基于物联网的大数据中心能耗管理系统研究

“双碳”背景下,大数据中心如何降低能耗,发展绿色计算已成为一个迫切需要解决的问题。大数据中心的能耗管理是一项系统而复杂的工程,在数字化浪潮中,依托物联网技术建立一个大数据中心的能耗管理平台,为后续的能耗优化提供一个可量化的系统则不失为一个很好的切入点。本文通过分析大数据中心涉及能耗优化的各个方面,包括建筑物、机房设施、IT系统等,利用物联网、云计算技术建立一个统一的能耗管理平台,重点展示分析大数据中心能耗数据,为各种节能技术和能耗优化方法提供一个坚实的底座。     

浅谈如何降低高校数据中心能耗

随着网络化、信息化的推进,高校数据中心迅速发展,能耗问题日益突出。针对目前高校数据中心能耗巨大的问题,从掌握数据中心整体能耗状况及能效水平,提出了几种降低数据中心能耗的方法,从而更好地推进数据中心节能工作。     

面向绿色数据中心的能耗有效查询优化技术

降低能耗开销、建设绿色数据中心,已经成为目前大规模数据中心的重要需求.在绿色数据中心,如何使数据库系统在满足性能需求的前提下尽量地节约能耗,即如何提高数据库系统的能耗有效性,是目前研究的重点.数据库系统中的能耗有效性旨在使用更少的电能来提供相同的服务.能耗有效性越高,说明数据库系统可以用更少的能耗就能够响应同样数量的操作,换句话说,可以用更少的能耗达到同样的性能.据此提出了一种面向绿色数据中心的能耗有效查询优化方法.该方法首先利用回归分析建立操作符层的功耗预测模型,从而可以准确地预测给定查询在执行过程中的平均功耗.接着,在PostgreSQL查询优化器中扩充了结合预测能耗成本和时间成本的新的查询执行代价计算模型,并引入性能退化度因子调节性能和能耗的权重.最后构建了数据库系统能耗测试平台,在PostgreSQL上基于TPC-H和TPC-C基准测试进行了实验.结果表明：所提出的功耗预测模型比已有方法准确度更高.同时,提出的性能退化度因子为数据库系统提供了性能和能耗之间的灵活折中方案,并且通过设置适当的性能退化度因子,可以实现比原始PostgreSQL更高的能耗有效性.     

虚拟化数据中心全局能耗优化调度方法

虚拟化数据中心的制冷和供电设备能耗比重大且浪费严重,但当前虚拟化能耗优化的研究仅考虑IT设备能耗,针对该问题,通过对数据中心能耗逻辑的研究,提出一种虚拟化数据中心全局能耗优化调度方法。该方法通过感知数据中心负载和热分布状况,依据虚拟化调度规则生成动态调度策略,并对虚拟设备组的制冷供电设备进行同步调度,减少数据中心冗余制冷和设备空载损耗,以此最小化数据中心能耗。实验结果表明,该调度方法可节省制冷设备近26％的冗余制冷,并提升供电设备8％左右的供电效率,提高数据中心的能耗有效性,降低整体能耗。     

数据中心能耗模型及能效算法综述

近年来,云计算技术发展迅猛.作为云计算的物理平台和重要基础设施,数据中心的数量和规模都得到了前所未有的发展.与此同时,数据中心极低的资源利用率和巨大的能耗问题日益突出,数据中心能效的研究已经成为了近年来学术界与工业界关注的热点.针对数据中心能效的基本问题,研究了基于资源和任务调度的数据中心节能关键技术,从能效模型与能效算法的角度总结了数据中心服务器系统与网络系统的节能研究进展和最新成果,涵盖能效分析、能耗模型、分类标准和策略算法4个方面,并且展望了数据中心能效优化研究的发展趋势.     

