KR20120054016A

KR20120054016A - 데이터 센터들을 위한 지식 기반 모델들

Info

Publication number: KR20120054016A
Application number: KR1020127004045A
Authority: KR
Inventors: 헨드릭 에프. 하만; 레이몬드 로이드; 완리 민
Original assignee: 인터내셔널 비지네스 머신즈 코포레이션
Priority date: 2009-08-12
Filing date: 2010-08-06
Publication date: 2012-05-29
Also published as: GB201200474D0; US20110040532A1; WO2011019611A2; JP2013502006A; WO2011019611A3; CA2766847A1; GB2484616B; US8244502B2; JP5593387B2; CN102741833B; CN102741833A; TW201106143A; GB2484616A; DE112010003279T5

Abstract

데이터 센터 분석 기술들이 제공된다. 일 측면에서, 데이터 센터 내의 열 분포들을 모델링하는 방법이 제공된다. 상기 방법은 다음의 단계들을 포함한다. 상기 데이터 센터 도처의 복수의 위치들에 대해 수직 온도 분포 데이터가 획득된다. 상기 위치들 각각에 대한 상기 수직 온도 분포 데이터는 s 곡선으로 플롯되는데, 여기서 상기 수직 온도 분포 데이터는 상기 s 곡선의 형상에 반영된 위치들 각각에서의 물리적 조건들을 반영한다. 상기 s 곡선들 각각은 상기 s 곡선의 형상을 특징짓는 파라미터들의 세트로 표현되는데, 상기 s 곡선 표현들은 미리 정의된 s 곡선 유형들의 지식 기반 모델을 구성하며, 상기 지식 기반 모델로부터 상기 데이터 센터 도처의 복수의 위치들에서 열 분포들 및 연관된 물리적 조건들이 분석될 수 있다.

Description

데이터 센터들을 위한 지식 기반 모델들{KNOWLEDGE-BASED MODELS FOR DATA CENTERS}

본 발명은 데이터 센터 분석과 관련되고, 더 구체적으로는 데이터 센터들에서의 지식 기반 열 모델링(knowledge-based thermal modeling)을 위한 기술들과 관련된다.

에너지 소비의 증가, 에너지의 공급 및 수요의 증가, 그리고 전력을 많이 소비하는(power hungry) 정보통신기술(information and communication technology, ICT) 장비가 급증함에 따라, 데이터 센터들에 있어서 전력과 에너지 소비는 중요한 이슈가 되어 왔다. 데이터 센터들은 전체 전력 중 약 2% 또는 1830억 KWh(kilowatt hrs)의 전력을 소비하며, 이 소비는 매년 12% 비율로 증가하고 있다. 현재 에너지 효율은 다수의 중요한 이유들 때문에 데이터 센터 매니저들에 있어서 중요한 동작 파라미터로 되어가고 있는데, 이러한 다수의 중요한 이유들에는 전력의 비용이 증가하고 있는 것, 전력에 대한 수요가 증가하고 있는 것, 전력 그리드로부터의 전력에 대한 접근이 많은 데이터 센터들에 있어서 이슈가 되어가고 있는 것, 에너지 사용이 그 데이터 센터 내의 과도한 열 부하들(heat loads)을 생성하는 것, 녹색 기술들 및 탄소 풋프린트 영향(carbon footprint impact)에 관한 인식, 그리고 녹색 정보기술(green information technology, IT)을 위한 제정법 및 행위들(conducts)의 사업 전체의 코드들(industry-wide codes)의 도입이 포함된다.

일반적인 데이터 센터에서, 전력 사용은 ICT 장비의 동작에 사용되는 전력 및 인프라구조(냉각장치, 가습기, 에어 컨디셔닝 유닛들(air conditioning units, ACUs), 전력 분배 유닛들(power distribution units, PDUs), 무정전 전력 공급 장치(uninterruptable power supplies, UPS), 광 및 전력 분배 장치(lights and power distribution equipment) 등)에 요구되는 전력으로 세분화된다. 예를 들어, 전력 생산 및 전달로 인한 손실들 그리고 냉각 조건들로 인한 손실들 이후, 데이터 센터로 공급되는 전력의 약 15% 만이 IT/컴퓨테이션을 위해 사용되며, 나머지는 오버헤드(overhead)이다. 또한 P. Scheihing의 "에너지-효율적인 데이터 센터들을 생성하는 것(Creating Energy-Efficient Data Centers)"(Data Center Facilities and Engineering Conference, Washington, DC(2007.12.18))을 참조할 수 있는데, 이는 본 명세서 내에 참조로 포함된다.

따라서, 데이터 센터 에너지 효율을 향상시키기 위한 기술들이 바람직할 것이다.

본 발명은 데이터 센터 분석을 위한 기술들을 제공한다. 발명의 일 측면에서, 데이터 센터에서 열 분포들(thermal distributions)을 모델링하기 위한 방법이 제공된다. 상기 방법은 다음의 단계들을 포함한다. 상기 데이터 센터 전체 도처의(throughout the data center) 복수의 위치들에 대해, 수직 온도 분포 데이터가 획득된다. 상기 위치들 각각에 대한 상기 수직 온도 분포 데이터는 s-곡선으로 플롯(plot)되는데, 여기서 상기 수직 온도 분포 데이터는 상기 s-곡선의 형상에 반영되는 위치들 각각에서의 물리적 조건들을 반영한다. 상기 s-곡선들 각각은 상기 s-곡선의 형상을 특징짓는 파라미터들의 세트로 표현되는데, 여기서 상기 s-곡선 표현들은 미리 정의된 s-곡선 유형들의 지식 기반 모델(knowledge base model)을 구성하며, 이로부터 상기 데이터 센터 도처의 상기 복수의 위치들에서의 열 분포들 및 연관된 물리적 조건들이 분석될 수 있다.

상기 수직 온도 분포 데이터는 시간 T=0에 대해 획득될 수 있고, 상기 방법은 다음의 단계들을 더 포함할 수 있다. 시간 T=1에 대해 실시간 온도 데이터가 획득될 수 있는데, 여기서 상기 실시간 데이터는 시간 T=0에 대해 획득된 데이터보다 공간적으로 덜 밀집되어 있다. 상기 실시간 데이터는 상기 복수의 위치들에 대한 업데이트된 수직 온도 분포 데이터를 획득하기 위해 시간 T=0에 대해 획득된 데이터 상에 내삽(interpolate)될 수 있다. 상기 위치들 각각에 대한 상기 업데이트된 수직 온도 분포 데이터는 s-곡선으로 플롯될 수 있는데, 여기서 상기 수직 온도 분포 데이터는 상기 s-곡선의 형상 내에 반영되는 위치들 각각에서의 업데이트된 물리적 조건들을 반영한다. 상기 업데이트된 s-곡선들은 상기 지식 기반 모델에서 미리 정의된 s-곡선 유형들로 짝지어질 수 있다.

본 발명에 관한 더 완전한 이해, 그리고 본 발명의 추가 특징들 및 이점들은 다음의 상세한 설명 및 도면들을 참조하여 획득될 것이다.

도 1은 본 발명의 일 실시예에 따른 데이터 센터의 일 예를 도시하는 다이어그램이다.
도 2는 본 발명의 일 실시예에 따른 데이터 센터에서 열적 분포들을 모델링하기 위한 방법의 일 예를 도시하는 다이어그램이다.
도 3a는 본 발명의 일 실시예에 따른 완전한 나비에 스톡스-계산 유체 동력학(Navier Stokes-computational fluid dynamics, NS-CFD) 모델들, 간략화된 물리 모델들 및 통계 모델들을 위해 요구되는 입력 파라미터들의 수의 함수로 계산 속도/복잡도(complexity)를 도시하는 그래프이다.
도 3b는 본 발명의 일 실시예에 따른 완전한 NS-CFD 모델들, 간략화된 물리 모델들 및 통계 모델들을 위한 모델들의 정확성의 함수로 상기 데이터 센터 내의 변화 정도를 도시하는 그래프이다.
도 4는 본 발명의 일 실시예에 따른 데이터 센터의 모바일 측정 기술(mobile measurement technology, MMT) 스캔의 슬라이스를 나타내는 이미지이다.
도 5는 본 발명의 일 실시예에 따라, 도 4의 데이터 센터 내의 12개 서버 랙들로의 입구(inlet) 온도들이 그려진 그래프이다.
도 6은 본 발명의 일 실시예에 따라, s-곡선들의 일 예가 제시되는 그래프이다.
도 7은 본 발명의 일 실시예에 따라 s-곡선들의 또 다른 예가 제시되는 그래프이다.
도 8a-o는 본 발명의 일 실시예에 따라 작은 데이터 센터 내의 15개 서버 랙들의 수직 온도 분포를 도시하는 그래프들이다.
도 9는 본 발명의 일 실시예에 따라, 도 4의 데이터 센터 내의 12개 서버 랙들의 입구 온도들에 현재의 s-곡선 표현들을 적용한 결과들의 테이블 예이다.
도 10a 및 도 10b는 본 발명의 일 실시예에 따라 미리 정의된 s-곡선 형상을 타입캐스트(typecast) 하기 위한 가중된(weighted) 네트워크의 예를 도시하는 다이어그램들이다.
도 11은 본 발명의 일 실시예에 따라 미리 정의된 s-곡선 형상들의 역할을 고정시키기 위한 신경망(neural network)의 일 예를 도시하는 다이어그램이다.
도 12는 본 발명의 일 실시예에 따른 지식 기반을 구축하기 위해 사용되고 있는 패턴들을 도시하는 다이어그램이다.
도 13은 본 발명의 일 실시예에 따라 모델 내에 물리적 특성들(physical behaviors)이 어떻게 입력될 수 있는지를 도시하는 다이어그램이다.
도 14는 본 발명의 일 실시예에 따라 데이터 센터 내의 열 분포들을 모델링하기 위한 방법의 일 예를 도시하는 다이어그램이다.

여기서는 데이터 센터 내의 온도 분포들을 모델링하기 위한 기술들이 제시된다. 데이터 센터에서 열 조건들(thermal conditions)을 더 잘 이해할 수 있음에 의해, 최선의 에너지 실행(best energy practices)이 구현될 수 있고, 그에 따라 총 에너지 효율을 향상시킬 수 있다. 데이터 센터의 맥락에서 인스턴트 기술들이 설명되고 있으나, 여기에 제시되는 개념들은 빌딩들, 공장들(특히 반도체 공장들) 또는 빌딩들의 어셈블리(도시들)과 같은 공간들뿐만 아니라 데이터 센터들(위치들이 선택됨. 예를 들어, 상기 열 밀도, 더 많은 열이 있으면 있을수록 에너지를 관리하는 것이 더 중요해짐.)에서의 온도 분포 분석에 일반적으로 적용가능하다.

