Datei in einem Dateisystem entsprechen. Ein Programm kann in einem Abschnitt einer Datei, die andere Programme oder Daten, z. B. ein oder mehrere Skripte, die in einem Markup-Sprachen-Dokument gespeichert sind, hält, in einer einzelnen Datei, die für das fragliche Programm vorgesehen ist, oder in mehreren koordinierten Dateien, z. B. Dateien, die ein oder mehrere Module, Unterprogramme oder Abschnitte von Code speichern, gespeichert sein. Ein Computerprogramm kann dafür eingesetzt werden, in einem Computer oder in mehreren Computern, die sich an einem Standort befinden oder die über mehrere Standorte verteilt sind und durch ein Datenkommunikationsnetz miteinander verbunden sind, ausgeführt zu werden.A computer program, which may also be referred to or described as a program, as software, as a software application, as an app, as a module, as a software module, as a script or as a code, may in some form be a programming language including compiled or interpreted languages or declarative or procedural languages; and may be employed in any form, including as a stand alone program or as a module, as a component, as a subroutine, or as another entity suitable for use in a computing environment. A program may or may not correspond to a file in a file system. A program may be stored in a section of a file containing other programs or data, e.g. One or more scripts stored in a markup language document, in a single file intended for the program in question, or in several coordinated files, e.g. For example, files that store one or more modules, subprograms, or sections of code may be stored. A computer program may be used to run in a computer or in multiple computers located at one site or distributed over multiple sites and interconnected by a data communications network.

Die in dieser Patentschrift beschriebenen Prozesse und Logikabläufe können durch einen oder mehrere programmierbare Computer ausgeführt werden, die ein oder mehrere Computerprogramme ausführen, um durch Bearbeiten von Eingangsdaten und Erzeugen einer Ausgabe Funktionen auszuführen. Die Prozesse und Logikabläufe können ebenfalls durch eine Speziallogikschaltungsanordnung, z. B. durch eine FPGA oder durch eine ASIC, oder durch eine Kombination einer Speziallogikschaltungsanordnung und eines oder mehrerer programmierter Computer ausgeführt werden. Computer, die für die Ausführung eines Computerprogramms geeignet sind, können auf Mehrzweck- oder Spezialmikroprozessoren oder auf beiden oder auf irgendeiner anderen Art einer Zentraleinheit beruhen. Allgemein empfängt eine Zentraleinheit Anweisungen und Daten von einem Nur-Lese-Speicher oder von einem Schreib-Lese-Speicher oder von beiden. Die wesentlichen Elemente eines Computers sind eine Zentraleinheit zum Ausführen oder Durchführen von Anweisungen und eine oder mehrere Datenspeichervorrichtungen zum Speichern von Anweisungen und Daten. Die Zentraleinheit und der Datenspeicher können durch eine Speziallogikschaltungsanordnung ergänzt oder in sie integriert sein. Allgemein enthält ein Computer ebenfalls Daten von einer oder mehreren Massenspeichervorrichtungen zum Speichern von Daten, z. B. magnetischen, magnetooptischen Platten oder optischen Platten, oder ist er zum Empfangen von Daten von ihnen oder zum Senden von Daten an sie funktional gekoppelt oder beides. Allerdings braucht ein Computer solche Vorrichtungen nicht aufzuweisen. Darüber hinaus kann ein Computer in eine andere Vorrichtung, z. B. in ein Mobiltelephon, in einen Personal Digital Assistant (PDA), in einen mobilen Audio- oder Videoplayer, in eine Spielekonsole, in einen Empfänger des globalen Positionsbestimmungssystems (GPS) oder in eine tragbare Datenspeichervorrichtung, z. B. ein Universal-Serial-Bus-Flash-Laufwerk (USB-Flash-Laufwerk), um nur einige zu nennen, eingebettet sein. Computerlesbare Medien, die zum Speichern von Computerprogrammanweisungen und Daten geeignet sind, enthalten alle Formen von nichtflüchtigem Datenspeicher, Medien und Datenspeichervorrichtungen einschließlich beispielhaft Halbleiterspeichervorrichtungen, z. B. EPROM, EEPROM und Flash-Datenspeichervorrichtungen; Magnetplatten, z. B. interne Festplatten oder Wechselplatten; magnetooptische Platten; und CDROM- und DVD-ROM-Platten.The processes and logic flows described in this patent may be performed by one or more programmable computers executing one or more computer programs to perform functions by manipulating input data and generating output. The processes and logic operations may also be implemented by special logic circuitry, e.g. By an FPGA or by an ASIC, or by a combination of special logic circuitry and one or more programmed computers. Computers suitable for executing a computer program may be based on general purpose or specialty microprocessors, or both, or any other type of central processing unit. Generally, a central processing unit receives instructions and data from a read-only memory or from a random access memory or both. The essential elements of a computer are a central processing unit for executing or executing instructions and one or more data storage devices for storing instructions and data. The central processing unit and the data memory may be supplemented or integrated by special logic circuitry. Generally, a computer also includes data from one or more mass storage devices for storing data, e.g. Magnetic, magneto-optical disks or optical disks, or is operatively coupled to receive data from or to send data to, or both. However, a computer need not have such devices. In addition, a computer in another device, for. In a mobile phone, personal digital assistant (PDA), mobile audio or video player, game console, global positioning system (GPS) receiver, or portable data storage device, e.g. For example, a Universal Serial Bus flash drive (USB flash drive), just to name a few, could be embedded. Computer readable media suitable for storing computer program instructions and data include all forms of nonvolatile data storage, media, and data storage devices, including by way of example Semiconductor memory devices, e.g. EPROM, EEPROM and flash data storage devices; Magnetic disks, z. Internal hard disks or removable disks; magneto-optical disks; and CDROM and DVD-ROM discs.