CIO更注重数据中心能耗

在大数据当道的2012IT界,数据中心的低能耗和绿色环保成为了越来越多CIO和企业追求的目标。     

面向云计算数据中心的能耗建模方法

云计算对计算能力的需求,促进了大规模数据中心的飞速发展.与此同时,云计算数据中心产生了巨大的能耗.由于云计算的弹性服务和可扩展性等特性,云计算数据中心的硬件规模近年来极度膨胀,这使得过去分散的能耗问题变成了集中的能耗问题.因此,深入研究云计算数据中心的节能问题具有重要意义.为此,针对云计算数据中心的能耗问题,提出了一种精确度高的能耗模型来预测云计算数据中心单台服务器的能耗状况.精确的能量模型是很多能耗感知资源调度方法的研究基础,在大多数现有的云计算能耗研究中,多采用线性模型来描述能耗和资源利用率之间的关系.然而随着云计算数据中心服务器体系结构的变化,能耗和资源使用率的关系已经难以用简单的线性函数来描述.因此,从处理器性能计数器和系统使用情况入手,结合多元线性回归和非线性回归的数学方法,分析总结了不同参数和方法对服务器能耗建模的影响,提出了适合云计算数据中心基础架构的服务器能耗模型.实验结果表明,该能耗模型在只监控系统使用率的情况下,在系统稳定后,能耗预测精度可达到95%以上.     

基于冗余分析的数据中心服务器能耗特征选择

应用精确的服务器能耗模型对能耗进行预测,可为资源调度方法提供重要依据。考虑到云数据中心服务器能耗特征维度高、冗余特征难以判断的题,分析特征与特征之间、特征与目标值之间皮尔逊相关性系数的联系,并给出服务器能耗冗余特征的判断准则,在此基础上提出一种基于冗余分析的服务器能耗特征选择算法。实验结果表明了所提能耗特征选择算法在服务器能耗模型构建中的有效性。     

数据中心网络拓扑感知型能耗优化算法

针对数据中心网络中高能耗的问题,提出了一种拓扑感知型能耗优化算法。算法首先根据广义超立方体拓扑多维正交和单维全连接的结构特性,优化虚拟机的部署位置,进而提出多维最佳适应策略来充分利用服务器各维资源。然后利用虚拟机资源需求预测模型并结合迁移代价公式,均衡考虑服务器资源使用代价、虚拟机通信代价和迁移资源消耗,在合理迁移虚拟机以满足系统性能的前提下,降低了网络的能耗并且缓解了网络链路的拥塞。最终将网络的能耗优化问题转化成虚拟机在服务器上的优化配置问题。实验结果表明,与其他三种算法比较,算法在降低系统能耗和减少拥塞方面获得了良好的效果。     

基于混合粒子群算法的虚拟数据中心能耗优化

针对当前数据中心节能整合研究中仅考虑服务器能耗的现状,提出一种同时考虑服务器和网络设备能耗的方法。该方法通过感知数据中心的网络拓扑,使运行的服务器和网络设备最少,以此最小化能耗。对问题进行新的形式化建模,并设计一种混合的粒子群优化算法HPSO-NA来实现虚拟机整合。实验结果表明,该方法能有效降低整体能耗。     

能源互联网下基于储能调度及多源供能的数据中心能效优化

近年来,数据中心能效优化问题得到业界的普遍关注.同时,能源互联网的发展为数据中心能效优化问题提供了新的研究思路.能源互联网中的用户,尤其是大型的工业用户,通常具备一定的储能能力和一定的智能化能源管理能力.随着清洁能源的大规模部署以及售电公司的快速发展,数据中心等大型能耗用户也随之获得购电的选择权,可以根据电价、清洁程度等因素,从不同的能源供应商购买能源,从而降低能源成本,提高能效.研究表明在污染指数及实时电价的调节下,用户更趋向于在用电低谷期买入更多廉价且清洁的能源.因此,一方面综合考虑污染指数函数与实时电价,构建多源购电成本模型;另一方面综合考虑储能的操作成本及潜在收益成本,构建储能充放电成本模型,简称储能成本模型.以此为基础,建立了有储能系统下的数据中心多源能源选择模型,并与无储能时序调度策略时的系统性能做了对比.仿真结果表明:提出的模型可以通过对储能时序及多源能源选择的综合优化,一定程度上降低数据中心的日能源成本,同时提高清洁能源利用率.     