도 1은 데이터 센터의 일 예(100)를 도시한 다이어그램이다. 데이터 센터(100)는 서버 랙들(101)을 가지며, 에어 컨디셔닝 유닛들(ACUs)(102)을 갖는 높은 플로어(raised-floor) 냉각 시스템(102)은 또한 컴퓨터 룸 에어 컨디셔너(computer room air conditioners, CRACs)로 일컬어질 수도 있음)을 가지며, 이는 뜨거운 공기를 유입시키며(일반적으로 위에서 상기 ACUs 내의 하나 또는 그 이상의 공기 리턴들을 통해) 아래로 서브-플로어 플리넘(sub-foor plenum) 안으로 냉각된 공기를 배기시킨다. 데이터 센터(100)를 통한 뜨거운 공기의 흐름은 밝은 화살표들(110)로 표시되고, 데이터 센터(100)를 통한 냉각된 공기의 흐름은 어두운 화살표들(112)로 표시된다. 다음의 설명에서, 상기 서브-플로어 플리넘 위의 데이터 센터는 간단히 상기 높은 플로어(raised floor)로 일컬어질 수 있으며, 상기 서브-플로어 플리넘은 간단히 플리넘으로 일컬어질 수 있다. 따라서, 단지 예로서 도 1에 도시된 바와 같이, 상기 ACUs는 상기 높은 플로어로부터 따뜻한 공기를 유입시키고 상기 플리넘(아래 참조) 안으로 냉각된 공기를 방출시킨다.

도 1에서, 서버 랙들(101)은 프론트-투-백(front-to-back) 냉각을 사용하고 아래에 서브-플로어(104)를 갖는 높은-플로어(106) 상에 위치한다. 즉, 이 기술에 따르면, 냉각된 공기는 각각의 랙의 프론트(입구)를 통해 끌어내어지고(drawn), 따뜻한 공기는 각각의 랙의 뒤(reer)(출구)로부터 배출된다. 상기 랙의 프론트 안으로 끌어내어진 냉각된 공기는 그 내부에서 각각의 IT 장비 컴포넌트(예를 들어 서버들)의 공기 입구들로 공급된다. 높은 플로어(106)와 서브-플로어(104) 사이의 공간은 서브-플로어 플리넘(108)의 경계를 정한다. 상기 서브-플로어 플리넘(108)은 수송(예를 들어, ACUs(102)로부터 상기 크랙들로 냉각된 공기를)을 위한 도관(conduit)으로서의 역할을 한다. 적절하게 구성된 데이터 센터(예를 들어, 데이터 센터(100))에서, 랙들(101)은 뜨거운 통로-차가운 통로 구성, 즉 교차하는 방향으로(alternating directions) 공기 입구들과 배기 출구들을 가지면서, 배열되어 있다. 즉, 냉각된 공기는 서브-플로어 플리넘(108)으로부터 상기 차가운 통로들 안으로, 높은-플로어(106)에서 구멍난 플로어 타일들(114)(이는 또한 벤트들(vents)로 일컬어짐)을 통해 내보내진다. 그런 다음 상기 냉각된 공기는 상기 랙들의 공기 입구 측 상에서 상기 공기 입구들을 통해 랙들(101) 안으로 끌어내어지고, 상기 랙들의 배기 출구 측 상에서 그리고 상기 뜨거운 통로들 안으로 상기 배기 출구들을 통해 덤프(dump)된다.

ACUs는 일반적으로 냉장고 냉각장치 플랜트(미도시)로부터 냉각된 물을 받는다. 각각의 ACU는 일반적으로 상기 ACU를 통해 공기를 순환시키고 냉각된 공기를 불어넣기(blow) 위한 - 예를 들어, 상기 서브-플로어 플리넘 안으로 - 블로워 모터(blower motor)를 포함한다. 이와 같이, 대부분의 데이터 센터들에서, 상기 ACUs는 상기 냉각된 공기를 상기 서브-플로어 플리넘 안으로 불어넣기 위해 필요한 전력을 주로 소비하는 단순한 열 교환기들(heat exchangers)이다. 일반적으로, 서버 랙들(101)로 전력을 분배하는 하나 또는 그 이상의 전력 분배 유닛들(power distribution units, PDUs)(미도시)이 존재한다.

도 2는, 예를 들어, 위에서 도 1의 설명과 관련하여 기술된 데이터 센터(100)와 같은 데이터 센터에서 열 분포들(thermal distributions)을 모델링하기 위한 방법(200)의 일 예를 도시하는 다이어그램이다. 단계 202에서, 상기 데이터 센터 도처의 복수의 위치들에 대해 수직 온도 분포 데이터가 획득된다. 상기 수직 분포 데이터는, 예를 들어, 모바일 측정 기술(mobile measurement technology, MMT)를 사용하여 획득될 수 있다. 일 실시예에 따라, 상기 서버 랙들의 공기 입구 측들에서의 수직 온도 프로파일들이 모델링된다(아래 참조). 따라서, 이 경우 상기 수직 온도 분포 데이터는 상기 데이터 센터에서 상기 서버 랙들 중 하나 또는 그 이상의 각각의 공기 입구 측에서 획득된다.

이하의 상세한 설명에서 기술되는 바와 같이, MMT 데이터는 공간상으로 밀집되어 있지만, 시간상으로는(temporally) 드문드문 분포되어 있다(일반적으로 1년에 한 번 정도만 리딩된다. 왜냐하면 이러한 포괄적인 스캔은 완료하기까지 비교적 긴 시간이 걸리기 때문이다). 따라서, 예를 들어, 상기 수직 온도 분포 데이터는, 예를 들어, 시간 T=0에 대해, MMT를 통해 획득된다. 그러나, 상기 데이터는, 예를 들어, 상기 데이터 센터 도처에 위치한 센서들(아래 참조)을 사용하여 획득된 "실시간" 온도 데이터로 업데이트될 수 있다. 이하의 상세한 설명에서 기술되어 있는 바와 같이, 이들 실시간 센서들은 시간상으로 밀도가 높은 리딩들을 제공할 수 있지만, MMT 스캔들과 비교할 때 공간상으로 드문드문 분포한다(예를 들어, 랙당 하나의 센서).

단계 204에서, 상기 위치들 각각에 대한 수직 온도 분포 데이터는 s-곡선으로 플롯된다. s-곡선들은 이하에서 상세히 기술된다. 그러나, 일반적으로 데이터 센터에서의 - 예를 들어, 상기 랙들의 입구 측들에서의 - 수직 온도 프로파일은, 온도와 높이의 함수로 나타낼 때, s-곡선 형태를 보이며, 맨 위(top)와 바닥(bottom)에서 평탄역(plateaus)을 갖는다는 것은, 본 명세서의 가르침을 통해 알 수 있다. 바람직하게는, 상기 수직 온도 분포 데이터는 상기 s-곡선의 형상에 반영되는 위치들 각각에서의 물리적 조건들을 반영한다. 예를 들어(단지 예를 들기 위한 것임), 상기 s-곡선의 형상에 영향을 미칠 수 있는 데이터 센터에 존재할 수 있는 물리적 조건들은, 상기 데이터 센터 내의 서버 랙 위치, 공기 컨디셔닝 장치들에 대한 서버 랙의 거리, 서버 랙 높이, 열 풋프린트(thermal footprint), 서버 랙 노출(server rack exposoure), 천장 높이(ceiling height), 가장 가까운 타일에 대한 거리, 상기 공기 컨디셔닝 유닛들로부터 상기 서버 랙으로 전달되는 공기 흐름, 상기 서버 랙 내의 오프닝들, 서버 랙의 전력 소비 및 서버 랙의 공기 흐름 요구 등을 포함하지만, 이러한 것들로 한정되는 것은 아니다. 즉, 이러한 앞에서 언급한 조건들은 상기 수직 온도 프로파일 그리고 그에 따라 그 결과 s-곡선의 형상에 영향을 미칠 수 있다. 이하에서 상세히 기술되는 바와 같이, 이는 상기 물리적 조건들이 파라미터들의 감소된 세트 - 예를 들어, 상기 s-곡선의 형상을 특징짓는 - 에 의해 표현될 수 있도록 해준다.

그러한 점에서, 단계 206에서, 상기 s-곡선의 각각은 상기 s-곡선의 형상을 특징짓는 파라미터들의 세트로 표현된다. 이들 s-곡선 표현들은 미리 정의된 s-곡선 유형들의 지식 기반 모델을 구성하며, 이로부터 데이터 센터 도처의 복수의 위치들에서의 열 분포들 및 연관된 물리적 조건들이 분석될 수 있다. 일 실시예에 따라, 상기 파라미터들은 상기 s-형상 곡선의 하부 평탄역(lower plateau), 상기 s-형상 곡선의 상부 평탄역(upper plateau), 상기 s-형상 곡선의 상부 파트에서의 s-쉐이프니스(s-shape-ness), 상기 s-형상 곡선의 하부 파트에서의 s-쉐이프니스 및 상기 s-형상 곡선의 절반 지점(half point)에 이르는 높이 등을 포함한다. 이들 파라미터들은 이하에서 상세히 기술될 것이다. 파라미터들의 상기 세트는 또한 바람직하게는 상기 s-형상 곡선이 상기 수직 온도 분포의 플롯인 그 데이터 센터 내의 특정 위치를 기술하는 하나 또는 그 이상의 파라미터들을 포함한다. 이하를 참조하자.

단계 208에서, 상기 미리 정의된 s-곡선 유형들은 파라미터 유사성들에 기초하여 그룹핑될 수 있다. 예를 들어(단지 예를 들기 위한 것임), s-곡선 유형들은 50% 지점에서의 기울기로 그룹핑될 수 있다. 예를 들어, 10℃/피트(feet) 내지 20℃/피트의 기울기를 갖는 s-곡선들이 함께 그룹핑될 수 있고, 21℃/피트 내지 30℃/피트의 기울기를 갖는 것들은 함께 그룹핑될 수 있다. 위에서 강조한 바와 같이, 상기 미리 정의된 s-곡선 유형들은 이들 s-곡선 유형들을 함께 그룹핑함에 의해, 공기 컨디셔닝 유닛에 대한 서버 랙의 거리 등과 같은 데이터 센터에서의 물리적 조건들을 반영하므로, 패턴들이 나타날 것이다. 나아가, 상기 s-곡선들은 바람직하게는 특정 위치에 결부(tie)되어 있으므로(즉, 그 s-형상 곡선이 상기 수직 온도 분포의 플롯인 데이터 센터에서의 특정 위치를 기술하는 파라미터(들)을 통해, 위의 설명 참조), 또한 그 패턴들은 상기 데이터 센터의 특정 영역들에 링크될 수 있다. 아래를 참조하라.

단계 210에서, 시간 T=1에 대해 실시간 온도 데이터가 획득된다. 위에서 강조된 바와 같이, 이러한 실시간 온도 데이터는 실시간 센서들로부터 획득될 수 있다. 상기 실시간 센서들로부터 획득된 데이터는 상기 데이터(예를 들어, MMT 스캔을 통해) 보다 공간적으로 덜 밀집되어 있지만, 상기 실시간 데이터는, 예를 들어 시간 T=0에서부터 시간 T=1까지 발생된 데이터 센터에서의 어떠한 변화들을 반영하도록 상기 MMT 데이터를 업데이트하기 위해 사용될 수 있다.