Um eine Interaktion mit einem Nutzer bereitzustellen, können Ausführungsformen des in dieser Patentschrift beschriebenen Gegenstands in einem Computer mit einer Anzeigevorrichtung, z. B. mit einem CRT-Monitor (Katodenstrahlenröhrenmonitor) oder mit einem LCD-Monitor (Flüssigkristallanzeigemonitor) zum Anzeigen von Informationen für den Nutzer, und mit einer Tastatur und einer Zeigevorrichtung, z. B. einer Maus oder einem Trackball, durch die der Nutzer eine Eingabe für den Computer bereitstellen kann, implementiert werden. Um eine Interaktion mit einem Nutzer bereitzustellen, können ebenfalls andere Arten von Vorrichtungen verwendet werden; z. B. kann eine für den Nutzer bereitgestellte Rückkopplung irgendeine Form einer sensorischen Rückkopplung, z. B. eine visuelle Rückkopplung, eine hörbare Rückkopplung oder eine Tastrückkopplung, sein; und kann eine Eingabe von dem Nutzer in irgendeiner Form einschließlich einer akustischen Eingabe, einer Spracheingabe oder einer Tasteingabe empfangen werden. Außerdem kann ein Computer mit einem Nutzer dadurch interagieren, dass er an eine Vorrichtung, die durch den Nutzer verwendet wird, Dokumente sendet und Dokumente von ihr empfängt; z. B., indem er in Ansprechen auf Anforderungen, die von dem Webbrowser empfangen werden, Webseiten an einen Webbrowser auf einer Vorrichtung des Nutzers sendet. Außerdem kann ein Computer mit einem Nutzer dadurch interagieren, dass er Textnachrichten oder andere Formen einer Nachricht an eine persönliche Vorrichtung, z. B. an ein Smartphone, das eine Messaging-Anwendung ausführt, sendet und dafür Antwortnachrichten von dem Nutzer empfängt.To provide for interaction with a user, embodiments of the subject matter described in this patent may be used in a computer having a display device, e.g. B. with a CRT monitor (cathode ray tube monitor) or with an LCD monitor (liquid crystal display monitor) for displaying information to the user, and with a keyboard and a pointing device, eg. A mouse or a trackball through which the user can provide input to the computer. To provide interaction with a user, other types of devices may also be used; z. For example, feedback provided to the user may include some form of sensory feedback, e.g. A visual feedback, audible feedback, or tactile feedback; and an input may be received by the user in any form including an acoustic input, a voice input, or a touch input. In addition, a computer may interact with a user by sending and receiving documents from a device used by the user; z. By sending web pages to a web browser on a device of the user in response to requests received from the web browser. In addition, a computer may interact with a user by sending text messages or other forms of message to a personal device, e.g. B. sends to a smartphone that runs a messaging application, and it receives response messages from the user.

