System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及计算机应用,特别是涉及一种服务器能耗预测方法、装置、设备及计算机可读存储介质。
技术介绍
1、随着科学技术的发展,服务器的计算性能越来越高,数据中心的耗电量也急剧增加,如此大的耗电量对能源供给和环境问题提出了严峻的考验。因此需要对服务器能耗进行测试,从而及时对能耗高的服务器进行设计优化。
2、现有的服务器功耗测试方法主要有两种,一种是基于功耗仪的服务器能耗测试方法。另一种是以cpu(central processing unit,中央处理器)的利用率为标准,人为将服务器的负载等级进行划分,3%以下为零负载,3%~50%为低负载,50%以上为高负载,分别采集服务器在零负载、低负载和高负载状态下的系统资源利用率和实时能耗,作为零负载训练集、低负载训练集和高负载训练集。分别将零负载训练集、低负载训练集和高负载训练集输入支持向量机模型进行训练,生成零负载能耗模型、低负载能耗模型和高负载能耗模型。根据服务器的待预测系统资源利用率,选择零负载能耗模型,或低负载能耗模型,或高负载能耗模型,以预测服务器的能耗值。
3、但是,上述两种服务器能耗预测方法存在一定缺陷,首先,基于功耗仪的服务器能耗测试方法虽然可以精确测试服务器的能耗,但是在数据中心上百台服务器的规模下,不具备部署条件而且面临着巨大的运维开支。其次,人为划分服务器的负载等级是不准确且无可靠依据的,不同的负载对器件的访问机制不一样,不能仅以cpu的利用率划分负载等级。划分等级的方式需要针对不同的负载等级训练三次,增加了模型的训练量。训练数据集仅包含cpu
4、综上所述,如何有效地解决现有的服务器能耗预测方法运维开支大,可靠性差,模型训练量大,能耗预测准确度差等问题,是目前本领域技术人员急需解决的问题。
技术实现思路
1、本申请的目的是提供一种服务器能耗预测方法,该方法降低了数据中心的运维成本,降低了模型训练难度,提升了能耗预测可靠性和准确性;本申请的另一目的是提供一种服务器能耗预测装置、设备及计算机可读存储介质。
2、为解决上述技术问题,本申请提供如下技术方案:
3、一种服务器能耗预测方法,包括:
4、获取基于信息增益计算选取得到的各能耗相关性能参数种类;
5、根据各所述能耗相关性能参数种类采集待预测服务器当前时刻的各目标性能参数;
6、将各所述目标性能参数输入至基于elman神经网络的目标服务器能耗预测模型进行能耗预测,得到所述待预测服务器当前时刻的服务器能耗预测值。
7、在本申请的一种具体实施方式中,还包括基于信息增益计算选取各能耗相关性能参数种类的过程,所述基于信息增益计算选取各能耗相关性能参数种类的过程包括:
8、通过预搭建的能耗数据采集系统采集各被测服务器的各性能参数;
9、通过公式基于信息增益指标计算各所述性能参数的信息增益:
10、
11、其中,d为采集到的性能参数数据集,pk为第k个性能参数在性能参数数据集中的占比,y为性能参数数据集中性能参数的个数,ent(d)为数据集信息熵,dv为性能参数a的第v个取值样本,m为dv样本中的功耗等级分类个数,pm为第m类的dv样本占整个dv样本的比例,ent(dv)为样本dv的信息熵,a为性能参数数据集中某一个性能参数,v为性能参数a的取值个数,gain(a)为性能参数a的信息增益;
12、根据各所述信息增益从各所述性能参数中选取满足预设增益条件的性能参数;
13、将满足所述预设增益条件的各性能参数对应的参数种类确定为各所述能耗相关性能参数种类。
14、在本申请的一种具体实施方式中,通过预搭建的能耗数据采集系统采集各被测服务器的各性能参数,包括:
15、通过预搭建的能耗数据采集系统采集各被测服务器的各性能参数和功耗值。
16、在本申请的一种具体实施方式中,在通过预搭建的能耗数据采集系统采集各被测服务器的各性能参数和功耗值之后,还包括:
17、按照预设比例将采集到的各所述性能参数和各所述功耗值划分为预训练数据集和预测试数据集;
18、根据各所述能耗相关性能参数种类对所述预训练数据集和所述预测试数据集进行参数删除,得到训练数据集和测试数据集。
19、在本申请的一种具体实施方式中,在得到训练数据集和测试数据集之后,还包括:
20、利用所述训练数据集对基于elman神经网络构建的初始服务器能耗预测模型进行训练,得到目标服务器能耗预测模型。