단계 212에서, 상기 실시간 데이터는, 상기 복수의 위치들에 대해 업데이트된 수직 온도 분포 데이터를 획득하기 위해, 시간 T=0에 대해 획득된 데이터 상에 내삽(interpolate)된다. 내삽 기술들의 예는 이하에서 상세히 기술된다. 단계 214에서, 상기 위치들 각각에 대해 업데이트된 수직 온도 분포 데이터는 s-곡선으로 플롯된다. 위에서 기술된 바와 같이, 상기 수직 온도 분포 데이터는 상기 s-곡선의 형상에 반영되는 위치들 각각에서 물리적 조건들(이 경우 업데이트된 물리적 조건들)을 반영한다. 단계 216에서, 상기 업데이트된 s-곡선들은 지식 기반 모델에서 미리 정의된 s-곡선 유형들과 짝지어진다(이는 또한, 타입캐스트(typecast)로도 일컬어짐). 짝짓기/타입캐스팅 기술들은 이하에서 상세히 기술된다.

입구 온도들( Inlet Temperatures ) : 위에서 강조된 바와 같이, 상기 서버 랙들의 공기 입구 측들(air inlet sides)에서의 수직 온도 프로파일들이 모델링된다. 미국의 가열, 냉장 및 공기-컨디셔닝 엔지니어 협회(American Society of Heating, Refrigerating and Air-Conditioning Engineers, ASHRAE)는 서버 랙 공기 입구 온도들을 "데이터콤 장비로 들어오는 입구 공기(the inlet air entering the datacom equipment)"(2008 데이터콤 장비를 위한 ASHRAE 환경 가이드라인들),(확장 권고 환경 봉투(Expanding the Recommended Environmental Envelope))로서 기술한다. 데이터 센터에서 입구 온도들은 중요하다. 왜냐하면 그것들은 상기 ICT 장비(예를 들어, 서버들, 네트워크들, 스토리지 등)의 신뢰성에 영향을 미칠 수 있기 때문이다. 빈번히 대부분의 데이터 센터들은 요구되는 수준으로 공기 입구 온도들을 유지하기 위해 과냉각되며, 그 결과 에너지 낭비가 초래된다. 따라서, 그것을 행하기 위해 요구되는 에너지와 공기 입구 온도들을 유지하는 것 사이에는 트레이드-오프가 있다. 즉, 입구 온도들이 더 낮다는 것은 더 많은 냉각을 의미하며, 이는 더 높은 입구 온도들이 더 적은 냉각으로 변환되는 것(이는 더 적은 에너지를 소비함)에 비해 더 많은 에너지를 소비한다. 이는 열역학(thermodynamics) 제2 법칙의 결과이다.

비용을 최소로 유지하면서 공기 입구 온도들을 쉽게 유지하도록, 예를 들어, 뜨거운 통로와 차가운 통로 분리 및 격납(containment)을 유지하도록, 데이터 센터들을 최적화하기 위해 여러 가지 방법들 및 최선의 실행들이 채용되어 왔다. 격납(containment)은 뜨거운 공기가 차가운 통로 안으로 들어갈 수 없도록 하기 위해 차가운 통로들을 둘러싸는(enclose) 방법이다(이는 "재순환(recirculation)"으로 인한 핫스팟들(hotspots)을 방지한다).

신뢰(공기 입구 온도들의 제어)를 제공하고 데이터 센터들에게 에너지 절약을 전달하는 비결(key)은 데이터 센터 동력학에 관한 이해인데, 이는 에너지 절약 계획의 체계적 이행 및 룸 구성(room configuration)에서의 변화들에 대처한다. 만약 데이터 센터 동력학이 이해될 수 있고 리스크가 최소화 또는 제거될 수 있다면, 상기 데이터 센터 내의 에너지 레벨들은 상승될 수 있고 비용은 감소될 수 있다. 모델링은 데이터 센터 동력학을 이해하기 위해 사용될 수 있는 한 가지 기술이다.

데이터 센터 모델링 : 데이터 센터들은 매우 동적인 환경들이다. 데이터 센터의 특징을 상세히 이해하기 위해, 고해상도의 데이터(high resolution data)가 요구된다. 예를 들어, 기술된 바와 같이, 미국특허번호 7,366,632(Hamann 등에 허여됨)의 "Method and Apparatus for Three-Dimensional Measurements"(뒤에서는 "미국특허번호 7,366,632"로 일컬어짐)에서의 모바일 측정 기술(Mobile measurement technology, MMT) - 이것의 내용은 본 명세서 내에 참조로 포함됨 - 은 데이터 센터 특성화(data center characterization)를 위해 높은 공간 해상도 데이터(high spatial resolution data)를 캡처하는 일 예이다. MMT를 사용하여, 카트(cart) 상에 마운트되는 온도 센서 그리드는 데이터 센터와 같은 룸에서의 3차원 온도 분포들을 결정(map out)하기 위해 사용된다. 상기 센서들은 땅으로부터 다양한 높이들로 마운트되고, 발(foot)보다도 덜 떨어진 측면 위치들로 마운트된다. 그러나, 데이터 MMT는 시간 내의 스냅샷 만을 제공한다. ACUs 스위치 온 및 오프에 따라, 데이터 센터는 시시각각으로 변하고, 서버 열 부하들(server heat loads)은 변하고, 장비가 추가, 재구성 또는 제거되어, 데이터 센터 룸의 동작특성(즉, 열 분포 또는 온도 분포들)에 영향을 미친다.

영구적으로 데이터 센터 내에 높은 공간 해상도 센싱 장비를 배치시키는 것은 실현가능하지 않으므로, 데이터센터의 동력학은 모델의 형태로 그 데이터 센터의 표현을 생성함으로써 이해될 필요가 있다. 만약 상기 데이터 센터의 유효한 모델이 생성될 수 있다면, 그 모델 상의 제어 포인트들 또는 경계들로서 더 낮은 공간 해상도 센싱(더 자주 획득되는)이 도입될 수 있는 한편, 기초 모델(base model)로서 고해상도 데이터(예를 들어, MMT를 사용하여 덜 자주 획득되는)를 이용할 수 있다. 유효한 모델들은 기초 모델들은 기초 모델들과 동적 모델들(dynamic models) 둘 다일 수 있다. "유효한 모델" 이라는 용어는 실제 열 분포의 정확한 기술을 생성하고 있는 모델이다. 일 실시예에 따라, 더 낮은 공간 해상도 센싱은 그 룸, 즉 데이터 센터 도처에 드문드문 위치한 센서들(예, 서버 랙 당 하나의 센서)을 사용하여 획득된다. 상기 데이터 센터 내의 변화들은 이러한 드문드문 위치한 센서들에 의해 검출될 수 있고, 모델은 상기 데이터 센터 환경에서의 변화들을 보여주기 위해 조정될 수 있다. 또한, 상기 모델은 컴퓨터 접근가능하므로, 인간 사용자들과의 상호작용을 위해 모델에 해석학(analytics), 알람(alams) 및 경보(alerts)가 적용될 수 있다.

데이터 센터의 모델을 생성하는 것은, 복잡한 수와 관련된(complex numerical) 물리학 기반의 모델들에서부터 통계 모델들에 이르기까지 여러 가지 형태를 취할 수 있다. 이는 정확성(accuracy), 적응성(flexibility) 및 계산 시간(computation time) 사이의 트레이드-오프를 갖는 복잡한 작업이다. 계산 유체 동력학(computational fluid dynamics, CFD)은 입력 파라미터들의 최소치로 데이터 센터를 정확하게 기술(시뮬레이션)할 수 있고 변화들에는 민감하지 않다. 그러나 CFD 모델로 계산하는 것은 시간이 많이 소모된다. 한편, 통계 모델들은 해결에 있어서 빠르지만 변화들에 매우 민감하고 정확성을 잃는다. 즉, 통계 모델들은, 만약 변화들이 발생하거나 "what-if" 시나리오가 테스트된다면, 예측을 하기가 매우 정확하지 않다. 이들 트렌트들은 도 3a-3b에 도시되어 있다. 도 3a는 간략화된 물리학 모델들 및 통계 모델들인, 완전한 나비에 스톡스(NS)-CFD 모델들을 위한 요구되는 입력 파라미터들의 수(#)의 함수로서 계산 속도/복잡성을 도시하는 그래프(300A)이다. 도 3b는 간략화된 물리학 모델들 및 통계 모델들인, 완전한 NS-CFD 모델들을 위한 모델들의 정확도의 함수로서 데이터 센터(DC) 내의 변화의 정도를 도시하는 그래프(300B)이다.

상기 CFD 접근법은 유체 흐름 및 열 전달을 좌우하는 물리학 식(physics equation)을 풀고 분석하는 여러 가지 방법들 및 컴퓨터 알고리즘들을 사용한다. 상기 기초 물리학은 나비에 스톡스 식들에 의해 제공되는데, 이는 단일-상(single-phase) 유체 흐름을 기술한다. 유체 흐름에 관한 이들 식들은 점성(viscosity)을 기술하는 항들(terms)을 제거함(오일러 식들을 양산함)에 의해, 그리고 와도(vorticity)를 기술하는 항들을 제거함 - 이는 포텐셜 식들(potential equations)을 양산함 - 에 의해 간략화될 수 있다. 이들 포텐셜 식들은 선형화될 수 있다. 여기서는 이들 선형화된 포텐셜 식들(이는 상기 CFD 접근법으로 계산하는 것보다는 더 쉽고 더 빠르게 계산됨)을 해결하는 것이 더 낫다. 상기 흐름 필드가 계산된 경우, 열 컨덕션-컨벡션 식들(heat conduction-convection equations)은, 예를 들어, 미국 특허출원번호 12/146,852(Hamman 등에 의해 출원됨)의 "Techniques for Thermal Modeling of Data Centers to Improve Energy Efficiency"(뒤에서는 "미국 특허출원번호 12/146,852"라 함) - 대리인 참조번호 YOR920080114US1으로 지정됨 - 에 기술된 다수의 방법들과 유사한 계산을 사용하여 해결되는데, 이 미국특허출원번호 12/146,852의 내용은 본 명세서 내에 참조로 포함된다.