Ausführungen des in dieser Patentschrift beschriebenen Gegenstands können in einem Computersystem implementiert werden, das eine Backend-Komponente, z. B. als einen Datenserver, enthält oder das eine Middleware-Komponente, z. B. einen Anwendungsserver, enthält oder das eine Frontend-Komponente, z. B. einen Nutzercomputer mit einer graphischen Nutzerschnittstelle, mit einem Webbrowser oder mit einer App, über die bzw. den ein Nutzer mit einer Implementierung des in dieser Patentschrift beschriebenen Gegenstands interagieren kann, enthält oder das irgendeine Kombination einer oder mehrerer solcher Backend-, Middleware- oder Frontend-Komponenten enthält. Die Komponenten des Systems können durch irgendeine Form oder durch irgendein Medium der digitalen Datenkommunikation, z. B. durch ein Kommunikationsnetz, miteinander verbunden sein. Beispiele für Kommunikationsnetze enthalten ein lokales Netz (LAN) und ein Weitverkehrsnetz (WAN), z. B. das Internet.Embodiments of the subject matter described in this specification may be implemented in a computer system having a backend component, e.g. As a data server, or that contains a middleware component, e.g. As an application server contains or that a front-end component, for. For example, a user's computer having a graphical user interface, a web browser, or an app through which a user may interact with an implementation of the subject matter described in this patent specification, or containing any combination of one or more such backend, middleware or front-end components. The components of the system may be replaced by some form or medium of digital data communication, e.g. B. by a communication network, be connected to each other. Examples of communication networks include a local area network (LAN) and a wide area network (WAN), e.g. For example, the Internet.

Das Computersystem kann Clients und Server enthalten. Im Allgemeinen sind ein Client und ein Server fern voneinander und üblicherweise interagieren sie über ein Kommunikationsnetz. Die Beziehung von Client und Server entsteht aufgrund von Computerprogrammen, die auf den jeweiligen Computern ausgeführt werden und die eine Client-Server-Beziehung zueinander besitzen. In einigen Ausführungsformen sendet ein Server Daten, z. B. eine HTML-Seite, an eine Nutzervorrichtung, z. B. zum Anzeigen von Daten für einen Nutzer, der mit der Vorrichtung, die als ein Client wirkt, interagiert, und zum Empfangen einer Nutzereingabe von ihm. Daten, die mit der Nutzervorrichtung erzeugt werden, z. B. ein Ergebnis der Nutzerinteraktion, können von der Vorrichtung bei dem Server empfangen werden.The computer system may include clients and servers. Generally, a client and a server are remote from each other and usually interact through a communications network. The relationship between client and server is due to computer programs running on the respective computers and having a client-server relationship with each other. In some embodiments, a server sends data, e.g. As an HTML page, to a user device, for. To display data for a user interacting with the device acting as a client and receiving user input from it. Data generated with the user device, e.g. A result of user interaction, may be received by the device at the server.

Obwohl diese Patentschrift viele spezifische Implementierungseinzelheiten enthält, sind diese nicht als Beschränkungen des Schutzumfangs irgendeiner Erfindung oder des Schutzumfangs dessen, was beansprucht werden kann, sondern vielmehr als Beschreibungen von Merkmalen, die spezifisch für bestimmte Ausführungsformen bestimmter Erfindungen sein können, zu verstehen. Bestimmte Merkmale, die in dieser Patentschrift im Kontext getrennter Ausführungsformen beschrieben sind, können ebenfalls zusammen in einer einzelnen Ausführungsform implementiert werden. Umgekehrt können verschiedene Merkmale, die im Kontext einer einzelnen Ausführungsform beschrieben sind, ebenfalls in mehreren Ausführungsformen getrennt oder in irgendeiner geeigneten Teilkombination implementiert werden. Obwohl Merkmale oben in der Weise beschrieben sein können, dass sie in bestimmten Kombinationen wirken und anfangs sogar in der Weise beansprucht sind, können darüber hinaus ein oder mehrere Merkmale aus einer beanspruchten Kombination in einigen Fällen aus der Kombination ausgeschlossen werden und kann die beanspruchte Kombination auf eine Teilkombination oder auf Varianten einer Teilkombination gerichtet sein. Obwohl Operationen in den Zeichnungen in einer bestimmten Reihenfolge gezeigt sind, ist dies ähnlich nicht so zu verstehen, dass es erfordert, dass diese Operationen in einer bestimmten gezeigten Reihenfolge oder in einer sequentiellen Ordnung ausgeführt werden oder dass alle dargestellten Operationen ausgeführt werden, um wünschenswerte Ergebnisse zu erzielen. In bestimmten Umständen können Multitasking und Parallelverarbeitung vorteilhaft sein. Darüber hinaus ist die Trennung verschiedener Systemmodule und Systemkomponenten in den oben beschriebenen Ausführungsformen nicht so zu verstehen, dass eine solche Trennung in allen Ausführungsformen erforderlich ist, und können die beschriebenen Programmkomponenten und Systeme selbstverständlich allgemein in ein einzelnes Softwareprodukt integriert oder in mehrere Softwareprodukte gepackt sein.While this specification contains many specific implementation details, these are not to be understood as limitations on the scope of any invention or the scope of what may be claimed, but rather as descriptions of features that may be specific to particular embodiments of particular inventions. Certain features described in this specification in the context of separate embodiments may also be implemented together in a single embodiment. Conversely, various features described in the context of a single embodiment may also be implemented separately in several embodiments or implemented in any suitable sub-combination. Although features may be described above as acting in certain combinations and even initially claimed, one or more features of a claimed combination may, in some instances, be excluded from the combination and may include the claimed combination a sub-combination or be directed to variants of a sub-combination. Similarly, although operations in the drawings are shown in a particular order, it is similarly not to be understood that it requires that these operations be performed in a particular order shown or in a sequential order or that all illustrated operations be performed to produce desirable results to achieve. In certain circumstances, multitasking and parallel processing may be beneficial. Moreover, the separation of various system modules and system components in the above described embodiments is not to be understood as requiring such disconnection in all embodiments, and of course the described program components and systems may generally be integrated into a single software product or packaged into multiple software products.

