【技术实现步骤摘要】
本专利技术涉及能耗预测，尤其涉及一种多级能耗预测方法、装置、设备及存储介质。
技术介绍
1、在信息化时代，每天需要计算海量的数据，对算力的巨大需求促进了数据中心的形成和发展。数据中心是由成千上万的服务器通过网络互联形成的，能够提供集中的计算和存储能力交付。对于规模如此巨大的数据中心，能耗是组成其运行成本的重要部分（可占40%以上）。但是现有技术在计算数据中心能耗时，只是将虚拟机的运行状态分为计算密集型和i/o密集型，并以此建立不同的能耗评估模型，现有技术在计算能耗时只考虑了能耗与cpu运行状态、磁盘读写字节数、内存读写字节数的关系，而不能考虑能耗与负载的关系，因此，现有的能耗预测方法不够全面，不能充分展现数据中心能耗、性能和负载之间的依赖关系。
技术实现思路
1、本专利技术实施例的目的是提供一种多级能耗预测方法、装置、设备及存储介质，在对数据中心进行能耗预测时，能够综合考虑服务器当前的负载情况及各项性能指标，从而能够更加全面、客观、高效地进行能耗预测。
2、为实现上述目的，本专利技术实施例提供了一种级能耗预测方法，包括：
3、采集服务器的负载特征参数和性能特征参数；
4、根据所述服务器的cpu满载核心数选择能耗模型的参数，以确定目标能耗模型；
5、将所述负载特征参数和所述性能特征参数输入所述目标能耗模型，计算出所述服务器在下一时间段内的能耗预测值。
6、作为上述方案的改进，所述能耗模型，满足以下公式：
7、p>
8、
9、其中，表示服务器在预设时间段内的能耗预测值；表示预设时长；表示服务器上运行的虚拟机的总数量；表示第个虚拟机产生的能耗；表示服务器物理机在空闲时产生的能耗；表示第个虚拟机的特征向量，，表示第个虚拟机的第个特征，表示虚拟机的总特征数，其中，所述特征包括至少一个负载特征参数和至少一个性能特征参数；表示虚拟机的特征权重向量，；表示偏置项。
10、作为上述方案的改进，所述根据所述服务器的cpu满载核心数选择能耗模型的参数，具体包括：
11、根据所述服务器的cpu满载核心数，选择能耗模型中虚拟机的特征权重向量和偏置项。
12、作为上述方案的改进，在所述根据所述服务器的cpu满载核心数选择能耗模型的参数之前，还包括使用随机森林模型训练出不同cpu满载核心数下的最优特征权重向量和最优偏置项，具体包括：
13、采集所述服务器不同时段的负载特征参数、性能特征参数和对应的能耗值，形成样本集；
14、设置所述随机森林模型的参数，包括决策树的数量和特征选择方式；
15、从所述样本集中选出若干子样本集，分别作为各决策树的训练样本；
16、将所述训练样本输入所述决策树进行训练，得到每棵决策树的预测结果，其中，所述预测结果是不同cpu满载核心数下的特征权重向量和偏置项；
17、对所述随机森林模型中的每棵决策树的预测结果进行整合，得到不同cpu满载核心数下的最优特征权重向量和最优偏置项。
18、作为上述方案的改进，在训练每棵决策树时，在所述决策树的每个分支节点上，通过以下方式选择最优划分特征和最优划分点：
19、计算当前分支节点的模型误差，作为划分前误差；
20、根据所述特征选择方式选出所述当前分支节点的若干可用划分特征；
21、对于每个可用划分特征，根据所述可用划分特征当前的所有取值，确定若干划分点；
22、对于所有可用划分特征的所有划分点，根据所述划分点将当前分支节点上的子样本集划分成两个非空子集，分别计算两个非空子集上的模型误差均值再将其相加，得到划分后误差；
23、当所述划分后误差较所述划分前误差的降低值超过预设阈值时，将当前划分特征和划分点作为备选划分特征-划分点对；
24、在所有备选划分特征-划分点对中，选择划分后误差最小的备选划分特征-划分点对作为所述当前分支节点的最优划分特征和最优划分点。
25、作为上述方案的改进，当所述当前分支节点不存在备选划分特征-划分点对时，在所述当前分支节点上停止划分，并获取当前cpu满载核心数下的特征权重向量和最优偏置项。
26、作为上述方案的改进，所述性能特征参数包括cpu空闲时间、cpu使用率、cpu总使用率、已使用的内存容量、剩余的内存容量、每秒完成的i/o操作次数和i/o每秒读写的字节数中的至少一种；
27、所述负载特征参数包括负载在每次i/o操作的平均等待时间、负载在每次i/o操作的平均服务时间、第一预设时长内的系统平均负载、第二预设时长内的系统平均负载和请求响应时间中的至少一种；其中，所述第一预设时长小于所述第二预设时长。
