一種云計算數(shù)據(jù)中心的在線節(jié)能控制方法及裝置制造方法
【專利摘要】本發(fā)明公開了一種云計算數(shù)據(jù)中心的在線節(jié)能控制方法及裝置，其中，所述方法包括：監(jiān)控和采集云計算數(shù)據(jù)中心內(nèi)各節(jié)點的負(fù)載能耗數(shù)據(jù)；按照預(yù)設(shè)的性能約束條件對所述負(fù)載能耗數(shù)據(jù)過濾，將過濾后的數(shù)據(jù)作為自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型的輸入樣本；根據(jù)所述輸入樣本采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型產(chǎn)生節(jié)能策略，并按照所述節(jié)能策略對各節(jié)點執(zhí)行節(jié)能控制操作。本發(fā)明的方法和裝置基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型對節(jié)點的負(fù)載能耗數(shù)據(jù)和節(jié)能策略進(jìn)行模擬匹配，為云計算數(shù)據(jù)中心選擇合適的節(jié)能策略，對輸入樣本(即負(fù)載能耗數(shù)據(jù))進(jìn)行過濾，排除無需進(jìn)行節(jié)能規(guī)劃的輸入數(shù)據(jù)，減少模型輸入樣本空間規(guī)模，提高數(shù)據(jù)中心的在線節(jié)能控制效率。
【專利說明】一種云計算數(shù)據(jù)中心的在線節(jié)能控制方法及裝置
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及通信領(lǐng)域，具體涉及一種云計算數(shù)據(jù)中心的在線節(jié)能控制方法及裝置。
【背景技術(shù)】
[0002]云計算是互聯(lián)網(wǎng)時代信息基礎(chǔ)設(shè)施與應(yīng)用服務(wù)模式的重要形態(tài)，是新一代信息技術(shù)集約化發(fā)展的趨勢。數(shù)據(jù)中心是云計算的基礎(chǔ)，目前我國云數(shù)據(jù)中心一般采用服務(wù)器、存儲、網(wǎng)絡(luò)設(shè)備，輔以虛擬化軟件、管理軟件和操作系統(tǒng)、應(yīng)用軟件的建設(shè)方式。平均來講，我國現(xiàn)有技術(shù)能夠管理和調(diào)度的資源規(guī)模比Google小10倍以上，大規(guī)模數(shù)據(jù)處理能力差100倍以上。造成上述差距的一個重要原因是Google在數(shù)據(jù)中心節(jié)能技術(shù)方面進(jìn)行了大量研究，其數(shù)據(jù)中心PUE (power usage effectiveness,能耗效率)已經(jīng)下降到到1.1,而國內(nèi)數(shù)據(jù)中心只能達(dá)到1.4-1.5，綜合能耗高于GOOgle40%以上。因此，迫切需要在數(shù)據(jù)中心節(jié)能降耗技術(shù)方面展開研究，解決云計算數(shù)據(jù)中心的瓶頸問題。
[0003]傳統(tǒng)數(shù)據(jù)中心節(jié)能管理采取預(yù)定義方式，在部署過程中確定控制策略，完全按照固定模式和流程運轉(zhuǎn)；如果調(diào)整預(yù)定義策略，需要管理員進(jìn)行重新配置。由于數(shù)據(jù)中心自身架構(gòu)的復(fù)雜性，加之運行應(yīng)用的多樣性，數(shù)據(jù)中心的溫度、能耗和負(fù)載等會發(fā)生較復(fù)雜的變化，固定模式的管理策略很難滿足數(shù)據(jù)中心在復(fù)雜環(huán)境下的持續(xù)可用性需求，而依靠人工進(jìn)行重新配置，隨著數(shù)據(jù)中心復(fù)雜度的提高及運行狀態(tài)的頻繁變化，效率低下，錯誤率也大大增加。另外，為滿足負(fù)載峰值的需求，當(dāng)前的數(shù)據(jù)中心通常會保留相當(dāng)比例的資源冗余，而實際中負(fù)載大多處于相對較低的水平。在這種情況下，大量硬件設(shè)備并未提供有效的性能輸出，但能耗卻未有降低。
[0004]監(jiān)控和采集系統(tǒng)關(guān)鍵資源的負(fù)載信息以及操作系統(tǒng)各關(guān)鍵資源管理子系統(tǒng)的運行狀態(tài)數(shù)據(jù)，借助神經(jīng)網(wǎng)絡(luò)對非線性、復(fù)雜系統(tǒng)運行過程及特征的有效分析和識別，建立性能、負(fù)載及能耗的仿真模型，能夠自動的產(chǎn)生適用的節(jié)能運行策略，指導(dǎo)系統(tǒng)節(jié)能主控程序調(diào)整和設(shè)置系統(tǒng)中各類設(shè)備的運行模式，以及以集中的方式在多臺設(shè)備間配置負(fù)載，最終實現(xiàn)在保證系統(tǒng)穩(wěn)定提供滿足應(yīng)用需求的性能的同時，有效地降低數(shù)據(jù)中心的能源消耗。
[0005]按照上述思路，已有方法使用BP (Back Propagation)算法和Hopf ield算法建立數(shù)據(jù)中心節(jié)能控制策略。然而，BP和Hopfield都屬于離線訓(xùn)練方法,在添加新的樣本時需要重新訓(xùn)練模型，無法滿足在線控制需求。自適應(yīng)神經(jīng)網(wǎng)絡(luò)(Adaptive Resonance Theory)可以對新的樣本數(shù)據(jù)進(jìn)行單獨訓(xùn)練，具有很強的在線適應(yīng)能力，但是采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行高效的數(shù)據(jù)中心節(jié)能控制仍然存在以下問題:
[0006]在數(shù)據(jù)中心上線初期，往往缺少節(jié)能控制的經(jīng)驗歷史數(shù)據(jù)，只能依靠少量的自定義策略，也就缺乏訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)樣本，導(dǎo)致數(shù)據(jù)中心無法進(jìn)行自適應(yīng)的節(jié)能控制。
[0007]由于表征數(shù)據(jù)中心資源、負(fù)載和運行狀態(tài)的特征參數(shù)類別、數(shù)量眾多，導(dǎo)致樣本空間巨大，在非線性關(guān)系的復(fù)雜情況下即使是收斂效果較好的自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型也需要訓(xùn) 練很長時間。

【發(fā)明內(nèi)容】

[0008]本發(fā)明需要解決的技術(shù)問題是提供一種云計算數(shù)據(jù)中心的在線節(jié)能控制方法及裝置，基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型，為云計算數(shù)據(jù)中心選擇合適的節(jié)能策略，減少模型輸入樣本空間規(guī)模，提高數(shù)據(jù)中心的在線節(jié)能控制效率。
[0009]為了解決上述技術(shù)問題，本發(fā)明提供了一種云計算數(shù)據(jù)中心的在線節(jié)能控制，包括:
