CN112070353B - 一种精确检测数据中心能效的方法及系统 - Google Patents

Abstract

本发明公开了一种精确检测数据中心能效的方法及系统。本方法步骤包括：1)集目标数据中心在一设定测量时间范围内各设定测量时间点的数据中心总功率；2)采集该目标数据中心在该各设定测量时间点的IT设备总动态功率；所述IT设备总动态功率是指该目标数据中心的IT设备总功率中随IT设备负载动态波动的功率；3)根据公式计算该目标数据中心在每一所述设定测量时间点的有用功率比UPR；4)将各所述设定测量时间点的有用功率比UPR的平均值作为该目标数据中心在该设定测量时间范围内的能效评估值。本发明可以为数据中心能效状况提供更可靠的评估。

Description

一种精确检测数据中心能效的方法及系统

技术领域

本发明涉及数据中心领域，具体说是一种检测数据中心能效的方法及系统。

背景技术

目前，全球数据中心耗电量已经占据年度总耗电量的3％，预计未来该比例将持续上升。数据中心巨大的耗电量也给运营商带来了沉重的财政负担。据报道，数据中心每年支出的电费超过了其运营总费用的60％。数据中心能耗问题已经成为阻碍其进一步发展的重大障碍，降低数据中心能耗，提升能源利用率刻不容缓。

在数据中心进行能效优化需要有明确的能效评价指标，目前，工业界广泛使用的评价指标是电能使用效率(Power Usage Effectiveness,即PUE)，PUE的定义是数据中心总能耗与IT设备总能耗的比值。即

其中，IT设备总能耗指的是由计算系统(主要是服务器和交换机)消耗的能源，数据中心总能耗不仅包括IT设备总能耗，还包括为保障计算设备正常运行而配备的其他配套设施(主要是制冷系统和供电系统)所消耗的能源。理想情况下，数据中心的能源全部被计算系统所消耗，此时PUE值为1，PUE值越大表示数据中心能耗效率越低。由于PUE计算简单，且是个比值，容易在数据中心之内和数据中心之间比较，因此，该指标自2006年提出以来已经成为计量数据中心能源效率最受欢迎的指标。然而，PUE值的计算受IT负载高低影响很大，一个具有高PUE值的数据中心实际上可能比具有低PUE值的数据中心能效更高。举个例子，虚拟化技术可以将负载集中到尽量少的服务器上，从而节省服务器能耗，因此是常用的数据中心能效提升技术。然而，由于减少了IT能耗，在不调整制冷设置的情况下PUE的值反而会增加。因此，PUE某些时候并不能很好的反映出数据中心真实的能效状况。究其原因，PUE的分母是IT设备总能耗，不能反映系统的有效载荷，因此负载层面的节能措施效果不能通过PUE很好反映出来。

为了更加准确地反映出一个数据中心的能效水平，数据中心能效评价指标必须包括数据中心的有效载荷，即由IT设备执行的“有用的工作”。最直接的想法是用“能效比”的方式刻画数据中心的能效水平，然而，从数据中心层面的来刻画“效”并不容易。目前这类指标的代表是数据中心能源生产力(Data Center Energy Productivity，即DCeP)，DCeP的定义是数据中心有用工作量与数据中心总能耗的比值。即

其中，数据中心总能耗与PUE的分子意义一致，IT设备总有效工作量指的是在评估的时间窗口内完成的IT任务总量。该指标由于将IT有效工作量纳入评价，因此可以反映出IT负载级别的节能措施对能效水平的影响。然而，DCeP指标中关于“效”的定义没有统一标准，实际计算的时候只能首先选定用于测试的负载类型，然后根据负载类型选定“效”的单位，最后使用选定的“效”的单位去计算对应的DCeP值。因此，无法实现在数据中心内进行实时计算，同一个数据中心的计算值不能在时间尺度上进行对比，不同数据中心的计算值也不能进行比较。这些弊端都使得DCeP作为数据中心能效指标难以在企业界广泛推广。