In Übereinstimmung mit Ausführungsformen werden Systeme und Geräte geschaffen, die Computerprogramme enthalten, die auf Computerspeichermedien codiert sind, um durch Modellieren der Rechenzentrumleistungsfähigkeit und Vorhersagen der Leistungsnutzungseffizienz die Betriebseffizienz innerhalb eines Rechenzentrums zu verbessern. Eine beispielhafte Operation, die durch das System einer Ausführungsform ausgeführt wird, empfängt eine Zustandseingabe, die einen aktuellen Zustand eines Rechenzentrums charakterisiert. Für jede Rechenzentrum-Einstellungstafel werden die Zustandseingabe und die Rechenzentrum-Einstellungstafel durch ein Ensemble von Maschinenlernmodellen verarbeitet. Jedes Maschinenlernmodell ist dafür konfiguriert, die Zustandseingabe und die Rechenzentrum-Einstellungstafel zu empfangen und zu verarbeiten, um eine Effizienzbewertung zu erzeugen, die eine vorhergesagte Betriebsmitteleffizienz des Rechenzentrums, falls die durch die Rechenzentrum-Einstellungstafel definierten Rechenzentrumeinstellungen angenommen werden, charakterisiert. Das Verfahren wählt auf der Grundlage der Effizienzbewertungen für die Rechenzentrum-Einstellungstafeln neue Werte für die Rechenzentrumeinstellungen aus.In accordance with embodiments, systems and devices are provided that include computer programs that are encoded on computer storage media to improve operational efficiency within a data center by modeling data center performance and predicting power usage efficiency. An exemplary operation performed by the system of one embodiment receives a state input that characterizes a current state of a data center. For each data center adjustment panel, the state input and data center adjustment panel are processed by an ensemble of machine learning models. Each machine learning model is configured to receive and process the state input and the data center adjustment panel to generate an efficiency score that characterizes a predicted resource efficiency of the data center if the data center settings defined by the data center adjustment panel are adopted. The method selects new values for the data center settings based on the datacenter panel efficiency ratings.

Es sind bestimmte Ausführungsformen des Gegenstands beschrieben worden. Diese und andere Ausführungsformen liegen im Schutzumfang der folgenden Ansprüche. Zum Beispiel können die in den Ansprüchen dargestellten Aktionen in einer anderen Reihenfolge ausgeführt werden und weiterhin wünschenswerte Ergebnisse erzielen. Als ein Beispiel erfordern die in den beigefügten Figuren gezeigten Prozesse nicht notwendig die bestimmte gezeigte Reihenfolge oder sequentielle Ordnung, um wünschenswerte Ergebnisse zu erzielen. In einigen Fällen können Multitasking und Parallelverarbeitung vorteilhaft sein.Certain embodiments of the subject matter have been described. These and other embodiments are within the scope of the following claims. For example, the actions depicted in the claims may be performed in a different order and continue to produce desirable results. As an example, the processes shown in the attached figures do not necessarily require the particular order or sequential order shown to achieve desirable results. In some cases, multitasking and parallel processing can be beneficial.