지식 기반 모델들( Knowledge - base Models ) : 본 기술들은 지식 기반으로 온도 분포들을 모델링하는 새로운 방법과 관련되는데, 이는 더 많은 량의 경험적 데이터를 사용하여 생성된다. 이러한 "지식-기반 모델"은, 에너지 균형(energy balance)과 같은 기본 물리학 원리들뿐만 아니라, 이 모델을 업데이트하기 위한 실시간 데이터를 포함한다. 더 나아가, 일 실시예에서, 지식 기반 모델들은 내삽 기술들(예, 크리깅(kriging))을 위한 트렌드들로서 사용되며, 여기서 드문드문 있는 센서 데이터는 완전한 온도 필드들을 예측하기 위해 사용된다(이는 또한 Amemiya 등에 의해 출원된 미국 특허출원번호 12/146,952의 "Techniques to Predict Three-Dimensional Thermal Distributions in Real-Time"(이는 이후에는 "미국 특허출원번호 12/146,952"로 일컬어짐) - 대리인 참조번호 YOR920080115US1으로 지정됨 - 에서 더 많은 정보를 볼 수 있으며, 이는 본 명세서 내에 참고로서 포함된다).

본 기술들은 측정된 온도 분포들의 반경험적(semi-emprical) 트렌드들 및 패턴들을 레버리지(leverage)한다. 지식 기반(knowledge base)은 경험 데이터 및 기본 물리적 원리들 둘 다에 의해 새롭게 되고 향상된다. 이 지식 기반의 한 가지 어플리케이션은 드문드문 있는 센서 데이터에 기초하여 완전한 온도 필드들을 더 정확하게 예측하기 위해 공간 크리깅(spatial kriging)을 벗어난 트렌딩 함수들을 제공한다.

본 기술들의 일 예는 이하에서 기술된다. MMT에 의해 획득된 데이터 센터의 온도 분포들 - 이는, 예를 들어 미국특허번호 7,366,632, 그리고 Hamman 등의 "Uncovering Energy-Efficiency Opportunities in Data Centers,"(연구 및 개발에 관한 IBM 저널, vol. 53, no. 3(2009)(이후에는 "Hamann" 이라 함))에 기술되어 있고, 이것의 내용은 본 명세서 내에 참조로 포함된다. 이 예에서, MMT 데이터는 지식 기반을 공급한다. 도 4는 데이터 센터의 MMT 스캔의 슬라이스를 나타내는 이미지(400)인데, 여기서 12 서버 랙들이 라벨링된다(즉, 1-12로). 도 5는 상기 12 서버 랙들에 대한 입구 온도들의 수직 온도들이 플롯된 그래프(500)이다. 구체적으로는, 그래프 500에서, 서버 랙 z의 바닥으로부터의 거리는(피트로 측정됨) x-축 상에 플롯되고, 입구 공기 온도 T_inlet(섭씨 온도로 측정됨)은 y-축 상에 플롯된다. 서버 랙의 이미지는, 상기 서버 높이가 상기 열 프로파일들과 어떻게 정렬되는지를 도시하기 위해 그래프 500 아래에 제공된다. 그래프 500에 도시된 바와 같이, 서버 랙은 약 7 피트 높이이고 12 노드들을 포함한다(하나의 노드, 또는 계산 노드는 서버이다). 상기 노드들 - 이것들에 대해, 상기 입구 온도 분포들은 정확하게 유지될 필요가 있을 뿐만 아니라 모델링될 필요가 있음 - 은 약 1.5 피트 내지 약 6 피트이다(즉, 그라운드로부터). 파워 서플라이 및 네트워크 장비는 각각 랙의 맨 위 및 바닥에 존재한다. 도 5에서의 데이터는, 특정 트렌드들이 있고, 이 트렌드들은 모델 예측들을 위해 레버리지되고 지식 기반 모델을 구성하기 위해 사용될 수 있다는 것을, 명확히 보여준다. 이하에서 더 보여지는 바와 같이, 이들 트렌드들은 일부 기본 물리적 원리들을 사용하여 (더 정확하게) 기술/표현될 수 있다.

상세하게는, 도 5에서의 모든 온도 프로파일들은 바닥과 맨 윗부분에서 평탄역(plateau)을 갖는 "s-형상"의 동작특성의 어떤 유형을 보여준다. 이 동작특성은 이후에는 s-곡선으로 일컬어지는데, 이는 서버 랙의 입구들에 걸쳐 수직 온도 프로파일을 기술하기 위해 사용된다. 이 s-곡선 T(z)은 또한 랙의 측면 위치(T=f(x,y))의 함수로도 일컬어짐을 주목하자. 그리고 이는 이하에서 더 기술된다.

MMT로부터의 반경험적 트렌드들 및/또는 MMT 프로세스의 일부일 수도 있고 또는 일부가 아닐 수도 있는 흐름 측정들과 같은 다른 측정들은, 열 프로파일(한정된 수의 파라미터들을 가짐)의 (감소된 차수(reduced order)) 표현을 유도하기 위해 사용된다.

이하를 살펴보면, 이들 파라미터들은 랙 위치, ACUs에 대한 랙의 거리, 랙 높이, 열 풋프린트, 랙 노출, 천장 높이, 가장 가까운 타일에 대한 거리, ACU로부터 상기 서버 랙으로 전달된 공기 흐름, 상기 서버 랙 내의 오프닝들, 상기 서버 랙의 공기 흐름 요구 및 전력 소비와 같은, 데이터 센터의 다른 알려진 물리적 조건들과 관련된다. 상기 MMT 데이터는 2차원 온도 분포 T(x,y,z)를 포함한다. 일반적으로, MMT 데이터는 또한 좌표, 모든 랙들의 치수들, 천장 높이들, 벽들, ACUs 등과 같은 데이터 센터의 레이아웃 데이터를 포함한다. 모든 s-곡선은 랙과 연관될 수 있다. 상기 랙 좌표 및 치수는 알려져 있다. 따라서, 이들 좌표가 예를 들어, ACU 좌표와 얼마나 관련되는지, 그에 따라 이후에 어떤 파라미터(들)의 이후의 허용 리콜이 결국 주어진 곡선 형상이 되는지가 결정될 수 있다. 또한, 상부 평탄역(upper plateau) T_h/천장 온도들의 변화량(variations)이 낮다는 것이 강조된 부분(502)에 의해 보여지고 있다. 이하에서 더 상세히 살펴보자.

이들 s-곡선들의 두 가지의 예시적인 기술들/표현들은 도 6 및 7에 제시되어 있다. 이들 표현들의 파라미터들은 상기 지식 기반을 생성하기 위해 파퓰레이트(populate)된다. 즉, 도 6은 다음의 표현으로 s-곡선들이 표현되는 그래프(600)이다.

여기서 z는 상기 서버 랙의 바닥으로부터의 거리이다.

그래프 600에서, z(피트로 특정됨)는 x-축 상에 플롯되고 입구 공기 온도(화씨로 측정됨)는 y-축 상에 플롯된다. 이들 표현들의 파라미터들은 하부 평탄역 및 상부 평탄역(각기, T_l 및 T_h), 상기 곡선의 상부와 하부에서의 s-쉐이프-니스(shape-ness)에 대한 β1 및 β2 인자 및 50% 지점들에서의 곡선의 기울기이다. 파라미터 μ는 절반 지점(50% 점)에 이르는 높이이다. 즉, 온도 증가의 절반 지점은 (T_h에서 T_l로) 증가한다. 예를 들어, 만약 T_h=40이고 T_l=20이면, 파라미터 μ는 우리에게 T=30인 높이를 제공할 것이다.

이들 파라미터들은 상기 지식 기반으로부터 획득될 것이다. 즉, 위에 기술된 바와 같이, 초기에 이들 파라미터들은 상기 지식 기반을 파퓰레이트하기 위해 사용된다. 예를 들어, 각각의 랙과 연관되고 따라서 각각의 파라미터 세트와 연관된 공기 흐름은 또한 기록된다. 결국, 이하에서 더 논해지는 "what if" 시나리오들에 대해 장래에 사용될 공기 흐름에 상기 파라미터들이 얼마나 의존하는지에 관한 지식 기반을 생성하는 것이 시작된다. 위에서 강조된 바와 같이, 파라미터들은 T_l, T_h, β1, β2 및 μ이고, z는 변수이며 T는 함수의 출력이다.

도 7은 이들 s-곡선들의 다른 (대안의) 예시적인 기술/표현이 다음의 식에 기초하여 제공되는 그래프이다.

그래프 700에서, z(피트로 측정됨)는 x-축 상에 플롯되고 입구 공기 온도 T_inlet(섭씨로 측정됨)은 y-축 상에 플롯된다. 위에서 식 1은 상기 s-곡선의 하부 및 상부에서 s-특성(behavior)과 유사한 것을 감안하는 반면에, 여기서(식 2에서) 이 특성(behavior)은 무시된다. log(x0) 파라미터는 하부 및 상부 평탄역 사이에서 50%에 이르는 z 값을 제공하며, 다음 식은 50%로 기울기를 제공한다.

T_l 및 T_h는 실시간 측정들로부터 획득될 수 있다(ACUs의 방전(discharge) 및 리턴 온도). 상기 ACU의 방전 온도들은 T_l을 결정한다. 왜냐하면, 그것은 상기 랙의 바닥에 공급되는 온도이기 때문이다. 한편 상기 리턴 온도들은 T_h와 관련된다. 왜냐하면 그것은 상기 서버 랙의 맨 위에서 온도들을 나타내기 때문이다. 상기 데이터 센터 열 프로파일들(즉, 예를 들어 도 5에 도시된 수직 열 프로파일들)은 그런 다음 s-형상 곡선(들)으로 표현된다. 상기 곡선의 기울기 및 50% 지점은 랙의 재순환 및 공기 흐름 특성들을 나타낸다. 이하에서 더 상세히 기술되는 바와 같이, 기울기 및 50% 지점은 재순환 및 공기 흐름 특성들의 "레벨"과 관련될 수 있다. 예를 들어, 만약 상기 서버들이 상기 구멍난 타일들을 통해 공급되는 것보다 더 많은 공기를 "요구"한다면(상기 서버 내의 팬들로 풀링(pulling)함에 의해), 상기 랙의 앞에서 낮은 압력이 구성되고 일반적으로 주변 영역들로부터의 더 따뜻한 공기는 차가운 통로 안으로 이동한다. 그것은 50% 지점을 더 낮은 값들로 이동시킬 것이다(이는 50% 지점이 상기 서버 랙의 바닥에 더 가깝게 발생한다).

그런 다음 파라미터들은 랙 위치의 함수로 맞춰진다(여기서는 x0 및 p). 이하에서 상세히 기술되는 바와 같이, 파라미터들(x0 및 p)은 랙이 있는 "장소"에 의존할 것이다. 예를 들어, 통로에 있는 랙은 더 잘 재순환하는 경향이 있는데, 이는 낮은 x0 및 가능하다면 더 낮은 p 값들이 발견될 것이라는 것을 의미한다(예를 들어, 이하에서 기술되는, 도 9를 살펴보자).