发明内容

本发明提供了一种精准检测数据中心能效的方法及系统，利用IT设备动态功率间接衡量数据中心的“效”，解决了相关技术中存在的未考虑数据中心有效荷载、计算值由于单位不同不能在数据中心之内和数据中心之间进行比较、无法实现实时计算的问题。

根据本发明的一个方面，提供了一种数据中心能效检测方法，涉及一种新的效能评价指标，即有用功率比(Useful Power Ratio，即UPR)，本发明的数据中心能效检测方法是基于该效能评价指标对目标数据中心能效进行检测评估。所述数据中心至少包括一台或若干台服务器和机房空调系统，评价指标有用功率比的定义是IT设备总动态功率与数据中心总功率的比值，即：

进一步的，所述的数据中心总功率包括但不局限于数据中心IT系统功率和非IT系统功率。

进一步的，所述的IT系统包括但不局限于数据中心服务器和交换机(和路由器)。

进一步的，所述非IT系统包括但不局限于制冷系统和供电系统。

进一步的，所述IT设备总动态功率指的是IT设备总功率中随IT负载动态波动的部分。

根据本发明的另一个方面，提供了一种数据中心能效评价指标UPR的计算法方法，所述数据中心至少包括一台或多台服务器和机房空调系统，该计算方法包括：选定一个测量时间点或者时间区间；获取测量时间点或者时间区间内数据中心总功率；获取测量时间点或者时间区间内IT设备总动态功率；依据UPR计算公式计算得出测量时间点或者时间区间内UPR的值。

可选的，当选定测量时间区间时，所述数据中心总功率为数据中心总功率在测量时间区间的平均值。

可选的，当选定测量时间区间时，所述IT设备总动态功率为IT设备总动态功率在测量时间区间内的平均值。

可选的，所述IT设备总动态功率可由IT设备总功率减去IT设备总空闲功率计算，即：

可选的，当选定测量时间区间时，所述IT设备总功率为IT设备总功率在测量时间区间内的平均值。

根据本发明的再一个方面，提供一种数据中心能效预测方法，所述数据中心至少包括一台或若干多台服务器和机房空调系统，该预测方法包括：选定一个测量时间点；获取测量时间点所有IT设备的资源利用率和机房空调系统的制冷参数；依据获取的资源利用率和制冷参数，按照预设的预测模型，预测所述数据中心在该时间点的UPR值。其中，所述预测模型是基于机器学习方法生成。

可选的，所述预设的预测模型包括：以数据中心内所有IT设备的资源利用率和机房空调系统的制冷参数的历史或实验数据作为神经网络的输入，以对应的数据中心UPR的历史或实验数据作为输出，借助于神经网络强大的非线性处理能力训练得到的预测模型。

可选的，由于神经网络的输入参数包括所有IT设备的资源利用率信息，而通常数据中心内IT设备数目庞大，过多的参数容易导致普通的全连接神经网络无法准确捕捉模型特征而性能不佳，而在全连接神经网络之前添加一个卷积神经网络则可以解决上述问题。因此所述预测模型结构包含一个卷积神经网络和后面连接的一个全连接神经网络。

根据本发明的再一个方面，提供一种基于UPR的数据中心能效优化方法，该方法包括：将所有服务器按空闲功率由低到高排序，服务器集合记作S；关闭所有服务器，按上述顺序开启能够容纳当前IT负载的数目最少的服务器，记作S_used(S_used∈S)，将IT负载均摊到所有开启的服务器S_used上，并由前述预测模型预测对应的UPR值，记作UPR₀；按上述顺序开启一组服务器，记作S_△(|S_△|＝min{△,S-S_used},△∈[1,|S|])，更新S_used←S_used US_△，并将IT负载均摊到所有开启的服务器S_used上，由前述预测模型预测此时对应的UPR值，记作UPR₁，如果UPR₀≥UPR₁，则S_used←S_used-S_△，将IT负载均摊到S_used上，算法停止；反之重复该步骤。该步骤结束后输出需要开启的服务器集合S_used，将IT负载均摊到开启的服务器上完成负载调度；按预设值调整机房空调系统的制冷参数以降低机房空调系统功率，如果当前服务器最高进气温度低于预设的安全温度则该重复该步骤，反之该步骤终止。