基于DVFS感知与虚拟机动态合并的云数据中心能效策略

为了解决云数据中心资源分配时能耗与性能间的均衡问题,提出了一种基于DVFS感知与虚拟机动态合并的能效优化策略。首先,策略通过新的DVFS管理算法（DVFS-perf）在不降低系统性能的同时降低了数据中心功耗,然后,通过频率感知的虚拟机VM部署合并算法（Frequency-aware Placement）在实现DVFS最优配置的同时最小化总体能耗,同时确保了虚拟机映射时的QoS保障。最后,通过真实云负载数据流构建仿真实验进行了性能分析。结果表明,在动态负载条件下,策略可以在不降低QoS和不增加SLA违例的情况下,降低虚拟机迁移次数和数据中心的总体能耗,更好地实现能耗与性能的均衡。     

动态定价策略下的精确库存成本建模与优化

提出一种更接近实际的需求率公式,在式中同时考虑了价格和出厂时间对客户需求率的影响.基于新的需求率公式,建立了动态定价策略下的精确库存持有成本模型和库存商品的利润函数.注意到利润函数的复杂性,使用遗传算法分析了利润函数的性质,得出最优定价时间、定价价格和最大利润的关系,并分析了库存持有成本变化和消费者购买欲望变化对各定价参数的影响.     

动态优化环境下的群核进化粒子群优化方法

粒子群优化方法是由Kennedy和Eberhart于1995年提出的一种基于群体智能(swarm intelligence)的进化计算技术.定义了“群核”(swarm-core)的概念,并在此基础上,提出了基于群核进化的粒子群优化方法(swarm-core evolutionary particle swarm optimization, SCEPSO),在SCEPSO方法中,为增强群体的优化能力,把群体分成了3个子群体,并且每个子群体有各自不同的“分工”.同时研究了SCEPSO方法对连续变化的最优点的动态跟踪能力,在3种动态优化模型下进行了实验.实验结果表明,与传统PSO方法相比,SCEPSO方法能够可靠并精确地跟踪连续变化的全局最优解.     

Dynamic Data Driven Simulations in Stochastic Environments

To improve the predictions in dynamic data driven simulations (DDDAS) for subsurface problems, we propose the permeability update based on observed measurements. Based on measurement errors and a priori information about the permeability field, such as covariance of permeability field and its values at the measurement locations, the permeability field is sampled. This sampling problem is highly nonlinear and Markov chain Monte Carlo (MCMC) method is used. We show that using the sampled realizations of the permeability field, the predictions can be significantly improved and the uncertainties can be assessed for this highly nonlinear problem.     

基于能量机制的多头绒泡菌动力学优化算法

随着人工智能和大数据的迅猛发展,大数据的爆炸式增长和问题的复杂性分布导致对并行智能处理的要求日趋迫切.传统的理论模型和技术方法面临严峻挑战,受自然界启发的物理学法则和生物学方法逐渐成为研究热点.受多头绒泡菌的生长觅食等行为启发,提出了一种基于能量机制的多头绒泡菌动力学算法(physarum-energy dynamic optimization algorithm, PEO).该算法以多头绒泡菌算法为基础,根据其动力学特征,引入能量机制,以改进现有的多头绒泡菌算法全局信息交互能力差等缺点.此外,PEO引入了年龄因子的概念和扰动机制,以控制算法在不同阶段的寻优能力和收敛速度,并从理论角度对算法模型的收敛性进行证明.最后,通过在TSP数据集上实验证明算法在不同规模数据集的有效性和收敛性,并进行了参数分析.与其他的优化算法的对比实验数据表明,PEO在面对复杂问题的求解速度和收敛速度明显优于其他的优化算法,具有高精度和快收敛的特性.     

基于以太坊和动态定价的数据交易模式研究

为了解决现有数据交易模式中交易流程耗时较大且效率较低,信息泄露和公平支付问题,提出一种改进的数据交易模式,通过智能合约预置额外的约束条件,集成了数据交易和仲裁纠纷解决的功能,用于实现交易的公平自治性和交易时间控制,以规避数据交易过程中恶意交易行为。在此基础上,为实现所提出的数据交易模式中价格的动态平衡,基于经济建模方法和动态定价的公平合理性,设计一个自动平衡总供给和总需求的动态定价机制,依据购买需求和数据资源的市场供给进行价格动态调整。从模型的动态性对模型进行了论证,证明了交易价格和需求可以收敛。基于以太坊实验环境部署并执行该合约,并对该智能合约的各功能成本和安全性进行测试和分析。仿真实验结果表明,该改进交易模式在动态定价下能够以较低的执行成本进行数据交易,并且该智能合约存在较少代码漏洞,满足可行性和安全性要求。