양 표현들(도 6 및 도 7 참조)은 기본 물리적 원리들 - 이것들은 이하에서 조사됨 - 을 레버리지한다는 것을 주목할 수 있다. 양 표현들은 이들 평탄역들 사이의 서로 다른 z-높이들에서 s-곡선의 기울기(50% 지점에서 곡선의 기울기)를 나타내는 파라미터들뿐만 아니라 하부 및 상부 평탄역들을 기술하는 파라미터들을 사용한다. 비록 수직 온도 프로파일들의 s-유형들이 상기 데이터 센터 도처에서 발견되지만, 이 s-형상 개념은 서버들의 입구들의 위치들에서 특히 중요하다(왜냐하면 상기 입구 측 상에서 온도들을 유지하는 것이 바람직하다). 시스템 신뢰성을 충족시키기 위해, 정확한 입구 온도들이 제공될 필요가 있다.

이제 표현 파라미터들이 기술된다. 하부 평탄역(lower plateau)(T low 또는 T_l)은 각각의 플리넘 온도 분포 T_p(x,y)에 의해 좌우된다(즉, 플리넘 내의 온도 분포는 랙의 바닥에 공급되는 구멍난 타일들에서의 공기의 온도 영향을 받음). 플리넘 온도 분포들을 계산하기 위한 간단한 개념들은, 예를 들어, 미국 특허출원번호 12/146,852의 "Methods and Techniques for Creating and Visualizing Thermal Zones"(대리인 참조번호 YOR920090157US1(이후에는 "대리인 참조번호 YOR920090157US1" 이라 함)로 지정되며, 이 내용은 본 명세서 내에 참조로 포함됨)에 기술되어 있고, 미국 특허출원번호 12/146,952에 기술되어 있다. 그러나 일반적으로, 플리넘 온도 분포들은 여러 가지 수단 및/또는 이들 수단의 조합에 의해 계산/추정될 수 있다. 예를 들어, 일 실시예에서, (바람직하게는) 각각의 ACU 및/또는 플리넘 온도 센서들로부터의 측정된(바람직하게는 실시간으로) 방전 온도들의 표준 외삽 기술들(거리자승역산가중(inverse distance weighing), 공간 크리깅(spatial kriging) 등)이 사용된다. 또 다른 실시예에서, 미국 특허출원번호 12/146,852 및 대리인 참조번호 YOR920090157US1에 기술되어 있는 바와 같이, (계산 유체 동력학, CFD) 계산들이 사용될 수 있다(바람직하게는, 3차원에 반하게 2차원으로, 왜냐하면 2차원 계산이 더 빠르게 수행될 수 있으므로). 이들 계산들을 위한 경계 조건들은 측정된(바람직하게는 실시간으로) 온도 및 공기 흐름 값들로부터 획득될 수 있다. 구체적으로는, 공기 흐름 값들은 공기 압력 측정들로부터(바람직하게는 실시간으로) 유도될 수 있다. 타일 흐름 임피던스(또는 공기에 대한 구멍난 타일의 저항)과 조합하고 그 압력 차이(pressure differential)(플리넘과 높은 흐름(raised flow) 사이의 압력)을 알 경우, 공기 흐름 값들(그리고 물리학 식들을 풀기 위한 그 경계값들을 위한 입력 값들)이 계산될 수 있다.

상기 하부 평탄역은 또한 이하에서 논해지는 바와 같이 식 3을 사용하여 상기 상부 평탄역(upper plateau)으로부터 계산될 수 있다(즉, T_l은 T_h로부터 획득될 수 있고, T_h는 T_l로부터 획득될 수 있다. 이하 참조). T_l을 결정하기 위해 다른 기술들이 사용될 수 있다는 것을 주목하자. 예를 들어, Tl은 지식 기반으로부터 직접적으로 상수로 세팅될 수 있으며, 이는 일반적인 데이터 센터에 있어서 약 60℉일 것이다. 60℉는 흔히 컴퓨터 룸 ACUs에 있어서 디폴트 값이다.

플리넘 온도 분포 T_p(x,y)는 타일 방전 온도를 결정한다. 이상적으로는, 구멍난 타일은 상기 서버 랙의 입구 측에 위치하고 따라서 특정 서버 입구 위치에서의 플리넘 온도를 (직접적으로) T_l과 동일시할 수 있다. 그러나, 흔히 상기 서버 입구 위치와 가장 가까운 구멍난 타일 사이에는 약간의 거리가 있다. 여기서는, 예를 들어 T_l=T_p*t - 여기서 t는 거리에 의존하고, 가능하다면 상기 서버 랙 입구 위치와 상기 가장 가까운 또는 가장 가까운 세트의 구멍난 타일들 사이의 공기 흐름에 의존함 - 에 의해, T_l을 가장 가까운 (또는 가장 가까운 세트) 구멍난 타일(들)과 관련시키는 지식 기반이 사용된다. 하나의 구체적인 실시예에서, 상기 구멍난 타일로부터의 공기 흐름은 커널 함수(kernal function)와 컨벌루션(convolution)된다(예를 들어, Lorentzian 함수 - 이는 1/거리 의존성을 가짐).

상부 평탄역(T high 또는 T_h)은 상기 데이터 센터의 각각의 천장 온도들에 의해 좌우된다. (위에서 기술된) 도 5의 강조된 부분(502)으로부터 분명히 알 수 있는 바와 같이, 상부 평탄역 T_h/천장 온도들의 변화량(variations)은 낮다(이는 서로 다른 프로파일들의 T_h 값들은 +/- 2℃보다 낮다는 것을 의미하며, 이는 도 9에서도 볼 수 있으며, 이하에 기술된다. 이 평탄역은 이하의 방법들 중 어느 하나 또는 이하의 방법들의 조합에 의해 추산될 수 있다. 일 실시예에서, (바람직하게는) 각각의 ACU 및/또는 천장 온도 센서들로부터의 측정된 (바람직하게는 실시간으로) 리턴 온도들의 표준 내삽 기술들(거리자승역산가중, 공간 크리깅 등)이 사용된다. 예를 들어(단지 예를 들기 위함 것임), 3차원의 경우에 대해, 상기 거리자승역산 방법을 이용하는 경우,

가중값들(weights):

거리들(distances):

내삽된 z 값들 :

여기서,

x,y 좌표

T 값(데이터 점들)

n 값들의 수들

i 데이터 점 인덱스

j 내삽 점 인덱스

w_ij 가중값

rij 내삽 점과 데이터 점 사이의 거리

c 평탄 파라미터(smooth parameter)

b 지수(exponent)

mu 감쇠 거리(attenuation distance)

또 다른 실시예에서, CFD 계산들이 사용된다. 여기서, 예를 들어, 열 컨덕션-컨벡션 식들을 사용하여 온도 필드들에 대해 해결하는 것에 뒤이어 일반적인 공기 흐름 필드를 계산하기 위해 선형화된 포텐셜 식들이 적용될 수 있다. 또 다른 실시예에서, 상기 상부 평탄역은 총 전력 소비 및 공기 흐름을 경유하여 상기 하부 평탄역과 관련될 수 있는데, 이는 이하의 물리학 관계식을 레버리지함에 의한다.

전력/흐름 (3)

식 3을 설명하기 위해, 예를 들어 데이터 센터는 분당 12,000 큐빅 피트 퍼 미닛(cubic feet per minute, cfm)을 발생시키는 하나의 ACU를 가지며, 데이터 센터에서 총 낭비된 전력(dissipated power)은 80kW라고 가정하자. 식 3을 사용하면, T_h - T_l=21℉가 얻어진다. 예를 들어, 만약 T_l=60℉이면, T_h는 평균 81℉에 있을 것이다. 식 3은 또한 예를 들어, 상기 공기 흐름이 막히게(throttle down) 됨에 따라(즉, 에너지를 절약하기 위해) 및/또는 상기 전력 낭비가 변화됨에 따라, 그 영향을 추산하기에 유용하다.

물리적 관점에서 볼 때, 상기 상부 및 하부 평탄역 사이의 s-형상은 물리적 데이터 센터들에서 "재순환"의 어떤 레벨이 발생한다는 사실에 의해 쉽게 합리화된다. 예를 들어, 만약 충분하지 않은 차가운 공기가 상기 구멍난 타일들로부터 나오고 그리하여 그것이 서버들의 팬들로부터의 요건들을 매치시키지 못한다면, 상기 천장으로부터의 공기는 상기 랙들의 입구 측 상으로 빠져나오게 될 것이다. 위에서 강조한 바와 같이, 상기 서버 팬들은 상기 서버를 통해 특정 량의 공기를 푸쉬(push)하며 - 만약 상기 공기가 상기 구멍난 타일을 통해 공급되지 않는다면 상기 서버의 정면에 저압 영역이 생성되고 주위 영역(들)(surrounding area(s))로부터 나온 다른 공기가 들어가는데 - 이는 일반적으로 더 뜨거움 - 이 현상은 "재순환(recirculation)"으로 일컬어진다. 따라서, 대부분의 경우, 만약 충분히 차가운 공기가 제공된다면, 아무런 재순환도 발생하지 않는다(또는 최소의 재순환이 발생한다). 이러한 미스매치에 의존하여, 하부와 상부 평탄역 사이의 서로 다른 50% 점들뿐만 아니라 서로 다른 s-쉐이프-니스(shape-ness)를 발견할 것이다. 서버 랙들 - 이것들은 더 긴 차가운 통로의 에지들에 있음 - 은 더 따뜻한 공기에 더 많이 노출될 수 있다. 이것에 대하여는 위에서 기술된 도 4 및 도 5에 도시되어 있듯이, 여기서는 서버 랙들(1, 6, 7 및 12)이 더 작은 스텝의 가파른 s-곡선들을 보여주는데, 이는 더 쉽게 재순환을 만드는 뜨거운 공기에 대해 더 많이 노출된 것으로 볼 수 있다.

도 8a-o에는 물리적 조건이 어떻게 상기 s-쉐이프니스에 관련될 수 있는지에 관한 추가 증거가 제공된다. 도 8a-o는 작은 데이터 센터에서 15 서버 랙들의 수직 온도 분포를 도시하는 그래프들이다. 각각의 그래프는 10 개의 서로 다른 공기 흐름 세팅들(이하 참조할 것)을 갖는 데이터 센터에서의 특정 서버 랙에 대응하고(즉, 도 8a는 랙 #1에 대응하고, 도 8b는 랙 #2에 대응하고. ...), 이하에서 그래프들로 제공되는 키(802)에 대응한다. 각각의 그래프에서 랙 z의 높이(피트로 측정됨)는 x-축 상에 플롯되고 입구 온도(℉로 측정됨)는 y-축 상에 플롯된다. 데이터 센터의 레이아웃(804)은 플롯들에서 랙 넘버들에 대응하는 레이아웃에서의 랙 넘버들로써 그래프들에서 이하에 설명된다. 각각의 플롯은 10개의 트레이스들을 가지며, 이 트레이스들에서 데이터 센터 내의 공기 흐름은 케이스 1 내지 10에 대해 각각 12,400, 11,904, 11,408, 10912, 10416, 9,920, 9,424, 8,928, 8,432, 및 8,060 cfm(cubic feet per minute)으로부터 감소되었다. 상기 데이터는 데이터 센터 내의 공기 흐름이 막힘에 따라 상부 평탄역에서의 증가뿐만이 아니라 더 작은 z-값들 쪽으로 상기 s-곡선들의 쉬프트를 분명히 보여준다. 위에서 기술된 ㅂ3k와 같이 상기 공기 흐름이 막힘에 따라, 도 8a-o에서의 데이터에 관해 좀 더 조심스럽게 분석해 보면, 상기 하부 평탄역이 일정하다는 것을 볼 수 있는 한편, 상기 상부 평탄역은 증가하고 있다.