与现有技术相比，本发明的积极效果：

通过本发明，利用UPR来评估数据中心能效状况，由于UPR计算公式中的分子是IT设备总动态功率，可以近似衡量数据中心IT有效工作量，解决了相关技术中存在的未考虑数据中心有效荷载的问题。此外，由于UPR计算公式中分子跟分母均为功率，因此UPR的值是一个比值，无单位，解决了相关技术中存在的由于负载类型不同导致计算值的单位不同，因此同一个数据中心的计算值不能在时间尺度上进行对比、不同数据中心的计算值也不能进行比较的问题。最后，UPR计算公式中的分子跟分母的取值都可以通过在数据中心内相应位置添加功率计的方法实时获取或者直接从数据中心动环监控系统中实时获取，解决了相关技术中存在的无法实现实时计算的问题。因此，UPR指标的提出可以为数据中心能效状况提供更可靠的评估。而基于UPR的数据中心能效优化方法的提出则可以更有针对性地进行提高数据中心整体能效水平。

附图说明

图1是本发明的UPR计算流程图；

图2是本发明的基于UPR的数据中心能效优化方法流程图。

具体实施方式

下文将结合实施例来详细说明本发明。

在本实施例中提供了一种检测数据中心能效的方法，所采用的指标为有用功率比(Useful Power Ratio，即UPR)，所述数据中心至少包括一台或若干台服务器和机房空调系统，该评价指标定义是IT设备总动态功率与数据中心总功率的比值，即：

UPR指标的核心思想是用IT设备总动态功率间接表示数据中心有效荷载，其表示的是单位数据中心功率对应的IT设备总动态功率。如本领域的技术人员所知的，UPR指标中的数据中心总功率主要包含IT设备功率和非IT设备功率。所述IT设备主要指服务器和交换机(路由器)。所述非IT设备主要指制冷系统和供电系统，也可以包括照明系统。UPR计算公式中的IT设备总动态功率指的是IT设备总功率中随IT负载动态波动的部分。那么，对于一个空闲功率为80W的服务器而言，假如在当前时刻其运行时功率为200W，那么此时其动态功率为120W。如果过段时间后，假如其运行时功率变成160W，那么相应的其动态功率也变为80W。

在本实施例中提供了一种检测数据中心能效评估的方法，所述数据中心至少包括一台或若干台服务器和机房空调系统，图1是根据本发明实施例的UPR计算流程图，该计算方法包括如下步骤：

步骤101，选定一个测量时间点，此时计算的UPR值代表当前时间点的瞬时UPR值；

步骤102，获取测量时间点的数据中心总功率。如本领域的技术人员所知的，数据中心总功率主要包含IT设备功率和非IT设备功率。所述IT设备主要指服务器和交换机(路由器)，所述非IT设备主要指制冷系统和供电系统，也可以包括照明系统。数据中心IT系统总功率可以通过在IT设备与电源之间添加功率计的方式获取，也可通过在IT设备安装测量软件的方式获取。数据中心非IT系统总功率可通过在非IT设备与电源之间添加功率计的方式获取，也可通过数据中心动环监控系统获取；

步骤103，获取测量时间点IT设备总动态功率。UPR计算公式中的IT设备总动态功率指的是IT设备总功率中随IT负载动态波动的部分。举例而言，对于一个空闲功率为80W的服务器而言，假如在当前时刻其运行时功率为200W，那么此时其动态功率为120W。如果过段时间后，假如其运行时功率变成160W，那么相应的其动态功率也变为80W。IT设备总动态功率可以通过软件的方法获取，也可以由IT设备总功率减去IT设备总空闲功率进行计算，IT设备总功率可以通过在IT设备与电源之间添加功率计的方式获取，也可通过在IT设备安装测量软件的方式获取，而IT设备空闲功率是常值，可以在系统初始化的时候读取；