Claims (17)

System, das umfasst: einen oder mehrere Computer; und eine oder mehrere Speichervorrichtungen, die Anweisungen speichern, die, wenn sie durch einen oder mehrere Computer ausgeführt werden, betreibbar sind, um zu veranlassen, dass der eine oder die mehreren Computer Operationen ausführen, die Folgendes umfassen: Empfangen einer Zustandseingabe, die einen aktuellen Zustand eines Rechenzentrums charakterisiert; für jede Rechenzentrum-Einstellungstafel in einer ersten Menge von Rechenzentrum-Einstellungstafeln, die jeweils eine jeweilige Kombination möglicher Rechenzentrumeinstellungen, die eine Betriebsmitteleffizienz des Rechenzentrums beeinflussen, definieren: Verarbeiten der Zustandseingabe und der Rechenzentrum-Einstellungstafel durch jedes Maschinenlernmodell in einem Ensemble von Maschinenlernmodellen, wobei jedes Maschinenlernmodell in dem Ensemble konfiguriert ist zum: Empfangen der Zustandseingabe und der Rechenzentrum-Einstellungstafel, und Verarbeiten der Zustandseingabe und der Rechenzentrum-Einstellungstafel, um eine Effizienzbewertung zu erzeugen, die eine vorgegebene Betriebsmitteleffizienz des Rechenzentrums charakterisiert, falls die durch die Rechenzentrum-Einstellungstafel definierten Rechenzentrumeinstellungen in Ansprechen auf den Empfang der Zustandseingabe angenommen werden; und Auswählen neuer Werte für die Rechenzentrumeinstellungen auf der Grundlage der Effizienzbewertungen für die Rechenzentrum-Einstellungstafeln in der ersten Menge von Rechenzentrum-Einstellungstafeln.System comprising: one or more computers; and One or more memory devices that store instructions that, when executed by one or more computers, are operable to cause the one or more computers to perform operations that include: Receiving a state input characterizing a current state of a data center; for each data center adjustment panel in a first set of data center adjustment panels, each defining a respective combination of possible data center settings that affect data center resource efficiency: Processing the state input and the data center adjustment panel by each machine learning model in an ensemble of machine learning models, each machine learning model in the ensemble configured to: Receive the state input and the data center adjustment panel, and Processing the state input and the datacenter adjustment panel to generate an efficiency score characterizing a predetermined datacenter resource efficiency if the datacenter settings defined by the datacenter setup panel are accepted in response to receipt of the status input; and Select new values for the data center settings based on the data center scoreboard efficiency scores in the first set of data center scoreboards. System nach Anspruch 1, wobei die Effizienzbewertung eine vorhergesagte Langzeit-Leistungsnutzungseffektivität (Langzeit-PUE) des Rechenzentrums ist, falls die durch die Rechenzentrum-Einstellungstafel definierten Rechenzentrumeinstellungen in Ansprechen auf den Empfang der Zustandseingabe angenommen werden.The system of claim 1, wherein the efficiency score is a predicted long-term PUE of the data center if the data center settings defined by the data center panel are accepted in response to receipt of the status input. System nach Anspruch 2, wobei die Maschinenlernmodelle dafür konfiguriert sind, die vorhergesagte Langzeit-PUE des Rechenzentrums durch Training der Maschinenlernmodelle an Trainingsdaten zu erzeugen, die mehrere Trainingszustandseingaben und für jede Trainingszustandseingabe eine Ziel-PUE, die die PUE des Rechenzentrums zu einer vorgegebenen Zeit, nachdem das Rechenzentrum in dem durch die Trainingszustandseingabe charakterisierten Zustand war, war, enthalten.The system of claim 2, wherein the machine learning models are configured to generate the predicted long-term PUE of the data center by training the machine learning models on training data having multiple training state inputs and for each training state input a target PUE representing the PUE of the data center at a predetermined time, after the data center was in the state characterized by the training state input, was included. System nach Anspruch 3, wobei die Operationen ferner umfassen: Empfangen von Trainingszustandsursprungseingaben; und Vorverarbeiten der Trainingszustandsursprungseingaben zum Erzeugen der Trainingszustandseingaben.The system of claim 3, wherein the operations further comprise: Receiving training condition origin inputs; and Preprocessing the training state origin inputs to generate the training state inputs. System nach Anspruch 3 oder 4, wobei die vorgegebene Zeitdauer größer als dreißig Minuten ist.A system according to claim 3 or 4, wherein the predetermined period of time is greater than thirty minutes. System nach Anspruch 5, wobei die vorgegebene Zeitdauer eine Stunde ist.The system of claim 5, wherein the predetermined period of time is one hour. System nach einem der Ansprüche 1–6, wobei das Auswählen neuer Werte für die Rechenzentrumeinstellungen umfasst: Bestimmen einer Gesamt-Betriebsmitteleffizienzbewertung aus den für die