[0010]監(jiān)控和采集云計算數(shù)據(jù)中心內(nèi)各節(jié)點的負(fù)載能耗數(shù)據(jù)；
[0011]按照預(yù)設(shè)的性能約束條件對所述負(fù)載能耗數(shù)據(jù)過濾，將過濾后的數(shù)據(jù)作為自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型的輸入樣本；
[0012]根據(jù)所述輸入樣本采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型產(chǎn)生節(jié)能策略，并按照所述節(jié)能策略對各節(jié)點執(zhí)行節(jié)能控制操作。
[0013]進(jìn)一步地，所述按照預(yù)設(shè)的性能約束條件對所述負(fù)載能耗數(shù)據(jù)過濾，包括:
[0014]將所述負(fù)載能耗數(shù)據(jù)中能耗低于預(yù)設(shè)能耗閾值且實際性能高于預(yù)設(shè)性能指標(biāo)，和/或，能耗高于預(yù)設(shè)能耗閾值且實際性能低于預(yù)設(shè)性能指標(biāo)的負(fù)載能耗數(shù)據(jù)過濾掉。
[0015]進(jìn)一步地，在所述根據(jù)所述輸入樣本采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型產(chǎn)生節(jié)能策略之前，還包括:
[0016]判斷所述自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型是否已經(jīng)收斂，如果沒有收斂，則根據(jù)所述各節(jié)點的負(fù)載能耗數(shù)據(jù)采用規(guī)劃型算法模型搜索出近似最優(yōu)的節(jié)能策略，并以所述近似最優(yōu)的節(jié)能策略作為策略樣本對自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，建立自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型；如果收斂，則采用當(dāng)前的自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型生成節(jié)能策略。
[0017]進(jìn)一步地，所述根據(jù)所述各節(jié)點的負(fù)載能耗數(shù)據(jù)采用規(guī)劃型算法模型搜索出近似最優(yōu)的節(jié)能策略，包括:
[0018]將所述各節(jié)點的負(fù)載能耗數(shù)據(jù)中能耗低于預(yù)設(shè)能耗閾值且實際性能高于預(yù)設(shè)性能指標(biāo)、或者，能耗高于預(yù)設(shè)能耗閾值且實際性能低于預(yù)設(shè)性能指標(biāo)的負(fù)載能耗數(shù)據(jù)過濾掉，將過濾后的數(shù)據(jù)作為所述規(guī)劃型算法模型的輸入樣本，搜索出近似最優(yōu)的節(jié)能策略。
[0019]進(jìn)一步地，所述以所述近似最優(yōu)的節(jié)能策略作為樣本對自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，還包括:
[0020]將所述近似最優(yōu)的節(jié)能策略采用粗粒度的模式分類后，作為策略樣本對自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。
[0021]進(jìn)一步地，所述方法還包括:對所述節(jié)能策略采用啟發(fā)式貪心算法生成最終的節(jié)能策略，具體包括:
[0022]將每一個節(jié)點組中的節(jié)點按照資源利用率從小到大排序；
[0023]針對排序后的節(jié)點，依次設(shè)定關(guān)機策略，直到滿足所述節(jié)能策略中包括的關(guān)機節(jié)點數(shù)量；和/或，依次設(shè)定降頻策略，直到滿足所述節(jié)能策略中的降頻節(jié)點數(shù)量。
[0024]為了解決上述技術(shù)問題，本發(fā)明還提供了一種云計算數(shù)據(jù)中心的在線節(jié)能控制裝置，包括:
[0025]數(shù)據(jù)采集模塊，用于監(jiān)控和采集云計算數(shù)據(jù)中心內(nèi)各節(jié)點的負(fù)載能耗數(shù)據(jù)；[0026]過濾模塊，用于按照預(yù)設(shè)的性能約束條件對所述負(fù)載能耗數(shù)據(jù)過濾，將過濾后的數(shù)據(jù)作為自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型的輸入樣本；
[0027]策略產(chǎn)生模塊，用于根據(jù)所述輸入樣本采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型產(chǎn)生節(jié)能策略；
[0028]執(zhí)行模塊，用于按照所述節(jié)能策略對各節(jié)點執(zhí)行節(jié)能控制操作。
[0029]進(jìn)一步地，所述過濾模塊，用于按照預(yù)設(shè)的性能約束條件對所述負(fù)載能耗數(shù)據(jù)過濾，包括:
[0030]將所述負(fù)載能耗數(shù)據(jù)中能耗低于預(yù)設(shè)能耗閾值且實際性能高于預(yù)設(shè)性能指標(biāo)，和/或，能耗高于預(yù)設(shè)能耗閾值且實際性能低于預(yù)設(shè)性能指標(biāo)的負(fù)載能耗數(shù)據(jù)過濾掉。
[0031]進(jìn)一步地，該裝置還包括與所述策略產(chǎn)生模塊相連的自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型建立模塊，用于在策略產(chǎn)生模塊所述根據(jù)所述輸入樣本采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型產(chǎn)生節(jié)能策略之前，判斷所述自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型是否已經(jīng)收斂，如果沒有收斂，則根據(jù)所述各節(jié)點的負(fù)載能耗數(shù)據(jù)采用規(guī)劃型算法模型搜索出近似最優(yōu)的節(jié)能策略，并以所述近似最優(yōu)的節(jié)能策略作為策略樣本對自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，建立自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型；如果收斂，則通知所述策略產(chǎn)生模塊采用當(dāng)前的自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型生成節(jié)能策略。
[0032]進(jìn)一步地，所述自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型建立模塊，用于根據(jù)所述各節(jié)點的負(fù)載能耗數(shù)據(jù)采用規(guī)劃型算法模型搜索出近似最優(yōu)的節(jié)能策略，包括:
[0033]將所述各節(jié)點的負(fù)載能耗數(shù)據(jù)中能耗低于預(yù)設(shè)能耗閾值且實際性能高于預(yù)設(shè)性能指標(biāo)、或者，能耗高于預(yù)設(shè)能耗閾值且實際性能低于預(yù)設(shè)性能指標(biāo)的負(fù)載能耗數(shù)據(jù)過濾掉，將過濾后的數(shù)據(jù)作為所述規(guī)劃型算法模型的輸入樣本，搜索出近似最優(yōu)的節(jié)能策略。
[0034]進(jìn)一步地，所述自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型建立模塊，用于以所述近似最優(yōu)的節(jié)能策略作為樣本對自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，還包括:
[0035]將所述近似最優(yōu)的節(jié)能策略采用粗粒度的模式分類后，作為策略樣本對自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。
[0036]進(jìn)一步地，所述策略產(chǎn)生模塊，還用于對所述節(jié)能策略采用啟發(fā)式貪心算法生成最終的節(jié)能策略，具體包括:
[0037]將每一個節(jié)點組中的節(jié)點按照資源利用率從小到大排序；
[0038]針對排序后的節(jié)點，依次設(shè)定關(guān)機策略，直到滿足所述節(jié)能策略中包括的關(guān)機節(jié)點數(shù)量；和/或，依次設(shè)定降頻策略，直到滿足所述節(jié)能策略中的降頻節(jié)點數(shù)量。
[0039]與現(xiàn)有技術(shù)相比，本發(fā)明提供的云計算數(shù)據(jù)中心的在線節(jié)能控制方法及裝置，基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型對節(jié)點的負(fù)載能耗數(shù)據(jù)和節(jié)能策略進(jìn)行模擬匹配，為云計算數(shù)據(jù)中心選擇合適的節(jié)能策略，減少模型輸入樣本空間規(guī)模，提高數(shù)據(jù)中心的在線節(jié)能控制效率；此外，對輸入樣本(即負(fù)載能耗數(shù)據(jù))進(jìn)行過濾，排除無需進(jìn)行節(jié)能規(guī)劃的輸入數(shù)據(jù)，進(jìn)一步對輸出樣本(即節(jié)能策略)采用粗粒度的聚類模式，減少輸出策略樣本空間，降低模型訓(xùn)練所需樣本數(shù)量，加快模型收斂速度；并進(jìn)一步采用啟發(fā)式貪心算法對模型輸出的策略進(jìn)一步規(guī)劃，產(chǎn)生最終策略，在減少模式訓(xùn)練所需樣本、加快模型收斂速度的同時不影響在線節(jié)能控制效率。而且，采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)算法和優(yōu)化搜索算法結(jié)合的方式，在模型收斂前，采用模擬退火方法搜索近似最優(yōu)的節(jié)能策略，并以此為樣本對核心模塊的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，解決制約現(xiàn)有的云數(shù)據(jù)中心在線節(jié)能控制的缺乏訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的策略樣本、導(dǎo)致數(shù)據(jù)中心無法進(jìn)行自適應(yīng)的節(jié)能控制的問題?！緦＠綀D】

【附圖說明】
[0040]圖1是實施例中的云計算數(shù)據(jù)中心的在線節(jié)能控制方法流程圖；
[0041]圖2是實施例中采用模擬退火算法模型來求得訓(xùn)練自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型的策略樣本的流程圖；
[0042]圖3是實施例中自適應(yīng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖；
[0043]圖4是一個應(yīng)用示例中中云計算數(shù)據(jù)中心的在線節(jié)能控制方法流程圖；
[0044]圖5是實施例中負(fù)載樣本二維空間示意圖；
[0045]圖6是一個應(yīng)用示例中中云計算數(shù)據(jù)中心的在線節(jié)能控制方法流程圖。
【具體實施方式】
[0046]為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚明白，下文中將結(jié)合附圖對本發(fā)明的實施例進(jìn)行詳細(xì)說明。需要說明的是，在不沖突的情況下，本申請中的實施例及實施例中的特征可以相互任意組合。
[0047]實施例:
[0048]如圖1所示，本實施例提供了一種云計算數(shù)據(jù)中心的在線節(jié)能控制方法，包括:
[0049]SlOl:監(jiān)控和采集云計算數(shù)據(jù)中心內(nèi)各節(jié)點的負(fù)載能耗數(shù)據(jù)；
[0050]其中，負(fù)載能耗數(shù)據(jù)包括:數(shù)據(jù)中心監(jiān)控系統(tǒng)定時采樣的各節(jié)點的負(fù)載(CPU、內(nèi)存、網(wǎng)絡(luò)、磁盤的利用率)、性能約束條件、以及能耗控制目標(biāo)。
[0051]S102:按照預(yù)設(shè)的性能約束條件對所述負(fù)載能耗數(shù)據(jù)過濾，將過濾后的數(shù)據(jù)作為自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型的輸入樣本；
[0052]其中，所述按照預(yù)設(shè)的性能約束條件對所述負(fù)載能耗數(shù)據(jù)過濾，包括:
[0053]將所述負(fù)載能耗數(shù)據(jù)中能耗低于預(yù)設(shè)能耗閾值且實際性能高于預(yù)設(shè)性能指標(biāo)，或者，能耗高于預(yù)設(shè)能耗閾值且實際性能低于預(yù)設(shè)性能指標(biāo)的負(fù)載能耗數(shù)據(jù)過濾掉。
[0054]S103:根據(jù)所述輸入樣本采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型產(chǎn)生節(jié)能策略；
[0055]S104:并按照所述節(jié)能策略對各節(jié)點執(zhí)行節(jié)能控制操作。
[0056]其中，在步驟S103之前，還包括以下步驟:
[0057]判斷所述自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型是否已經(jīng)收斂，如果沒有收斂，則根據(jù)所述各節(jié)點的負(fù)載能耗數(shù)據(jù)采用規(guī)劃型算法模型搜索出近似最優(yōu)的節(jié)能策略，并以所述節(jié)能策略作為策略樣本對自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，建立自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型；如果收斂，則采用當(dāng)前的自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型生成節(jié)能策略。