도 9는 도 5의 그래프(500)에서 예를 들어 플롯된 12 개 서버 랙들의 수직 입구 온도들에 대해 위의 식 2를 적용하고, 지식 기반의 생성을 시작하기 위해 예를 들어 도 5에 기술된 각각의 수직 온도 트레이스들을 맞춘 결과의 표(900)이다. 위에서 논한 바와 같이, 표 900에서, 두 개의 랙들(#7 및 #12) - 이것들은 ACUs(차가운 공기를 공급하는)로부터 가장 멀고 긴 통로에 상당히 노출되어 있음 - 은 강한 재순환을 나타내는 더 낮은 50% 지점들을 보여준다. 랙 #12는 가장 낮은 50% 지점을 갖는 예외인 것처럼 보인다. 여기서 상기 물리학 설명은 상기 구멍난 타일로부터 비교적 낮은 흐름이다(왜냐하면 그것은 ACU에 너무 가깝기 때문이고, 이는 베르누이 효과(또는 음의 압력 효과)를 초래한다).

S-곡선들의 타입캐스팅( typecasting ) : 일 예로서, 상기 지식 기반을 구성하기 위해, 각각의 수직 특성화가 타입캐스팅된다. 수직 특성화는 필수적으로 상기 s-곡선 또는 그 높이에서의 온도에 대한 높이 z의 관계이다. 타입캐스팅은 실제 s-곡선을 미리 정의된 s-곡선에 매치시킨다(미리 정의된 s-곡선은 또한 여기서는 "엘리먼트" 및 구성요소들(constitutes), 예를 들어, 상기 지식 기반에 이미 있는 파라미터들의 감소된 세트로 표현된 s-곡선으로 일컬어질 수 있음). 일 실시예에 따라, 상기 미리 정의된 s-곡선들은, 위에 기술된 바와 같이, 상기 MMT 데이터를 사용하여 획득된다. 상기 수직 온도 프로파일들(이에 의해 상기 실제 s-곡선들을 양산함)을 맞추기 위해 사용되는 데이터는 스태틱 MMT 데이터 및/또는 실시간 MMT 데이터로부터 나올 수 있다.

각각의 타입캐스트 엘리먼트는 다수의 속성들을 갖는데, 이 속성들은 그 동작이 발생할 확률 및 물리적 세계의 동작특성들과 관련된다. 상기 속성들은 동작특성이 발생할 확률들에 기여한다. 왜냐하면 일단 하나가 상기 s-곡선들을 기술하는 파라미터들을 갖기 때문이다. 그리고 공기 흐름과 같은 속성들이 식별되었고, 이들 속성들에 관한 이들 파라미터들의 의존성이 실제 표현될 수 있다(수학 관계식의 어떤 종류를 사용하여). 이들 속성들은 여기서는 랙 위치, ACUs에 대한 랙의 거리, 랙 높이, 열 풋프린트, 랙 노출, 천장 높이, 가장 가까운 타일에 대한 거리, ACU로부터 서버 랙으로 전달된 공기 흐름, 서버 랙 내의 오프닝들, 서버 랙의 공기 흐름 요구 및 전력 소모를 포함할 수 있다. 이것들은 s-곡선의 형상에 영향을 미치는 s속성들이다. s-곡선(도 10a-b에서 가중된 네트워크 예, 이하에서 기술됨)을 유도하는 방법이 또한 제공된다.

도 10a 및 10b는 미리 정의된 s-곡선 형상들을 타입캐스트하는 편리한 방법을 제공하는 가중된 네트워크 예를 각각 도시하는 다이어그램들(1000A 및 1000B)이다. 이 가중된 네트워크 예에서, z=4.5에서 온도 T는 제어 온도이고 모든 다른 온도들은 이로부터 추산될 수 있다. 각각의 다이어그램은 T4.5로부터 방사되어 나오는 알람들로에서 시작하는 것으로 구성되며, 출력은 그 가중된 값들의 합으로 주어진다. 다이어그램들 1000a 및 1000b에서, 예를 들어, T4.5 및 T5.5를 연결하는 수 1.02는 4.5 피트와 5.5 피트에서의 온도 사이의 관계이다. 별(star)의 알람들의 길이는 정확한 비(ratio)를 나타낸다. 도 10a 및 10b에 도시된 별 다이어그램들에서, 센터 T4.5는 엔트리 점 온도이다(그러나, 그것은 서로 다른 높이에 있을 수 있다). 위에서 강조된 바와 같이, 상기 알람 길이는 다른 높이들 각각에서의 온도에 대한 엔트리 점 온도의 비율을 나타낸다. 그래서 만약 T4.5가 20℃이면, T7.5는 1.3*20℃=26℃이다. 그것의 한 가지 사용 예는 만약 특정 높이에서의 온도, 예를 들어, T0.5(구멍난 타일에서 플리넘 온도)가 알려져 있고 상기 구멍난 s-곡선 형상이 알려져 있다면, 모든 높이들에 대한 온도 경사도(gradient)는 재구성될 수 있다.

상기 타입캐스팅 프로세스는 상기 s-곡선 형상(이는 위에서 식 1 및 2를 보면 파라미터들에 의해 기술됨)을 그것의 물리적 속성들(식 1 및 2를 보면 파라미터들에 의해 상기 s-곡선 형상이 기술됨)과 연관시키기 위해, 위에서 기술된 감소된 차수 표현들을 이용하는 s-곡선 형상을 특성화함에 의해, 또는 이하에서 기술되는, 도 11에 도시된 신경망(neural network)에 의해 만들어질 수 있다. 도 11은 미리 정의된 s-곡선 형상들을 타입캐스팅하기 위한 또 다른 편리한 방법을 제공하는 신경망(1100)의 일 예를 도시하는 다이어그램이다. 즉, 도 11은 미리 정의된 s-곡선(출력)에 실제 온도 데이터(플롯 다이어그램처럼 도시됨)를 캐스트하기 위해 신경망이 어떻게 구현될 수 있는지를 보여준다. 신경망들은 입력들에서 출력들로 매핑함에 있어서 좋다. 때로는, 이를 수행하기 위해 중간 또는 숨겨진 계층이 필요한데, 이는 동일한 데이터를 나타낼 다른 방법으로 생각될 수 있다. 신경망들은 모든 높은 밀도 온도 데이터를 횡단하고 그것을 감소된 수의 미리 정의된 s-곡선 유형들로 캐스팅하는 빠른 방법이다.

위에서 기술한 바와 같이, n 개의 미리 정의된 s-곡선들이 알려진 것에 기초하여 생성된다. 상기 유형들은 그것들을 기술하는 속성들을 가질 수 있다. 예를 들어,

다음으로, 상기 s-곡선 타입들은 상기 지식 기반으로 다음과 같이 그룹핑될 수 있다.

특성들( behaviors )에 대한 S-곡선 유형들의 그룹핑 : 감소된 차수 방법들, 즉 식 1, 식 2 또는 신경망 방법 중 하나를 사용하여 간략화된 유형에 그것들을 캐스팅함에 의해 서로 다른 s-곡선들의 가변성(variability)을 감소시키는 것은 상기 s-곡선 유형들의 그룹핑을 허용할 수 있다. 타입캐스트 또는 특성화된 서로 다른 s-곡선 유형들로, 상기 데이터 센터 도처에서 s-곡선들의 서로 다른 유형들의 배열(arrangement)을 보는 것이 가능하다. 이들 s-곡선 유형들은 상기 데이터 센터에서 그것들의 x 및 y 위치 파라미터들에 의해 배열된다. 즉, 이전에 기술된 것은 입구 온도 z의 높이 및 그 높이에서의 온도이다(s-곡선 플롯). 서로 다른 x,y 좌표(x와 y는 수평 바닥 상의 좌표임)에서 전체 데이터 도처에서, 온도(temp) s-곡선들에 대해 이들 높이들이 있다. 이들 s-곡선들의 그룹들은 함께 보여진다. 그래서 바닥 상의 각각의 x,y 좌표에서, 높이 데이터에 대한 실제 온도가 분석되고 미리 정의된 s-곡선 유형으로 캐스트된다. 기본적으로는, 이제 유형 1 내지 20의 서로 다른 미리 정의된 s-곡선들의 x,y 그리드가 있다. 이 그리드로부터 나타나는 미리 정의된 s-곡선 유형들의 패턴들 또는 클러스터들이 이제 찾아진다. 그것들이 그들의 로컬 이웃들에서 보이는 패턴들은 상기 데이터 센터에서의 물리적 조건들과 관련될 수 있다.

예를 들어(단지 예를 들기 위한 것임), s-곡선들은 감소된 차수 함수(reduced order function)(위의 식 1 또는 식 2)로 표현될 수 있고, 그런 다음 그것들을 그룹핑하기 위해 서로 다른 범위들이 사용될 수 있다. 예를 들어, (위에서 기술된) 도 9에서 log(x0)<4를 갖는 s-곡선들은 하나의 그룹이 될 수 있고, 또는 10℃/피트 내지 20℃/피트 그리고 20℃/피트 내지 30℃/피트 그리고 30℃/피트 내지 40℃/피트의 기울기들은 서로 다른 그룹들을 나타낼 수 있다. 그러나, 이것들의 조합들은 다른 그룹들일 수 있다. 식 1 및 식 2에서 파라미터들은 신경망 방법을 사용하는 것 대신에 미리 정의된 s-곡선 유형들에 대해 실제 온도 데이터를 캐스트하기 위해 사용될 수 있다는 것을 주목하자.

일단 상기 s-곡선들이 그룹핑될 경우, 하나의 타입의 위치가 찾아질 수 있고, 특정 유형의 발생들(occurrences)이 그 위치와 상관될 수 있는지 여부가 결정될 수 있다. 재순환, 불충분한 공급 공기, 노출(왜냐하면 랙이 통로의 에지에 있기 때문에) 등에 의해 어떻게 s-곡선이 영향을 받는지에 관해 위에서 많은 예들이 제공되었다.