Rechenzentrum-Einstellungstafel durch das Ensemble von Modellen erzeugten Effizienzbewertungen für jede Rechenzentrum-Einstellungstafel; Bestimmen eines Maßes für die Änderung der für die Rechenzentrum-Einstellungstafel durch das Ensemble von Modellen erzeugten Effizienzbewertungen für jede Rechenzentrum-Einstellungstafel; Ordnen der Rechenzentrum-Einstellungstafeln auf der Grundlage der Gesamt-Betriebsmitteleffizienzbewertungen und der Maße für die Änderung; und Auswählen der Kombination möglicher Rechenzentrumeinstellungen, die durch eine Rechenzentrum-Einstellungstafel mit der höchsten Rangordnung definiert sind, als die neuen Werte für die Rechenzentrumeinstellungen.The system of any of claims 1-6, wherein selecting new values for the data center settings comprises: determining an overall resource efficiency score from the efficiency scores generated for the data center panel by the ensemble of models for each data center panel; Determining a measure of the change in the efficiency scores generated by the ensemble of models for the datacenter panel by each datacenter panel; Ordering the data center adjustment panels based on the total resource efficiency ratings and the measures for the change; and selecting the combination of possible data center settings defined by a highest ranking data center scheduling panel as the new values for the data center settings. System nach Anspruch 7, wobei die Gesamt-Betriebsmitteleffizienzbewertung ein Maß für die zentrale Tendenz der durch das Ensemble von Modellen erzeugten Effizienzbewertungen ist.The system of claim 7, wherein the total resource efficiency score is a measure of the central tendency of the efficiency scores generated by the ensemble of models. System nach Anspruch 7 oder 8, wobei das Ordnen der Rechenzentrum-Einstellungstafeln das Ordnen der Rechenzentrumtafeln auf Ausnutzungsart durch Benachteiligung von Rechenzentrum-Einstellungstafeln mit höheren Maßen für die Änderung in der Rangordnung gegenüber Rechenzentrum-Einstellungstafeln mit niedrigeren Maßen für die Änderung umfasst.The system of claim 7 or 8, wherein the ordering of the data center adjustment panels comprises ordering the data center panels to exploit by disfavoring higher rank change data center adjustment panels over lower change data center adjustment panels. System nach einem der Ansprüche 7–9, wobei das Ordnen der Rechenzentrum-Einstellungstafeln das Ordnen der Rechenzentrum-Einstellungstafeln auf Erkundungsart durch Honorieren der Rechenzentrum-Einstellungstafeln mit höheren Maßen für die Änderung in der Rangordnung gegenüber Rechenzentrum-Einstellungstafeln mit niedrigeren Maßen für die Änderung umfasst.The system of any one of claims 7-9, wherein the ordering of the data center adjustment panels comprises ordering the data center adjustment panels to explore by rewarding the data center panels with higher levels of change in ranking over lower level data change panels , System nach einem der Ansprüche 1–10, wobei die Operationen ferner umfassen: Erhalten von Daten, die eine zweite Menge von Rechenzentrum-Einstellungstafeln identifizieren; und Erzeugen der ersten Menge von Rechenzentrum-Einstellungstafeln durch Entfernen irgendeiner Rechenzentrum-Einstellungstafel, die dazu führen würden, dass eine von einer oder mehreren Betriebsbeschränkungen für das Rechenzentrum verletzt würde, falls die durch die Rechenzentrum-Einstellungstafel definierten Rechenzentrumeinstellungen in Ansprechen auf den Empfang der Zustandseingabe angenommen würden, von der zweiten Menge von Rechenzentrumtafeln.The system of any of claims 1-10, wherein the operations further comprise: Obtaining data identifying a second set of data center adjustment panels; and Generating the first set of data center adjustment panels by removing any data center adjustment panel that would result in violating one of one or more data center operating restrictions if the data center settings defined by the data center adjustment panel are assumed in response to receiving the status input would, from the second set of data center panels. System nach Anspruch 11, wobei das Erzeugen der ersten Menge von Rechenzentrum-Einstellungstafeln für jede Betriebsbeschränkung umfasst: für jede Rechenzentrum-Einstellungstafel in der zweiten Menge von Rechenzentrum-Einstellungstafeln: Verarbeiten der Zustandseingabe und der Rechenzentrum-Einstellungstafel durch ein oder mehrere Beschränkungsmaschinenlernmodelle, die spezifisch für die Betriebsbeschränkung sind, wobei jedes Beschränkungsmaschinenlernmodell konfiguriert ist zum: Empfangen der Zustandseingabe und der Rechenzentrum-Einstellungstafel, und Verarbeiten der Zustandseingabe und der Rechenzentrum-Einstellungstafel, um eine Beschränkungsbewertung zu erzeugen, die einen vorhergesagten Wert einer Betriebseigenschaft des Rechenzentrums, die der Betriebsbeschränkung entspricht, charakterisiert, falls die durch die Rechenzentrum-Einstellungstafel definierten Rechenzentrumeinstellungen in Ansprechen auf den Empfang der Zustandseingabe angenommen werden; Erzeugen einer abschließenden Beschränkungsbewertung