[0058]這里，規(guī)劃型算法模型包括:模擬退火算法、蟻群算法以及貪心算法等等，采用這些規(guī)劃型算法模型搜索出近似最優(yōu)的節(jié)能策略，是指求得并非最優(yōu)但實際可行且效果較為令人滿意的節(jié)能策略。
[0059]優(yōu)選地，還可以進(jìn)一步對規(guī)劃型算法模型的輸入數(shù)據(jù)，即各節(jié)點的負(fù)載能耗數(shù)據(jù)，進(jìn)一步進(jìn)行過濾，具體包括:將所述各節(jié)點的負(fù)載能耗數(shù)據(jù)中能耗低于預(yù)設(shè)能耗閾值且實際性能高于預(yù)設(shè)性能指標(biāo)、或者，能耗高于預(yù)設(shè)能耗閾值且實際性能低于預(yù)設(shè)性能指標(biāo)的負(fù)載能耗數(shù)據(jù)過濾掉，將過濾后的數(shù)據(jù)作為規(guī)劃型算法模型的輸入樣本，搜索出近似最優(yōu)的節(jié)能策略。[0060]由于現(xiàn)有的自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型在進(jìn)行高效的數(shù)據(jù)中心節(jié)能控制仍然存在:在數(shù)據(jù)中心上線初期，往往缺少節(jié)能控制的經(jīng)驗歷史數(shù)據(jù)，只能依靠少量的自定義策略，也就缺乏訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)樣本的問題，作為一個優(yōu)選的方式，可以采用模擬退火算法模型來求得訓(xùn)練自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型的輸出策略樣本空間，如圖2所示，求得策略樣本的過程具體包括:
[0061]S201:輸入負(fù)載能耗數(shù)據(jù)；
[0062]S202:設(shè)定溫度T，最大迭代次數(shù)L，降溫控制迭代次數(shù)L'，構(gòu)造初始節(jié)能策略x。，進(jìn)入退火迭代過程；
[0063]S203:判斷是否達(dá)到最大迭代次數(shù)，如果達(dá)到，則輸出節(jié)能策略；若沒有達(dá)到，執(zhí)行步驟S204，進(jìn)入內(nèi)循環(huán)迭代搜索；
[0064]S204:判度是否達(dá)到降溫迭代控制次數(shù)，如果達(dá)到，則記錄本次節(jié)能策略為最優(yōu)節(jié)能策略，進(jìn)行降溫控制，并返回步驟S203，重新判斷是否達(dá)到最大迭代次數(shù)，如果達(dá)到，則輸出該最優(yōu)節(jié)能策略；如果沒有達(dá)到，則繼續(xù)迭代搜索，執(zhí)行步驟S205 ；
[0065]S205:調(diào)整節(jié)能策略，具體為:比較新產(chǎn)生的節(jié)能策略的節(jié)約能耗與當(dāng)前最優(yōu)節(jié)能策略的節(jié)約能耗，若新產(chǎn)生的節(jié)能策略的節(jié)能效果更優(yōu)，即，節(jié)約能耗大于當(dāng)前最優(yōu)節(jié)能策略，則將該新產(chǎn)生的節(jié)能策略作為當(dāng)前最優(yōu)節(jié)能策略，執(zhí)行步驟S207 ;否則，執(zhí)行步驟S206 ；
[0066]S206:判斷是否/w〃而W(0J丨>e —,如果大于則接受新產(chǎn)生的節(jié)能策略作為當(dāng)前
最優(yōu)節(jié)能策略，其中，AU為新產(chǎn)生的節(jié)能策略的節(jié)約能耗與當(dāng)前最優(yōu)節(jié)能策略的節(jié)約能耗的差值，T為設(shè)定溫度；否則執(zhí)行步驟S207 ；
[0067]以一定概率接受新產(chǎn)生的節(jié)能策略作為當(dāng)前最優(yōu)節(jié)能策略，如果以避免算法陷入局部最優(yōu)解。
[0068]S207:迭代計數(shù)，返回步驟S204，當(dāng)?shù)嫈?shù)的值達(dá)到降溫控制迭代次數(shù)后，進(jìn)而重新判斷是否達(dá)到最大迭代次數(shù)，如果達(dá)到，則輸出該最優(yōu)節(jié)能策略。
[0069]通過該模擬退火算法模型來求得訓(xùn)練自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型的輸出策略樣本空間，以此策略樣本空間作為訓(xùn)練自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型，在缺乏訓(xùn)練樣本情況下，本發(fā)明實施例充分利用自適應(yīng)神經(jīng)網(wǎng)絡(luò)能夠在線訓(xùn)練的特點，結(jié)合優(yōu)化搜索算法，在神經(jīng)網(wǎng)絡(luò)模型收斂前由搜索算法產(chǎn)生節(jié)能策略進(jìn)行節(jié)能實施，并形成新樣本進(jìn)行在線訓(xùn)練，從而解決了現(xiàn)有自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型在數(shù)據(jù)中心上線初期，缺少節(jié)能控制的經(jīng)驗歷史數(shù)據(jù)，缺乏訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的策略樣本的問題。
[0070]此外，優(yōu)選地，以所述近似最優(yōu)的節(jié)能策略作為樣本對自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，還包括:
[0071]將所述節(jié)能策略采用粗粒度的模式分類后，作為策略樣本對自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。
[0072]自適應(yīng)神經(jīng)網(wǎng)絡(luò)可以對新的樣本數(shù)據(jù)進(jìn)行單獨訓(xùn)練，具有很強的在線適應(yīng)能力，因此，自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型可以邊訓(xùn)練邊生成節(jié)能策略，如圖3所示，自適應(yīng)神經(jīng)網(wǎng)絡(luò)包括輸入層、計算層和輸出層，輸入層的每個結(jié)點代表一個輸入樣本，輸出層的每個結(jié)點代表一個模式，一個模式與一個節(jié)能策略對應(yīng)。[0073]在步驟S103中采用該自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型根據(jù)所述輸入樣本產(chǎn)生節(jié)能策略，具體包括以下步驟，同時也是自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的過程:
[0074]A、所述自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型在其輸入層接受所述輸入樣本，計算層根據(jù)權(quán)值系數(shù)計算輸入樣本所屬模式，并在其輸出層與所有已存儲的模式進(jìn)行匹配，獲取匹配度最高的模式，輸入樣本即為各個節(jié)點的負(fù)載能耗數(shù)據(jù)，模式對應(yīng)節(jié)能策略；
[0075]B、判斷所述輸入樣本所屬模式與所述匹配度最高的模式之間的相似度是否達(dá)到參考門限，如果達(dá)到，則將該匹配度最高的模式對應(yīng)的節(jié)能策略作為節(jié)能策略輸出，然后進(jìn)入學(xué)習(xí)階段D，否則進(jìn)入搜索階段C ；
[0076]C、所述搜索階段包括:利用模擬退火算法根據(jù)所述輸入樣本求得一個新的節(jié)能策略，在輸出層設(shè)置一個新的模式節(jié)點對應(yīng)該節(jié)能策略，同時建立與該模式相連的權(quán)值，用以建立該模式到該策略的映射。
[0077]D、所述學(xué)習(xí)階段包括:從所述相似度超過參考門限的所有匹配度最高的模式中選擇相似度最高的模式，并調(diào)整與該相似度最高的模式相關(guān)的權(quán)值，以使以后與所述輸入樣本相似的輸入樣本計算得到的所屬模式再與已存儲的該模式匹配時能得到更大的相似度。
[0078]在上述過程中，如果相似度超過參考門限，則該自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型根據(jù)所述輸入樣本產(chǎn)生節(jié)能策略就是匹配度最高的模式對應(yīng)的節(jié)能策略，在步驟D中，進(jìn)而對模型進(jìn)行訓(xùn)練，將相似度最高的模式調(diào)整權(quán)值后，作為模型的策略樣本；
[0079]如果相似度沒有超過參考門限，則該自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型根據(jù)所述輸入樣本產(chǎn)生節(jié)能策略就是步驟C中求得的新的節(jié)能策略，此外，在步驟C中進(jìn)一步對模型進(jìn)行訓(xùn)練，建立與該模式相連的權(quán)值，建立該模式到新策略的映射。
[0080]步驟S103中產(chǎn)生的節(jié)能策略中通常已經(jīng)指示了比如關(guān)閉幾個節(jié)點或者對幾個節(jié)點降頻，但并未具體指示如何或者對哪幾個節(jié)點關(guān)閉或降頻，因此，在步驟S103產(chǎn)生節(jié)能策略之后，還進(jìn)一步包括:對所述節(jié)能策略采用啟發(fā)式貪心算法生成最終的節(jié)能策略，具體包括:
[0081]將每一個節(jié)點組中的節(jié)點按照資源利用率從小到大排序；
[0082]針對排序后的節(jié)點，依次設(shè)定關(guān)機策略，直到滿足所述節(jié)能策略中包括的關(guān)機節(jié)點數(shù)量；和/或，依次設(shè)定降頻策略，直到滿足所述節(jié)能策略中的降頻節(jié)點數(shù)量。
[0083]通過上述過程就可以確定對哪幾個節(jié)點關(guān)機或降頻，例如，步驟103中產(chǎn)生的節(jié)能策略中包括對2個節(jié)點關(guān)機，則通過上述貪心算法，可以得到關(guān)閉資源利用率最小的兩個節(jié)點。
[0084]在一個應(yīng)用示例中，如圖4所示，提供了一種云計算數(shù)據(jù)中心的在線節(jié)能控制方法，包括以下步驟:
[0085]S401:輸入負(fù)載樣本；
[0086]其中，負(fù)載樣本(即負(fù)載能耗數(shù)據(jù))為數(shù)據(jù)中心監(jiān)控系統(tǒng)定時采樣的各節(jié)點的負(fù)載(CPU、內(nèi)存、網(wǎng)絡(luò)、磁盤的利用率)、性能約束條件、以及能耗控制目標(biāo)，最終輸出數(shù)據(jù)中心的節(jié)能策略，節(jié)能策略具體包括對某個節(jié)點降頻或關(guān)機。
[0087]S402:對負(fù)載樣本進(jìn)行濾波；
[0088]作為一種優(yōu)選的方式，將輸入的負(fù)載能耗數(shù)據(jù)建模為一個二維空間，如圖5所示，可將輸入數(shù)據(jù)采樣劃分為四個象限。過濾掉能耗低于預(yù)設(shè)能耗閾值且實際性能高于預(yù)設(shè)性能指標(biāo)，和/或，能耗高于預(yù)設(shè)能耗閾值且實際性能低于預(yù)設(shè)性能指標(biāo)的負(fù)載能耗數(shù)據(jù)，保留能耗高于預(yù)設(shè)能耗閾值且實際性能高于預(yù)設(shè)性能指標(biāo)和能耗低于預(yù)設(shè)能耗閾值且實際性能低于預(yù)設(shè)性能指標(biāo)的負(fù)載能耗數(shù)據(jù)進(jìn)行后續(xù)的策略輸出。
[0089]通過上述濾波算法，能夠最多過濾到50%的無效輸入負(fù)載樣本，減少了自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型輸出的策略數(shù)量，提高策略輸出的速度。
[0090]S403:判斷自適應(yīng)模型是否收斂，如果已經(jīng)收斂，則執(zhí)行步驟S404 ;否則，執(zhí)行步驟 S405 ；
[0091]其中，判斷自適應(yīng)模型是否收斂的方法就是上面步驟B中的過程:
[0092]判斷輸入樣本所屬模式與所述匹配度最高的模式之間的相似度是否達(dá)到參考門限，如果達(dá)到，則說明該自適應(yīng)模型已經(jīng)收斂，否則說明沒有收斂。
[0093]S404:采用當(dāng)前自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型輸出節(jié)能策略；
[0094]此處，與步驟S103中采用該自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型根據(jù)所述輸入樣本產(chǎn)生節(jié)能策略，同時也是自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的過程類似，此處不再贅述。
[0095]S405:采用模擬退火法輸出節(jié)能策略，并以該節(jié)能策略訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型；
[0096]此處，與圖5所示求得策略樣本的過程類似，此處不再贅述。其中，在采用模擬退火法輸出節(jié)能策略時，優(yōu)選地，還可以對模擬退火法的輸入樣本進(jìn)行濾波，將所述各節(jié)點的負(fù)載能耗數(shù)據(jù)中能耗低于預(yù)設(shè)能耗閾值且實際性能高于預(yù)設(shè)性能指標(biāo)、或者，能耗高于預(yù)設(shè)能耗閾值且實際性能低于預(yù)設(shè)性能指標(biāo)的負(fù)載能耗數(shù)據(jù)過濾掉，將過濾后的數(shù)據(jù)作為模擬退火算法模型的輸入樣本，搜索出近似最優(yōu)的節(jié)能策略。
[0097]通過上述濾波算法，能夠最多過濾到50%的無效輸入負(fù)載樣本，減少訓(xùn)練自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型需要的策略樣本空間，從而提高自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型的收斂速度。