도 12는 지식 기반을 구성하기 위해 사용되는 출현 패턴들을 보여주는 다이어그램이다. 이제 s-곡선들의 패턴들에 매치될 수 있는 실제 데이터의 지식 기반이 있다. 실시간 데이터 센터에서, 실시간 센서들이 배치되고, 그로부터 획득된 데이터는, 예를 들어, 크리깅 내삽 기술들(이하에서 기술됨)을 이용하여 고 해상도 MMT 기반 데이터 상에 내삽된다. 이는 상기 데이터 센터 도처에서 새로운 s-곡선들을 발생시킨다. 이들 새로운 s-곡선들은 s-곡선 유형들의 새로운 수평 그리드를 형성하기 위해 타입캐스트되는데, 이 s-곡선 유형들의 새로운 수평 그리드는 현재의 데이터 센터 환경에 관한 지식 기반으로부터의 정보 또는 권고(recommendations)를 만들어 내기 위해 분석될 수 있다.

제2 지식 기반들은 상기 데이터 센터 환경을 설명하기 위해 그것들이 보이는 높은 레벨의 조건들에 대하여 이들 s-곡선 유형에 관해 구성될 수 있다. 위에서 기술된 바와 같이, 특정 유형들은 불충분한 공기 공급과 같은 특정 물리적 조건들 하에서 발생할 것이다. 예를 들어, 평균 곡선보다 더 적게 가파른 기울기 및 50% 지점에 대해 낮은 값은 불충분한 공기 공급을 나타낼 수 있다. 왜냐하면 뜨거운 공기는 천장으로부터 "스턱(stucked)"될 것이기 때문이다.

도 13은 예를 들어 컨설턴트(즉, 전문가 또는 전문적인 어드바이스를 만들어낼 수 있는 사람)에 의해 모델 내로 어떻게 물리적 동작특성들(behaviors)이 입력될 수 있는지를 도시하는 다이어그램이다. 원들(circles)은 데이터 센터에서 상기 물리적 동작특성들이 관련되는 장소를 보여준다. 상기 모델은 상기 컨설턴트에 의해 입력된 동작특성에 대해 원에 의해 둘러싸인 영역 내의 미리 정의된 s-곡선 유형들의 클러스터에 의해 형성된 패턴을 표시한다. 특성화된 s-곡선 유형들의 수평 어레이가 있기 때문에, 새로운 네트워크는 MMT 컨설턴트 경함에 기초하여 생성되고 가르침받을 수 있다. 상기 데이터 센터의 물리적 특성들과 연관된 정보 또는 지식은 각각의 데이터 센터가 조사된 후 s-곡선 유형들의 패턴들에 적용될 수 있다. 도 13에서, 전형적인 MMT 출력이 권고들로 보여진다. 수퍼바이즈드 머신 학습 접근법(supervised machine learning approach)은 상기 권고들에 대해 상기 원들에서의 패턴들을 링크시키기 위해 사용된다. 즉, 위에서 기술된 바와 같이 미리 정의된 s-곡선 유형들의 그리드는 기본적으로 패턴 인식 문제를 형성하는데, 이는 예를 들어 신경망들에 의해 해결될 수 있다. 상기 학습은 컨설턴트가 물리적 기술(physical description)(위의 내용 참조)과 관련될 수 있는 그리드에 영역을 정의함으로써 수행될 수 있다. 그래서 미리 정의된 s-곡선 유형들의 클러스터들에 의해 형성된 패턴들이 인식될 수 있다. 상기 모델은 컨설턴트 입력으로부터 가르침받는다. 일단 가르침받으면, 상기 모델은 그것이 예를 들어 크리깅에 의해 호출된 리캐스팅(recasting)에 기인하여 패턴들 및 패턴들에서의 변화들을 인식할 때 예측들을 수행할 수 있다.

일 실시예에서, 상기 모델은 감시되는 패턴 인식 방법들 및 머신 학습 기술들을 이용하여 가르침받을 수 있다. 예를 들어, n 개의 데이터 지점들의 반경은 서로 다른 데이터 센터들에서의 실생활 경험들에 기초하여 가르침받을 수 있고 상기 지식 기반에 저장된다. 가중된 패턴 인식 네트워크는 불분명(fuzzy)하게 패턴들을 상기 지식 기반에 매치시킬 수 있다. 위에서 강조된 바와 같이, 도 13은 이 네트워크가 경험에 의해 어떻게 가르침받을 수 있는지를 기술하는데, 여기서 상기 원들은 데이터 센터에서 실제 경험들에 링크되는 s-곡선 유형들의 패턴들을 나타낸다. 상기 지식 기반이 구성될 때, 패턴들의 서로 다른 조합들은 물리적 동작특성들에 링크되어 예측들을 제공할 수 있고 권고들을 할 수 있으며 필요한 조치가 취해질 수 있다. 패턴들이 인식가능하지 않을 경우, 상기 타입캐스트 s-곡선들의 속성들은 감시되는 모델을 가르치기 위해 사용될 수 있다. 상기 속성들은 개별 s-곡선들에 관한 이해를 허용하고 이 속성들의 모음(compilation)은 물리적 동작특성들과 상관될 수 있다.

지식-기반 모델들 및 크리깅 ( Knowledge - based models and kriging ) : 본 지식-기반 모델의 한 가지 응용은 내삽들 및 크리깅을 위해 그것을 사용한다는 것이다. 예를 들어, Noel A.C. Cressie의 "Statistics for Spatial Data" 제3장(A Wiley-Interscience publication, 1991)을 참조하자. 이는 본 명세서 내에 참조로 포함된다. 예를 들어, 데이터 센터에서, 소수의(예를 들어, 실시간으로) 센서들이 상기 서버 랙들의 정면에 배치된 경우, 아무런 센서들도 배치되지 않은 서버들에 대한 입구 온도들을 추정하는 것이 바람직할 수 있다. 분명하게도, 상기 지식 기반과 상기 센서로부터 실시간 값들을 조합하는 것은 매우 양호한 추정값을 제공할 수 있다. 이 내삽을 위한 좋은 수학적 프레임워크는 크리깅이다. 크리깅은 알려진 위치들에서 측정된 데이터로부터 알려지지 않은 값들을 예측/추정하는 내삽 방법이다. 구체적으로는, 그것은 공간 변화량(spatial variation)을 획득하기 위해 바리오그램(variograms)을 사용하며, 그런 다음 상기 예측된 값들의 공간 분포에 의해 추정되는 예측된 값들의 에러를 최소화한다. 크리깅은 트렌드 함수들, 예를 들어, 위에서 논해진 바와 같이 x,y 위치의 함수로서의 s-곡선들을 포함할 수 있다. 지식-기반 모델을 갖는 이러한 크리깅의 상기 고전적인 크리깅 모델로부터의 차이는, 상기 지식-기반 모델이 상기 모델 프레임워크에서 분명히 높이 평가받는다는 점이다(즉, 상기 지식-기반 모델은 상기 크리깅에 포함되고 반영된다). 상기 아이디어는, 온도 필드는 주로 물리학 법칙에 의해 좌우되고, 그러므로 만약 상기 물리학 법칙을 반영하는 합리적인 모델이 구성된다면, 그것은 상기 온도 예측 모델의 구성 블록이 되어야 하고, 추정되어야 할 남아 있는 것은 이 물리학 모델로부터 벗어난다. 더 구체적으로는

가 지식 기반 모델이고, 예를 들어, z-높이로서 그 온도 변화량을 기술하는 s-곡선 함수를 가정하자.

을 위치

에서 관찰된 온도라고 하자. r의 이웃에 몇 개의 공간 위치들에서 관찰되는 온도가 주어지는 경우, 이들 위치들을 z좌표를 z_i로 갖는 r _i 로 표시하면, 상기 지식 기반 모델을 갖는 예측 식은 두 개의 성분들로 구성된다. 즉, 이 지식 기반 모델로부터의 이웃하는 위치들의 편차(deviation)의 입력으로서 크리깅 및

,

의 계수는 모델 적용성(flexibility)을 위해 포함된다.

사실상, 이웃하는 ne(r)의 선택은 규정된 반경의 영역 또는 K-가장 가까운 이웃과 같은 몇몇 경험적 기준(heuristic criteria)일 수 있다.

이제 도 14로 돌아가면, 본 발명의 일 실시예에 따라, 데이터 센터 내의 열 분포들을 모델링하기 위한 장치(1400)에 관한 블록 다이어그램이 도시되어 있다. 장치(1400)는 도 2의 방법(200)을 구현하기 위한 일 실시예를 나타내는 것으로 이해되어야 한다.

장치(1400)는 컴퓨터 시스템(1410) 및 착탈식 매체(1450)를 포함한다. 컴퓨터 시스템(1410)은 프로세서 디바이스(1420), 네트워크 인터페이스(1425), 메모리(1430), 매체 인터페이스(1435) 및 선택적 디스플레이(1440)를 포함한다. 네트워크 인터페이스(1425)는 컴퓨터 시스템(1410)을 네트워크에 연결할 수 있도록 하는 한편, 매체 인터페이스(1435)는 컴퓨터 시스템(1410)이 하드 드라이브 또는 착탈식 매체(1450)와 같은 매체와 상호작용할 수 있도록 한다.

당해 기술 분야에 알려진 바와 같이, 본 명세서 내에 논해지는 방법들 및 장치들은, 실행시 본 발명의 실시예들을 구현하는 하나 또는 그 이상의 프로그램들을 포함하는 머신-판독가능 매체를 포함하는 제조 물품으로서 배포될 수 있다. 예를 들어, 상기 머신-판독가능 매체는 상기 데이터 센터 도처의 복수의 위치들에 대한 수직 온도 분포 데이터를 획득하고; s-곡선으로서 상기 위치들 각각에 대한 상기 수직 온도 분포 데이터를 플롯하며 - 여기서 상기 수직 온도 분포 데이터는 상기 s-곡선의 형상에 반영되는 위치들 각각에서의 물리적 조건들을 반영함 -; 상기 s-곡선의 형상을 특징짓는 파라미터들의 세트로 상기 s-곡선들 각각을 나타내도록 - 상기 s-곡선 표현들은 미리 정의된 s-곡선 유형들의 지식 기반 모델을 구성하며, 이것으로부터 상기 데이터 센터 도처의 상기 복수의 위치들에서 연관된 물리적 조건들이 분석될 수 있음 - 구성된 프로그램을 포함할 수 있다.

상기 머신-판독가능 매체는 기록가능 매체(예, 플로피 디스크들, 하드 드라이브, 착탈식 매체(1450)와 같은 광 디스크들, 또는 메모리 카드들)일 수 있고, 또는 전송 매체(예, 파이버-옵틱들을 포함하는 네트워크, 월드 와이드 웹, 케이블들 또는 시분할 다중 접속을 사용하는 무선 채널)일 수 있다. 컴퓨터 시스템에서 사용하기에 적합한 정보를 저장할 수 있는 알려져 있거나 개발된 어떠한 매체라도 사용될 수 있다.

