基于深度学习的主机负载在线预测模型研究

数据中心主机负载预测对于数据中心的资源调度和节能具有重要意义,但是目前缺乏一个通用模型以准确预测所有类型数据中心的主机负载情况。为了使主机负载预测模型具有一定的自适应性,提出一种基于深度循环神经网络编码器-解码器的多步在线预测模型。通过线上实时采集的能耗数据进行在线训练,同时设计一个在线监控模块,对模型的预测准确性进行实时监控和调整,使得该模型在不同数据中心中均能获得较准确的预测值。利用Google开源的时长为29天的数据中心主机负载数据集进行实验,结果表明,该模型的预测准确性接近离线训练,其预测性能优于ESN和LSTM模型。     

数据中心能效优化策略研究

数据中心数量及规模的增长使得数据中心能耗问题愈发凸显,多国政府针对数据中心能耗问题制定了相应的政策、法规,以促进数据中心节能。对数据中心能耗构成及能效指标进行了研究,从供配电系统、制冷系统及IT设备3个方面对数据中心能效影响因素进行了分析,然后对当前主流的数据中心能效优化策略进行了总结;在此基础上,提出了数据中心即服务的能效优化策略,该能效优化策略充分考察了数据中心服务性能和能耗的匹配性,能够有效实现数据中心全局能效优化。