28、为实现上述目的，本专利技术实施例还提供了一种多级能耗预测装置，包括：
29、特征参数采集模块，用于采集服务器的负载特征参数和性能特征参数；
30、模型参数获取模块，用于根据所述服务器的cpu满载核心数选择能耗模型的参数，以确定目标能耗模型；
31、能耗预测模块，用于将所述负载特征参数和所述性能特征参数输入所述目标能耗模型，计算出所述服务器在下一时间段内的能耗预测值。
32、为实现上述目的，本专利技术实施例还提供了一种多级能耗预测设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一实施例所述的多级能耗预测方法。
33、为实现上述目的，本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任一实施例所述的多级能耗预测方法。
34、与现有技术相比，本专利技术实施例提供的多级能耗预测方法、装置、设备及存储介质，采集服务器的负载特征参数和性能特征参数；根据所述服务器的cpu满载核心数选择能耗模型的参数，以确定目标能耗模型；将所述负载特征参数和所述性能特征参数输入所述目标能耗模型，计算出所述服务器在下一时间段内的能耗预测值。本专利技术实施例根据不同cpu满载核心数选择不同目标能耗模型，能够对能耗模型进行更精细的划分和选择；进一步地，目标能耗模型在对数据中心进行能耗预测时能够综合考虑服务器当前的负载情况及各项性能指标，从而能够更加全面、客观、高效地进行能耗预测。
本文档来自技高网...【技术保护点】
1.一种多级能耗预测方法，其特征在于，包括：
2.如权利要求1所述的多级能耗预测方法，其特征在于，所述能耗模型，满足以下公式：
3.如权利要求2所述的多级能耗预测方法，其特征在于，所述根据所述服务器的CPU满载核心数选择能耗模型的参数，具体包括：
4.如权利要求2所述的多级能耗预测方法，其特征在于，在所述根据所述服务器的CPU满载核心数选择能耗模型的参数之前，还包括使用随机森林模型训练出不同CPU满载核心数下的最优特征权重向量和最优偏置项，具体包括：
5.如权利要求4所述的多级能耗预测方法，其特征在于，在训练每棵决策树时，在所述决策树的每个分支节点上，通过以下方式选择最优划分特征和最优划分点：
6.如权利要求5所述的多级能耗预测方法，其特征在于，当所述当前分支节点不存在备选划分特征-划分点对时，在所述当前分支节点上停止划分，并获取当前CPU满载核心数下的特征权重向量和最优偏置项。
7.如权利要求1所述的多级能耗预测方法，其特征在于，所述性能特征参数包括CPU空闲时间、CPU使用率、CPU总使用率、已使用的内存
8.一种多级能耗预测装置，其特征在于，包括：
9.一种能多级耗预测设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7任一所述的多级能耗预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1-7中任一所述的多级能耗预测方法。
...【技术特征摘要】
1.一种多级能耗预测方法，其特征在于，包括：
2.如权利要求1所述的多级能耗预测方法，其特征在于，所述能耗模型，满足以下公式：
3.如权利要求2所述的多级能耗预测方法，其特征在于，所述根据所述服务器的cpu满载核心数选择能耗模型的参数，具体包括：
4.如权利要求2所述的多级能耗预测方法，其特征在于，在所述根据所述服务器的cpu满载核心数选择能耗模型的参数之前，还包括使用随机森林模型训练出不同cpu满载核心数下的最优特征权重向量和最优偏置项，具体包括：
5.如权利要求4所述的多级能耗预测方法，其特征在于，在训练每棵决策树时，在所述决策树的每个分支节点上，通过以下方式选择最优划分特征和最优划分点：
6.如权利要求5所述的多级能耗预测方法，其特征在于，当所述当前分支节点不存在备选划分特征-划分点对时，在所述当前分支节...
【专利技术属性】
技术研发人员：沈潇军，蒋锦霞，蒋鸿城，裴旭斌，赖晓翰，季超，卢文达，王艳艳，吴焕杰，耿继朴，沈志豪，孙世东，程清，赵磊，郑晓燕，冯烛明，于海青，
申请(专利权)人：国网浙江省电力有限公司信息通信分公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。