[0098]S406:對該自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型的輸出策略采用粗粒度的模式輸出；
[0099]其中，在現(xiàn)有的自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型中，輸出的節(jié)能策略是針對每個節(jié)點而言的，所述節(jié)能策略包括:對某個節(jié)點采取關(guān)閉或降頻的操作，而本發(fā)明實施例中采用粗粒度的模式輸出是指:輸出的節(jié)能策略不再針對每個節(jié)點，而是針對節(jié)點組，其中，數(shù)據(jù)中心按照不同的節(jié)點類型將節(jié)點劃分為節(jié)點組，節(jié)點組由具有同構(gòu)結(jié)構(gòu)的節(jié)點組成，節(jié)能策略可能是對節(jié)點組中某些節(jié)點關(guān)閉或降頻，粗粒度的輸出模式為節(jié)點組1(包含:降頻節(jié)點數(shù)量，關(guān)閉節(jié)點數(shù)量)，節(jié)點組2(包含:降頻節(jié)點數(shù)量，關(guān)閉節(jié)點數(shù)量)，及其組合方式。
[0100]至此，該自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型收斂(建立完成);
[0101]S407:自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型建立完成后，給該神經(jīng)網(wǎng)絡(luò)模型輸入負(fù)載樣本，采用該自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型輸出節(jié)能策略；
[0102]S408:對輸出的策略進(jìn)一步采用啟發(fā)式貪心算法生成最終的節(jié)能策略；
[0103]由于采用了粗粒度模式的輸出節(jié)能策略，因此，節(jié)能策略是針對各個節(jié)點組的，還沒有細(xì)化到每個節(jié)點，因此，進(jìn)一步采用啟發(fā)式貪心算法對模型輸出的策略進(jìn)一步規(guī)劃，產(chǎn)生最終策略到每個節(jié)點關(guān)閉還是降頻，在減少模式訓(xùn)練所需樣本、加快模型收斂速度的同時不影響在線節(jié)能控制效率，如圖6所示，采用啟發(fā)式貪心算法生成最終的節(jié)能策略，具體包括:
[0104]首先，將每一個節(jié)點組中的節(jié)點按照資源利用率從小到大排序；
[0105]然后，針對排序后的節(jié)點，依次設(shè)定關(guān)機策略，直到滿足所述節(jié)能策略中包括的關(guān)機節(jié)點數(shù)量；和/或，依次設(shè)定降頻策略，直到滿足所述節(jié)能策略中的降頻節(jié)點數(shù)量。
[0106]通過貪心算法最終確定具體對哪些節(jié)點采用關(guān)機策略，對哪些節(jié)點采用降頻策略。
[0107]S409:按照所述節(jié)能策略對各節(jié)點執(zhí)行節(jié)能控制操作。
[0108]在一個應(yīng)用示例中，如圖6所示，還提供了一種云計算數(shù)據(jù)中心的在線節(jié)能策略生成方法，包括:
[0109]S601:輸入負(fù)載樣本；
[0110]S602:計算輸入樣本所屬模式，并在輸出層與所有已存儲的模式進(jìn)行匹配，獲取匹配度最高的模式；
[0111]S603:判斷所述輸入樣本所屬模式與所述匹配度最高的模式之間的相似度是否達(dá)到參考門限，如果達(dá)到則執(zhí)行步驟S604，否則執(zhí)行步驟S605 ；
[0112]S604:進(jìn)入學(xué)習(xí)階段，對所述相似度超過參考門限的所有模式，從中選擇相似度最高的模式，并調(diào)整與該模式相關(guān)的權(quán)值，將該模式存儲，以使以后與所述輸入樣本相似的輸入樣本計算得到的所屬模式再與已存儲的該模式匹配時能得到更大的相似度；
[0113]S605:利用模擬退火算法根據(jù)所述輸入樣本求得一個新的節(jié)能策略；
[0114]S606:輸出節(jié)能策略。
[0115]根據(jù)該節(jié)能策略可以對各節(jié)點執(zhí)行節(jié)能控制操作。
[0116]本實施例還提供了一種云計算數(shù)據(jù)中心的在線節(jié)能控制裝置，包括:
[0117]數(shù)據(jù)采集模塊，用于監(jiān)控和采集云計算數(shù)據(jù)中心內(nèi)各節(jié)點的負(fù)載能耗數(shù)據(jù)；
[0118]過濾模塊，用于按照預(yù)設(shè)的性能約束條件對所述負(fù)載能耗數(shù)據(jù)過濾，將過濾后的數(shù)據(jù)作為自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型的輸入樣本；
[0119]策略產(chǎn)生模塊，用于根據(jù)所述輸入樣本采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型產(chǎn)生節(jié)能策略；
[0120]執(zhí)行模塊，用于按照所述節(jié)能策略對各節(jié)點執(zhí)行節(jié)能控制操作。
[0121]其中，所述過濾模塊，用于按照預(yù)設(shè)的性能約束條件對所述負(fù)載能耗數(shù)據(jù)過濾，包括:
[0122]將所述負(fù)載能耗數(shù)據(jù)中能耗低于預(yù)設(shè)能耗閾值且實際性能高于預(yù)設(shè)性能指標(biāo)，和/或，能耗高于預(yù)設(shè)能耗閾值且實際性能低于預(yù)設(shè)性能指標(biāo)的負(fù)載能耗數(shù)據(jù)過濾掉。
[0123]其中，該裝置還包括與所述策略產(chǎn)生模塊相連的自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型建立模塊，用于在策略產(chǎn)生模塊所述根據(jù)所述輸入樣本采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型產(chǎn)生節(jié)能策略之前，判斷所述自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型是否已經(jīng)收斂，如果沒有收斂，則根據(jù)所述各節(jié)點的負(fù)載能耗數(shù)據(jù)采用規(guī)劃型算法模型搜索出近似最優(yōu)的節(jié)能策略，并以所述近似最優(yōu)的節(jié)能策略作為策略樣本對自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，建立自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型；如果收斂，則通知所述策略產(chǎn)生模塊采用當(dāng)前的自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型生成節(jié)能策略。