步骤104，依据UPR计算公式计算得出UPR的值。由步骤102和步骤103获取的值带入UPR计算公式可得在测量时间点的UPR值。

数据中心内负载状况波动幅度大且变化快，有时候瞬时的能效状况并不能很好反映出数据中心真实的能效水平。在实际的能效评估中往往会选取一段时间区间来进行测量，以时间区间内数据中心的综合能效状况来衡量该数据中心的能效水平。

在本实施例中提供了一种检测数据中心能效的方法，所述数据中心至少包括一台或若干台服务器和机房空调系统，该计算方法包括如下步骤：

步骤101，选定一个测量时间区间，此时计算的UPR值代表当前时间区间内的平均UPR值；

步骤102，获取测量时间区间内数据中心总功率的平均值。如本领域的技术人员所知的，数据中心总功率主要包含IT设备功率和非IT设备功率。所述IT设备主要指服务器和交换机(路由器)，所述非IT设备主要指制冷系统和供电系统，也可以包括照明系统。数据中心IT系统总功率可以通过在IT设备与电源之间添加功率计的方式获取，也可通过在IT设备安装测量软件的方式获取。数据中心非IT系统总功率可通过在非IT设备与电源之间添加功率计的方式获取，也可通过数据中心动环监控系统获取；

步骤103，获取测量时间区间内IT设备总动态功率的平均值。UPR计算公式中的IT设备总动态功率指的是IT设备总功率中随IT负载动态波动的部分，可以通过软件的方法获取，也可以由IT设备总功率减去IT设备总空闲功率进行计算，IT设备总功率可以通过在IT设备与电源之间添加功率计的方式获取，也可通过在IT设备安装测量软件的方式获取，而IT设备空闲功率是常值，可以在系统初始化的时候读取；

步骤104，依据UPR计算公式计算得出UPR的值。由步骤102和步骤103获取的值带入UPR计算公式可得在测量时间区间内的UPR值。

在本实施例中提供了一种数据中心能效预测方法，所述数据中心至少包括一台或多台服务器和机房空调系统，该预测方法包括如下步骤：

步骤201，选定一个测量时间段；

步骤202，获取该测量时间段内各设定测量时间点所有服务设备的资源利用率和机房空调系统的制冷参数。如本领域的技术人员所知的，所述资源主要指CPU，也可以包含内存、网络带宽、硬盘、IO，机房空调的制冷参数主要包含温度和风速(决定送风量)；

步骤203，依据获取的资源利用率和可调节参数，按照预设的基于神经网络的预测模型，预测所述数据中心的UPR值。其中，所述预测模型是基于机器学习方法生成。

通过上述步骤，利用神经网络方法预测数据中心能效，解决了相关技术中预测模型准确率不高的问题。

预设的基于神经网路的预测模型可以采用以下方法生成：以一定的时间间隔获取数据中心内所有服务器的资源利用率和对应的机房空调系统的制冷参数的历史或实验数据作为神经网络的输入，以对应的数据中心UPR的历史或实验数据作为输出。神经网络具有强大的非线性处理能力，非常适合处理数据中心内复杂的非线性关系，此外，使用神经网络训练出来的模型进行预测时需要花费的时间短，适合于数据中心的实时在线调度。

由于神经网络的输入参数包括所有IT设备的资源利用率信息，而通常数据中心内IT设备数目庞大，过多的参数容易导致普通的全连接神经网络无法准确捕捉模型特征而性能不佳。如本领域的技术人员所知的，卷积神经网络可以在众多特征中进行有效特征提取，因此在全连接神经网络之前添加一个卷积神经网络则可以解决上述问题。因此所述预测模型结构包含一个卷积神经网络和后面连接的一个全连接神经网络。

在本实施例提供了一种基于UPR的数据中心能效优化方法，图2是根据本发明实施例的基于UPR的数据中心能效优化方法流程图，该方法包括如下步骤：

步骤301，服务器排序。将所有服务器按空闲功率由低到高排序，服务器集合记作S。由于UPR指标中服务器空闲功率作为分母，因此，为了提升UPR值，应尽量选取空闲功率低的服务器来承载计算任务；

