DE202017000308U1 - Optimization of data center controls using neural networks - Google Patents
Optimization of data center controls using neural networks Download PDFInfo
- 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
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
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.
Das Effizienzmanagementsystem (
Das Effizienzmanagementsystem (
Das Effizienzmanagementsystem (
Wenn das Effizienzmanagementsystem (
Das Effizienzmanagementsystem (
Insbesondere ist jedes Maschinenlernmodell (
In einigen Implementierungen repräsentiert die Effizienzbewertung eine vorhergesagte Leistungsnutzungseffektivität (PUE) des Rechenzentrums, falls die Einstellungen einer bestimmten Tafel durch das Rechenzentrum (
In einigen Implementierungen repräsentiert die Effizienzbewertung eine vorhergesagte Wassernutzung des Rechenzentrums, falls die Einstellungen einer bestimmten Tafel durch das Rechenzentrum (
In einigen Implementierungen ist jedes Maschinenlernmodell (
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 (
Das Effizienzmanagementsystem (
Wie im Folgenden ausführlicher beschrieben wird, wird das Effizienzmanagementsystem die Verletzungseinstellung verwerfen, falls das Effizienzmanagementsystem (
Jedes Beschränkungsmodell (
Ein Einstellungstafelmanagement-Teilsystem (
Zum Beispiel kann das Effizienzmanagementsystem (
Um das Kühlsystem effizient zu steuern kann das Effizienzmanagementsystem (
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 (
Während der Vorverarbeitung kann das Einstellungstafelmanagement-Teilsystem (
Das Einstellungstafelmanagement-Teilsystem (
Das Effizienzmanagementsystem (
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 (
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 (
Entweder empfiehlt das Effizienzmanagementsystem (
Das System empfängt eine Zustandseingabe, die einen aktuellen Zustand eines Rechenzentrums repräsentiert (
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 (
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 (
Wie oben offenbart wurde, verwendet das System (
Daraufhin tastet das System die Daten mit Ersatz ab, um für jedes Maschinenlernmodell in dem Ensemble verschiedene Datensätze zu erzeugen, z. B. 10 (
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 (
Während des Trainings verwendet das Modelltrainingsteilsystem (
Außerdem trainiert das System Beschränkungsmodelle, um bestimmte Rechenzentrumeinstellungen vorherzusagen und/oder zu beschränken (
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)
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)
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 |
-
2017
- 2017-01-19 DE DE202017000308.2U patent/DE202017000308U1/en active Active
Cited By (1)
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 |