21、在本申请的一种具体实施方式中,在得到目标服务器能耗预测模型之后,还包括:
22、利用所述测试数据集对所述目标服务器能耗预测模型进行模型精度验证。
23、在本申请的一种具体实施方式中,在得到所述待预测服务器当前时刻的服务器能耗预测值之后,还包括:
24、根据所述服务器能耗预测值判断所述待预测服务器当前是否处于高能耗状态;
25、若是,则对各所述目标性能参数进行调整,得到各调整后性能参数组;
26、分别将各所述调整后性能参数组输入至所述目标服务器能耗预测模型进行能耗预测,得到各调整后服务器能耗预测值;
27、根据各所述目标性能参数、各所述调整后性能参数组、当前时刻的服务器能耗预测值、各所述调整后服务器能耗预测值确定所述待预测服务器的高能耗部分。
28、一种服务器能耗预测装置,包括:
29、参数种类获取模块,用于获取基于信息增益计算选取得到的各能耗相关性能参数种类;
30、参数采集模块,用于根据各所述能耗相关性能参数种类采集待预测服务器当前时刻的各目标性能参数;
31、能耗预测值获得模块,用于将各所述目标性能参数输入至基于elman神经网络的目标服务器能耗预测模型进行能耗预测,得到所述待预测服务器当前时刻的服务器能耗预测值。
32、一种服务器能耗预测设备,包括:
33、存储器,用于存储计算机程序;
34、处理器,用于执行所述计算机程序时实现如前所述服务器能耗预测方法的步骤。
35、一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如前所述服务器能耗预测方法的步骤。
36、本申请所提供的服务器能耗预测方法,获取基于信息增益计算选取得到的各能耗相关性能参数种类;根据各能耗相关性能参数种类采集待预测服务器当前时刻的各目标性能参数;将各目标性能参数输入至基于elman神经网络的目标服务器能耗预测模型进行能耗预测,得到待预测服务器当前时刻的服务器能耗预测值。
37、由上述技术方案可知,通过预先基于信息增益计算选取各能耗相关性能参数种类,在对待预测服务器进行能耗预测时,根据各能耗相关性能参数种类采集待预测服本文档来自技高网...
【技术保护点】
1.一种服务器能耗预测方法,其特征在于,包括:
2.根据权利要求1所述的服务器能耗预测方法,其特征在于,还包括基于信息增益计算选取各能耗相关性能参数种类的过程,所述基于信息增益计算选取各能耗相关性能参数种类的过程包括:
3.根据权利要求2所述的服务器能耗预测方法,其特征在于,通过预搭建的能耗数据采集系统采集各被测服务器的各性能参数,包括:
4.根据权利要求3所述的服务器能耗预测方法,其特征在于,在通过预搭建的能耗数据采集系统采集各被测服务器的各性能参数和功耗值之后,还包括:
5.根据权利要求4所述的服务器能耗预测方法,其特征在于,在得到训练数据集和测试数据集之后,还包括:
6.根据权利要求5所述的服务器能耗预测方法,其特征在于,在得到目标服务器能耗预测模型之后,还包括:
7.根据权利要求1至6任一项所述的服务器能耗预测方法,其特征在于,在得到所述待预测服务器当前时刻的服务器能耗预测值之后,还包括:
8.一种服务器能耗预测装置,其特征在于,包括:
9.一种服务器能耗预测设备,其特征在于,
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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述服务器能耗预测方法的步骤。
...【技术特征摘要】
1.一种服务器能耗预测方法,其特征在于,包括:
2.根据权利要求1所述的服务器能耗预测方法,其特征在于,还包括基于信息增益计算选取各能耗相关性能参数种类的过程,所述基于信息增益计算选取各能耗相关性能参数种类的过程包括:
3.根据权利要求2所述的服务器能耗预测方法,其特征在于,通过预搭建的能耗数据采集系统采集各被测服务器的各性能参数,包括:
4.根据权利要求3所述的服务器能耗预测方法,其特征在于,在通过预搭建的能耗数据采集系统采集各被测服务器的各性能参数和功耗值之后,还包括:
5.根据权利要求4所述的服务器能耗预测方法,其特征在于,在得到训...
【专利技术属性】
技术研发人员:牟奇,刘伟,张灿,刘彤,
申请(专利权)人:浪潮电子信息产业股份有限公司,
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。