[0124]優(yōu)選地，所述自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型建立模塊，用于根據(jù)所述各節(jié)點的負(fù)載能耗數(shù)據(jù)采用規(guī)劃型算法模型搜索出近似最優(yōu)的節(jié)能策略，包括:
[0125]將所述各節(jié)點的負(fù)載能耗數(shù)據(jù)中能耗低于預(yù)設(shè)能耗閾值且實際性能高于預(yù)設(shè)性能指標(biāo)、或者，能耗高于預(yù)設(shè)能耗閾值且實際性能低于預(yù)設(shè)性能指標(biāo)的負(fù)載能耗數(shù)據(jù)過濾掉，將過濾后的數(shù)據(jù)作為所述規(guī)劃型算法模型的輸入樣本，搜索出近似最優(yōu)的節(jié)能策略。
[0126]優(yōu)選地，所述自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型建立模塊，用于以所述近似最優(yōu)的節(jié)能策略作為樣本對自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，還包括:
[0127]將所述近似最優(yōu)的節(jié)能策略采用粗粒度的模式分類后，作為策略樣本對自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。
[0128]優(yōu)選地，所述策略產(chǎn)生模塊，還用于對所述節(jié)能策略采用啟發(fā)式貪心算法生成最終的節(jié)能策略，具體包括:
[0129]將每一個節(jié)點組中的節(jié)點按照資源利用率從小到大排序；
[0130]針對排序后的節(jié)點，依次設(shè)定關(guān)機策略，直到滿足所述節(jié)能策略中包括的關(guān)機節(jié)點數(shù)量；和/或，依次設(shè)定降頻策略，直到滿足所述節(jié)能策略中的降頻節(jié)點數(shù)量。
[0131]從上述實施例可以看出，相對于現(xiàn)有技術(shù)，上述實施例中提供的云計算數(shù)據(jù)中心的在線節(jié)能控制方法及裝置，基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型對節(jié)點的負(fù)載能耗數(shù)據(jù)和節(jié)能策略進(jìn)行模擬匹配，為云計算數(shù)據(jù)中心選擇合適的節(jié)能策略，減少模型輸入樣本空間規(guī)模，提高數(shù)據(jù)中心的在線節(jié)能控制效率；
[0132]此外，對輸入樣本(及負(fù)載能耗數(shù)據(jù))進(jìn)行過濾，排除無需進(jìn)行節(jié)能規(guī)劃的輸入數(shù)據(jù)，進(jìn)一步對輸出樣本(及節(jié)能策略)采用粗粒度的聚類模式，減少輸出策略樣本空間，降低模型訓(xùn)練所需樣本數(shù)量，加快模型收斂速度；
[0133]并進(jìn)一步采用啟發(fā)式貪心算法對模型輸出的策略進(jìn)一步規(guī)劃，產(chǎn)生最終策略，在減少模式訓(xùn)練所需樣本、加快模型收斂速度的同時不影響在線節(jié)能控制效率。
[0134]而且，采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)算法和優(yōu)化搜索算法結(jié)合的方式，在模型收斂前，采用模擬退火方法搜索近似最優(yōu)的節(jié)能策略，并以此為樣本對核心模塊的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，解決制約現(xiàn)有的云數(shù)據(jù)中心在線節(jié)能控制的缺乏訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的策略樣本、導(dǎo)致數(shù)據(jù)中心無法進(jìn)行自適應(yīng)的節(jié)能控制的問題。
[0135]本領(lǐng)域普通技術(shù)人員可以理解上述方法中的全部或部分步驟可通過程序來指令相關(guān)硬件完成，所述程序可以存儲于計算機可讀存儲介質(zhì)中，如只讀存儲器、磁盤或光盤等。可選地，上述實施例的全部或部分步驟也可以使用一個或多個集成電路來實現(xiàn)。相應(yīng)地，上述實施例中的各模塊/單元可以采用硬件的形式實現(xiàn)，也可以采用軟件功能模塊的形式實現(xiàn)。本發(fā)明不限制于任何特定形式的硬件和軟件的結(jié)合。
[0136]以上所述僅為本發(fā)明的優(yōu)選實施例而已，并非用于限定本發(fā)明的保護(hù)范圍。根據(jù)本發(fā)明的
【發(fā)明內(nèi)容】
，還可有其他多種實施例，在不背離本發(fā)明精神及其實質(zhì)的情況下，熟悉本領(lǐng)域的技術(shù)人員當(dāng)可根據(jù)本發(fā)明作出各種相應(yīng)的改變和變形，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
【權(quán)利要求】
1.一種云計算數(shù)據(jù)中心的在線節(jié)能控制方法，包括: 監(jiān)控和采集云計算數(shù)據(jù)中心內(nèi)各節(jié)點的負(fù)載能耗數(shù)據(jù)； 按照預(yù)設(shè)的性能約束條件對所述負(fù)載能耗數(shù)據(jù)過濾，將過濾后的數(shù)據(jù)作為自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型的輸入樣本； 根據(jù)所述輸入樣本采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型產(chǎn)生節(jié)能策略，并按照所述節(jié)能策略對各節(jié)點執(zhí)行節(jié)能控制操作。
2.如權(quán)利要求1所述的方法，其特征在于: 所述按照預(yù)設(shè)的性能約束條件對所述負(fù)載能耗數(shù)據(jù)過濾，包括: 將所述負(fù)載能耗數(shù)據(jù)中能耗低于預(yù)設(shè)能耗閾值且實際性能高于預(yù)設(shè)性能指標(biāo)，和/或，能耗高于預(yù)設(shè)能耗閾值且實際性能低于預(yù)設(shè)性能指標(biāo)的負(fù)載能耗數(shù)據(jù)過濾掉。
3.如權(quán)利要求1所述的方法，其特征在于:在所述根據(jù)所述輸入樣本采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型產(chǎn)生節(jié)能策略之前，還包括: 判斷所述自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型是否已經(jīng)收斂，如果沒有收斂，則根據(jù)所述各節(jié)點的負(fù)載能耗數(shù)據(jù)采用規(guī)劃型算法模型搜索出近似最優(yōu)的節(jié)能策略，并以所述近似最優(yōu)的節(jié)能策略作為策略樣本對自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，建立自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型；如果收斂，則采用當(dāng)前的自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型生成節(jié)能策略。