für jede Rechenzentrum-Einstellungstafel aus den durch das eine oder die mehreren Beschränkungsmaschinenlernmodelle, die spezifisch für die Beschränkung sind, erzeugten Beschränkungsbewertungen; und Entfernen irgendwelcher Rechenzentrum-Einstellungstafeln aus der zweiten Menge von Rechenzentrum-Einstellungstafeln auf der Grundlage der Beschränkungsbewertungen aus der zweiten Menge, um die erste Menge von Rechenzentrum-Einstellungstafeln zu erzeugen.The system of claim 11, wherein generating the first set of data center adjustment panels for each operation restriction comprises: for each datacenter panel in the second set of datacenter panels: Processing the state input and the datacenter adjustment panel by one or more constraint learning models specific to the operation constraint, each constraint learning model configured to: Receive the state input and the data center adjustment panel, and Processing the state input and the data center adjustment panel to generate a constraint score that characterizes a predicted value of an operating characteristic of the data center that corresponds to the operating constraint if the data center settings defined by the data center adjustment panel are accepted in response to receipt of the state input; Generating a final constraint score for each data center adjustment panel from the constraint scores generated by the one or more constraint machine learning models specific to the constraint; and Removing any data center adjustment panels from the second set of data center adjustment panels based on the constraint scores from the second set to generate the first set of data center adjustment panels. System nach Anspruch 12, wobei eine der Betriebsbeschränkungen eine Beschränkung der Temperatur des Rechenzentrums während einer nächsten Stunde ist und die Betriebseigenschaft des Rechenzentrums, die der Betriebsbeschränkung entspricht, die Temperatur des Rechenzentrums während der nächsten Stunde ist.The system of claim 12, wherein one of the operating restrictions is a limitation of the temperature of the data center during a next hour and the operating characteristic of the data center corresponding to the operating limit is the temperature of the data center during the next hour. System nach Anspruch 12 oder 13, wobei eine der Betriebsbeschränkungen eine Beschränkung des Drucks des Rechenzentrums während einer nächsten Stunde ist und die Betriebseigenschaft des Rechenzentrums, die der Betriebsbeschränkung entspricht, der Druck des Rechenzentrums während der nächsten Stunde ist.The system of claim 12 or 13, wherein one of the operating restrictions is a limitation of the pressure of the data center during a next hour and the operating characteristic of the data center corresponding to the operating limit is the pressure of the data center during the next hour. System nach einem der Ansprüche 1–14, wobei jedes Maschinenlernmodell in dem Ensemble an einer anderen Stichprobe von Trainingsdaten von jedem anderen Maschinenlernmodell in dem Ensemble trainiert worden ist oder eine andere Modellarchitektur als jedes andere Maschinenlernmodell in dem Ensemble besitzt.The system of any one of claims 1-14, wherein each machine learning model in the ensemble has been trained on a different sample of training data from each other machine learning model in the ensemble or has a different model architecture than any other machine learning model in the ensemble. System nach einem der Ansprüche 1–15, wobei die Operationen ferner umfassen: Empfangen von Daten, die einen wahren Wert der Effizienzbewertung für das Rechenzentrum zu einer Zeit, nachdem das Rechenzentrum in dem aktuellen Zustand war, identifizieren; und Verwenden der Eingabe des aktuellen Zustands, der neuen Werte für die Rechenzentrumeinstellungen und des wahren Werts der Effizienzbewertung beim Neutrainieren des Ensembles von Maschinenlernmodellen.The system of any one of claims 1-15, wherein the operations further comprise: receiving data that identifies a true value of the efficiency rating for the data center at a time after the data center was in the current state; and using the input of the current state, the new values for the data center settings, and the true value of the efficiency rating in the Retraining the ensemble of machine learning models. Ein oder mehrere nicht temporäre computerlesbare Speichermedien, die Anweisungen speichern, die durch eine Verarbeitungsvorrichtung ausführbar sind und bei dieser Ausführung veranlassen, dass die Verarbeitungsvorrichtung als das System nach einem der Ansprüche 1–16 arbeitet.One or more non-temporary computer-readable storage media storing instructions executable by a processing device that, in this embodiment, cause the processing device to operate as the system of any one of claims 1-16.
DE202017000308.2U 2017-01-19 2017-01-19 Optimization of data center controls using neural networks Active DE202017000308U1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE202017000308.2U DE202017000308U1 (en) 2017-01-19 2017-01-19 Optimization of data center controls using neural networks