步骤302，选最小服务器集合。关闭所有服务器，按上述顺序开启能够容纳当前IT负载的数目最少的服务器，记作S_used(S_used∈S)，将IT负载均摊到所有开启的服务器S_used上，并由前述预测模型预测对应的UPR值，记作UPR₀。由于UPR指标中服务器空闲功率作为分母，因此，为了提升UPR值，应尽量减少开启的服务器数目，从而减少总的服务器空闲功率；

步骤303，迭代扩大服务器集合并调度负载。按顺序开启一组服务器，记作S_△(|S_△|＝min{△,S-S_used},△∈[1,|S|])，更新S_used←S_used US_△，并将IT负载均摊到所有开启的服务器S_used上，由前述预测模型预测此时对应的UPR值，记作UPR₁，如果UPR₀≥UPR₁，则S_used←S_used-S_△，将IT负载均摊到S_used上，该步骤终止；反之重复该步骤。本步骤的基本思想是通过迭代的方式尝试开启更多的服务器以获得更高的UPR值，一旦开启更多的服务器不能带来UPR值提升，则本步骤停止。如本领域的技术人员所知的，服务器的动态功率与其所承载的计算任务成超可加函数关系，因此，聚合负载虽然可以大幅减少服务器空闲功率，但也会在一定程度上导致服务器动态功率升高，为了权衡服务器动态功率和空闲功率，将在开启的服务器之间均摊所有计算任务。该步骤结束后输出需要开启的服务器集合S_used，将IT负载均摊到开启的服务器上完成负载调度；

步骤304，迭代降低制冷能耗。按预设值+δ_T和-δ_f(+δ_T表示温度增量，-δ_f表示风速减量，δ_T>0，δ_f>0)提高机房空调系统的供气温度或者降低供风速度，如果当前服务器最高进气温度低于预设的安全温度则该重复该步骤，反之该步骤终止。UPR指标中制冷系统功率作为分母，因此，为了提升UPR值，应尽量降低制冷系统的功率。如本领域技术人员所知，机房空调制冷参数主要有温度和风速(决定送风量)，提高机房冷气温度或者降低供风速度都可减少空调系统功率。如本领域的技术人员所知的，数据中心服务器进气温度的设置需要满足服务器制冷的条件，例如，美国采暖、制冷和空调工程师学会(ASHRAE)于2008年制定服务器进气的条件为18-27℃。

以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的精神和范围，本发明的保护范围应以权利要求书所述为准。

Claims (1)

1.一种数据中心能效优化方法，其步骤包括：

1)将目标数据中心的各服务器按空闲功率由低到高排序，得到服务器集合S；关闭所有服务器，按上述排序顺序开启能够容纳该目标数据中心当前IT负载的数目最少的服务器，得到服务器集合S_used，S_used∈S，将该目标数据中心当前IT负载均摊到服务器集合S_used中的各服务器上，并预测该目标数据中心的UPR值，记作UPR₀；其中，所述IT设备总动态功率是指该目标数据中心的IT设备总功率中随IT设备负载动态波动的功率；

2)顺序开启服务器集合S中一组服务器，记作服务器集合S_Δ，其中|S_Δ|＝min{Δ,S-S_used},Δ∈[1,|S|]，更新S_used←S_usedUS_Δ，并将该目标数据中心当前IT负载均摊到服务器集合S_used中的各服务器上，并预测对应的UPR值，记作UPR₁；

3)如果UPR₀≥UPR₁，则S_used←S_used-S_Δ，将该目标数据中心当前IT负载均摊到服务器集合S_used中的各服务器上，然后执行步骤4)，否则重复步骤2)～3)；

4)按预设值调整该目标数据中心机房空调系统的制冷参数以降低机房空调系统功率，如果当前服务器最高进气温度低于预设的安全温度则重复该步骤4)，反之则终止步骤4)。