4.如權(quán)利要求3所述的方法，其特征在于: 所述根據(jù)所述各節(jié)點的負(fù)載能耗數(shù)據(jù)采用規(guī)劃型算法模型搜索出近似最優(yōu)的節(jié)能策略，包括:
將所述各節(jié)點的負(fù)載能耗數(shù)據(jù)中能耗低于預(yù)設(shè)能耗閾值且實際性能高于預(yù)設(shè)性能指標(biāo)、或者，能耗高于預(yù)設(shè)能耗閾值且實際性能低于預(yù)設(shè)性能指標(biāo)的負(fù)載能耗數(shù)據(jù)過濾掉，將過濾后的數(shù)據(jù)作為所述規(guī)劃型算法模型的輸入樣本，搜索出近似最優(yōu)的節(jié)能策略。
5.如權(quán)利要求4所述的方法，其特征在于: 所述以所述近似最優(yōu)的節(jié)能策略作為樣本對自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，還包括:將所述近似最優(yōu)的節(jié)能策略采用粗粒度的模式分類后，作為策略樣本對自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。
6.如權(quán)利要求1至5任一項權(quán)利要求所述的方法，其特征在于: 所述方法還包括:對所述節(jié)能策略采用啟發(fā)式貪心算法生成最終的節(jié)能策略，具體包括: 將每一個節(jié)點組中的節(jié)點按照資源利用率從小到大排序； 針對排序后的節(jié)點，依次設(shè)定關(guān)機策略，直到滿足所述節(jié)能策略中包括的關(guān)機節(jié)點數(shù)量；和/或，依次設(shè)定降頻策略，直到滿足所述節(jié)能策略中的降頻節(jié)點數(shù)量。
7.—種云計算數(shù)據(jù)中心的在線節(jié)能控制裝置，包括: 數(shù)據(jù)采集模塊，用于監(jiān)控和采集云計算數(shù)據(jù)中心內(nèi)各節(jié)點的負(fù)載能耗數(shù)據(jù)； 過濾模塊，用于按照預(yù)設(shè)的性能約束條件對所述負(fù)載能耗數(shù)據(jù)過濾，將過濾后的數(shù)據(jù)作為自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型的輸入樣本； 策略產(chǎn)生模塊，用于根據(jù)所述輸入樣本采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型產(chǎn)生節(jié)能策略； 執(zhí)行模塊，用于按照所述節(jié)能策略對各節(jié)點執(zhí)行節(jié)能控制操作。
8.如權(quán)利要求7所述的裝置，其特征在于:所述過濾模塊，用于按照預(yù)設(shè)的性能約束條件對所述負(fù)載能耗數(shù)據(jù)過濾，包括: 將所述負(fù)載能耗數(shù)據(jù)中能耗低于預(yù)設(shè)能耗閾值且實際性能高于預(yù)設(shè)性能指標(biāo)，和/或，能耗高于預(yù)設(shè)能耗閾值且實際性能低于預(yù)設(shè)性能指標(biāo)的負(fù)載能耗數(shù)據(jù)過濾掉。
9.如權(quán)利要求7所述的裝置，其特征在于:還包括與所述策略產(chǎn)生模塊相連的自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型建立模塊，用于在策略產(chǎn)生模塊所述根據(jù)所述輸入樣本采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型產(chǎn)生節(jié)能策略之前，判斷所述自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型是否已經(jīng)收斂，如果沒有收斂，則根據(jù)所述各節(jié)點的負(fù)載能耗數(shù)據(jù)采用規(guī)劃型算法模型搜索出近似最優(yōu)的節(jié)能策略，并以所述近似最優(yōu)的節(jié)能策略作為策略樣本對自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，建立自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型；如果收斂，則通知所述策略產(chǎn)生模塊采用當(dāng)前的自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型生成節(jié)能策略。
10.如權(quán)利要求9所述的裝置，其特征在于: 所述自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型建立模塊，用于根據(jù)所述各節(jié)點的負(fù)載能耗數(shù)據(jù)采用規(guī)劃型算法模型搜索出近似最優(yōu)的節(jié)能策略，包括: 將所述各節(jié)點的負(fù)載能耗數(shù)據(jù)中能耗低于預(yù)設(shè)能耗閾值且實際性能高于預(yù)設(shè)性能指標(biāo)、或者，能耗高于預(yù)設(shè)能耗閾值且實際性能低于預(yù)設(shè)性能指標(biāo)的負(fù)載能耗數(shù)據(jù)過濾掉，將過濾后的數(shù)據(jù)作為所述規(guī)劃型算法模型的輸入樣本，搜索出近似最優(yōu)的節(jié)能策略。
11.如權(quán)利要求10所述的裝置，其特征在于: 所述自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型建立模塊，用于以所述近似最優(yōu)的節(jié)能策略作為樣本對自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，還包括: 將所述近似最優(yōu)的節(jié)能策略 采用粗粒度的模式分類后，作為策略樣本對自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。
12.如權(quán)利要求7至11任一項權(quán)利要求所述的裝置，其特征在于: 所述策略產(chǎn)生模塊，還用于對所述節(jié)能策略采用啟發(fā)式貪心算法生成最終的節(jié)能策略，具體包括: 將每一個節(jié)點組中的節(jié)點按照資源利用率從小到大排序； 針對排序后的節(jié)點，依次設(shè)定關(guān)機策略，直到滿足所述節(jié)能策略中包括的關(guān)機節(jié)點數(shù)量；和/或，依次設(shè)定降頻策略，直到滿足所述節(jié)能策略中的降頻節(jié)點數(shù)量。
【文檔編號】H04L29/08GK103428282SQ201310339585
【公開日】2013年12月4日 申請日期:2013年8月6日 優(yōu)先權(quán)日:2013年8月6日
【發(fā)明者】亓開元, 劉俊朋, 劉正偉, 張東 申請人:浪潮(北京)電子信息產(chǎn)業(yè)有限公司