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE202017000308.2U DE202017000308U1 (en) 2017-01-19 2017-01-19 Optimization of data center controls using neural networks

Publications (1)

Publication Number Publication Date
DE202017000308U1 true DE202017000308U1 (en) 2017-04-11

Family

ID=58639666

Family Applications (1)

Application Number Title Priority Date Filing Date
DE202017000308.2U Active DE202017000308U1 (en) 2017-01-19 2017-01-19 Optimization of data center controls using neural networks

Country Status (1)

Country Link
DE (1) DE202017000308U1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210224645A1 (en) * 2018-05-28 2021-07-22 Alibaba Group Holding Limited Hierarchical concept based neural network model for data center power usage effectiveness prediction

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210224645A1 (en) * 2018-05-28 2021-07-22 Alibaba Group Holding Limited Hierarchical concept based neural network model for data center power usage effectiveness prediction

Similar Documents

Publication Publication Date Title
US20200272889A1 (en) Optimizing data center controls using neural networks
Inekwe FDI, employment and economic growth in Nigeria
DE112019000187T5 (en) DYNAMIC ACCESS CONTROL FOR KNOWLEDGE GRAPHS
DE112015002433T5 (en) Systems and techniques for predicative data analysis
Wang et al. Event-driven optimal control of central air-conditioning systems: Event-space establishment
DE202017107393U1 (en) Predicting a search engine map signal value
DE112021006232T5 (en) PROACTIVE ANOMAL DETECTION
DE112020002684T5 (en) A multi-process system for optimal predictive model selection
Gruber et al. Condition-based maintenance via simulation and a targeted Bayesian network metamodel
DE202017100386U1 (en) Latency reduction in the feedback-based determination of system performance
Fung et al. A fuzzy expected value-based goal programing model for product planning using quality function deployment
DE102006058423A1 (en) Methods and systems for predictive modeling using a model collective
DE112021000370T5 (en) DATA MONITORING BASED ON MACHINE LEARNING
DE202020101664U1 (en) Computer-aided graph optimization
DE102021127244A1 (en) Artificial intelligence optimization platform
Perekrest et al. Principles of designing and functioning of the expert system of assessing the efficiency of introducing energy conservation measures
Zhang et al. Integrated buffer monitoring and control based on grey neural network
Han Optimal accelerated life tests under a cost constraint with non-uniform stress durations
DE102020118005A1 (en) METHOD AND DEVICE FOR DYNAMIC THROTTLE OF COMPUTER ENGINES
Cavalli et al. Real and financial market interactions in a multiplier-accelerator model: Nonlinear dynamics, multistability and stylized facts
DE202017000308U1 (en) Optimization of data center controls using neural networks
Ji et al. Prediction of national agricultural products wholesale price index in China using deep learning
EP1264253B1 (en) Method and arrangement for modelling a system
Hamida et al. Quantifying the effects of interventions based on visual inspections from a network of bridges
DE102023103798A1 (en) AUTOMATIC FAULT PREDICTION IN DATA CENTERS

Legal Events

Date Code Title Description
R207 Utility model specification
R081 Change of applicant/patentee

Owner name: DEEPMIND TECHNOLOGIES LIMITED, GB

Free format text: FORMER OWNER: GOOGLE INC., MOUNTAIN VIEW, CALIF., US

Owner name: GOOGLE LLC (N.D.GES.D. STAATES DELAWARE), MOUN, US

Free format text: FORMER OWNER: GOOGLE INC., MOUNTAIN VIEW, CALIF., US

R082 Change of representative

Representative=s name: BETTEN & RESCH PATENT- UND RECHTSANWAELTE PART, DE

R150 Utility model maintained after payment of first maintenance fee after three years
R081 Change of applicant/patentee

Owner name: DEEPMIND TECHNOLOGIES LIMITED, GB

Free format text: FORMER OWNER: GOOGLE LLC (N.D.GES.D. STAATES DELAWARE), MOUNTAIN VIEW, CALIF., US

R082 Change of representative

Representative=s name: BETTEN & RESCH PATENT- UND RECHTSANWAELTE PART, DE

R151 Utility model maintained after payment of second maintenance fee after six years