프로세서 디바이스(1420)는 본 명세서 내에 개시되는 방법들, 단계들, 및 함수들을 구현하도록 구성될 수 있다. 메모리(1430)는 분산형 또는 로컬일 수 있고 프로세서(1420)는 분산형일 수 있고 또는 하나일 수 있다. 메모리(1430)는 전기, 자기 또는 광 메모리, 또는 이것들의 조합 또는 다른 유형의 스토리지 디바이스들로 구현될 수 있다. 더 나아가, "메모리" 라는 용어는 프로세서 디바이스(1420)에 의해 접근되는 주소지정가능 공간(addressable space)에서의 주소로부터 읽혀질 수 있고, 그러한 주소에 기록될 수 있다. 이러한 정의로써, 네트워크 인터페이스(1425)를 통한 접근가능한 네트워크 상의 정보는 여전히 메모리(1430) 내에 있다. 왜냐하면 프로세서 디바이스(1420)는 상기 네트워크로부터 정보를 가져올 수 있다. 프로세서 디바이스(1420)를 구성하는 각각의 분산된 프로세서는 그 자신의 주소지정가능 메모리 공간을 포함하는 것을 주목해야 할 것이다. 또한 컴퓨터 시스템(1410)의 일부 또는 모두는 주문형 또는 범용 집적회로 내에 포함될 수 있다.

선택적 비디오 디스플레이(1440)는 장치(1400)의 인간 사용자와 상호작용하기에 적합한 비디오 디스플레이의 어떠한 유형이라도 무방하다. 일반적으로, 비디오 디스플레이(1440)는 컴퓨터 모니터 또는 기타 유사 비디오 디스플레이이다.

비록 본 발명의 실시예들이 본 명세서 내에 기술되었으나, 본 발명의 범위는 기술되는 그 실시예와 정확히 동일한 것들로 한정되는 것은 아니며, 또한 당해 기술 분야에서 숙련된 자라면 본 발명의 범위를 벗어나지 않고서 여러 가지 다른 변화 및 변경 예들이 있을 수 있다는 것을 이해할 것이다.

Claims

데이터 센터 내의 열 분포들을 모델링하는 방법에 있어서,
상기 데이터 센터 도처의(throughout the data center) 복수의 위치들에 대해 수직 온도 분포 데이터를 획득하는 단계;
상기 위치들 각각에 대한 상기 수직 온도 분포 데이터를 s-곡선으로서 플롯하는 단계 - 상기 수직 온도 분포 데이터는 상기 s-곡선의 형상에 반영되는 위치들 각각에서의 물리적 조건들을 반영함 -; 및
상기 s-곡선의 형상을 특징짓는 파라미터들의 세트로 상기 s-곡선들 각각을 나타내는 단계 - 상기 s-곡선 표현들은 미리 정의된 s-곡선 유형들의 지식 기반 모델(knowledge base model)을 구성하고, 상기 지식 기반 모델로부터 상기 데이터 센터 도처의 상기 복수의 위치들에서의 열 분포들 및 연관된 물리적 조건들이 분석될 수 있음 - 를 포함하는,
열 분포 모델링 방법.
청구항 1에 있어서, 상기 열 분포 데이터는 모바일 측정 기술(mobile measurement technology, MMT)를 사용하여 획득되는,
열 분포 모델링 방법.
청구항 1에 있어서, 상기 파라미터들은 상기 s-형상 곡선의 하부 평탄역(lower plateau), 상기 s-형상 곡선의 상부 평탄역(upper plateau), 상기 s-형상 곡선의 상부 파트(upper part)에서의 s-쉐이프-니스(s-shape-ness), 상기 s-형상 곡선의 하부 파트(lower part)에서의 s-쉐이프-니스 및 상기 s-형상 곡선의 절반지점(half point)에 이르는 높이 중 하나 또는 그 이상을 포함하는,
열 분포 모델링 방법.
청구항 1에 있어서, 상기 파라미터들의 세트는 상기 s-형상 곡선이 상기 수직 온도 분포의 플롯인 상기 데이터 센터 내의 특정 위치를 기술하는 하나 또는 그 이상의 파라미터들을 더 포함하는,
열 분포 모델링 방법.
청구항 1에 있어서, 상기 데이터 센터는 서버 랙들 및 높은 플로어(raised floor) 냉각 시스템을 포함하며, 상기 높은 플로어 냉각 시스템은 하나 또는 그 이상의 컴퓨터 공기 컨디셔닝 유닛들을 가지며, 상기 컴퓨터 공기 컨디셔닝 유닛들은 상기 서버 랙들로부터 뜨거운 공기를 받아들이고 또한 상기 높은 플로어(raised floor)에서의 복수의 구멍난 타일들을 통해 상기 서버 랙들로 전달되는 서브-플로어 플리넘(sub-floor plenum) 안으로 냉각된 공기를 배기(exhaust)시키도록 구성된,
열 분포 모델링 방법.
청구항 5에 있어서, 상기 열 분포 모델링 방법은,
상기 데이터 센터 내의 서버 랙들 중 하나 또는 그 이상의 각각의 공기 입구 측(air inlet side)에서 수직 온도 분포 데이터를 획득하는 단계를 더 포함하는,
열 분포 모델링 방법.
청구항 5에 있어서, 상기 물리적 조건들은 상기 데이터 센터 내의 서버 랙 위치, 공기 컨디셔닝 유닛들에 대한 서버 랙의 거리, 서버 랙 높이, 열 풋프린트, 서버 랙 노출, 천장 높이, 가장 가까운 타일에 대한 거리, 상기 공기 컨디셔닝 유닛들로부터 상기 서버 랙으로 전달된 공기 흐름, 상기 서버 랙 내의 오프닝들, 서버 랙의 전력 소비 및 서버 랙의 공기 흐름 요구 중 하나 또는 그 이상을 포함하는,
열 분포 모델링 방법.
청구항 1에 있어서, 상기 수직 온도 분포 데이터는 시간 T=0에 대해 획득되고, 상기 열 분포 모델링 방법은,
시간 T=1에 대해 실시간 온도 데이터를 획득하는 단계 - 상기 실시간 데이터는 시간 T=0에 대해 획득된 데이터보다 공간적으로 덜 밀집됨 -; 및
상기 복수의 위치들에 대해 업데이트된 수직 온도 분포 데이터를 획득하기 위해 시간 T=0에 대해 획득된 데이터 상에 상기 실시간 데이터를 내삽(interpolate)하는 단계를 더 포함하는,
열 분포 모델링 방법.
청구항 8에 있어서, 상기 열 분포 모델링 방법은,
상기 위치들 각각에 대해 상기 업데이트된 수직 온도 분포 데이터를 s-곡선으로 플롯하는 단계 - 상기 수직 온도 분포 데이터는 상기 s-곡선의 형상에 반영되는 위치들 각각에서의 업데이트된 물리적 조건들을 반영함 -; 및
상기 업데이트된 s-곡선들을 상기 지식 기반 모델에서 미리 정의된 s-곡선 유형들과 짝짓는 단계를 더 포함하는,
열 분포 모델링 방법.
청구항 1에 있어서, 상기 열 분포 모델링 방법은,
유사한 파라미터들에 기초하여 미리 정의된 s-곡선 유형들을 그룹핑하는 단계를 더 포함하는,
열 분포 모델링 방법.
데이터 센터 내의 열 분포들을 모델링하는 제조 물품에 있어서,
실행시 청구항 1에 기재된 방법의 단계들을 수행하는 하나 또는 그 이상의 프로그램들을 포함하는 머신-판독가능 매체(machine-readable medium)를 포함하는,
열 분포 모델링 제조 물품.
데이터 센터 내의 열 분포들을 모델링하는 장치에 있어서,
메모리; 및
상기 메모리에 결합된 적어도 하나의 프로세서 디바이스를 포함하되,
상기 프로세서 디바이스는,
상기 데이터 센터 도처의(throughout the data center) 복수의 위치들에 대해 수직 온도 분포 데이터를 획득하고;
상기 위치들 각각에 대해 상기 수직 온도 분포 데이터를 s-곡선으로 플롯하고 - 상기 수직 온도 분포 데이터는 상기 s-곡선의 형상에 반영되는 위치들 각각에서의 물리적 조건들을 반영함 -; 및
상기 s-곡선들 각각을 상기 s-곡선의 형상을 특징짓는 파라미터들의 세트로 나타내도록 - 상기 s-곡선 표현들은 미리 정의된 s-곡선 유형들의 지식 기반 모델(knowledge base model)을 구성하며, 상기 지식 기반 모델로부터 상기 데이터 센터 도처의 상기 복수의 위치들에서의 열 분포들 및 연관된 물리적 조건들이 분석될 수 있음 - 동작하는,
열 분포 모델링 장치.
청구항 12에 있어서, 상기 데이터 센터는 서버 랙들 및 높은 플로어(raised floor) 냉각 시스템을 포함하며, 상기 높은 플로어 냉각 시스템은 하나 또는 그 이상의 컴퓨터 공기 컨디셔닝 유닛들을 포함하며, 상기 컴퓨터 공기 컨디셔닝 유닛들은 상기 서버 랙들로부터 뜨거운 공기를 받아들이고 상기 높은 플로어에서 복수의 구멍난 타일들을 통해 상기 서버 랙들로 전달되는 서브-플로어 플리넘(sub-floor plenum) 안으로 냉각된 공기를 배기(exhaust)시키도록 구성되는,
열 분포 모델링 장치.
청구항 13에 있어서, 상기 적어도 하나의 프로세서 디바이스는,
상기 데이터 센터 내의 서버 랙들 중 하나 또는 그 이상의 각각의 공기 입구 측(air ilnet side)에서 수직 온도 분포 데이터를 획득하도록 더 동작하는,
열 분포 모델링 장치.
청구항 12에 있어서, 상기 수직 온도 분포 데이터는 시간 T=0에 대해 획득되고, 상기 적어도 하나의 프로세서 디바이스는,
시간 T=1에 대해 실시간 온도 데이터를 획득하고 - 상기 실시간 데이터는 시간 T=0에 대해 획득된 데이터보다 공간적으로 덜 밀집됨 -; 및
상기 복수의 위치들에 대해 업데이트된 수직 온도 분포 데이터를 획득하기 위해 시간 T=0에 대해 획득된 데이터 상에 상기 실시간 데이터를 내삽(interpolate)하도록 동작하는,
열 분포 모델링 장치.
청구항 15에 있어서, 상기 적어도 하나의 프로세서 디바이스는,
상기 위치들 각각에 대해 상기 업데이트된 수직 온도 분포 데이터를 s-곡선으로 플롯하고 - 상기 수직 온도 분포 데이터는 상기 s-곡선의 형상에 반영된 위치들 각각에서의 업데이트된 물리적 조건들을 반영함 -; 및
상기 업데이트된 s-곡선들을 상기 지식 기반 모델에서 미리 정의된 s-곡선 유형들과 짝짓도록 더 동작하는,
열 분포 모델링 장치.
청구항 12에 있어서, 상기 적어도 하나의 프로세서 디바이스는,
유사한 파라미터들에 기초하여 미리 정의된 s-곡선 유형들을 그룹핑하도록 더 동작하는,
열 분포 모델링 장치.