基于长短期记忆网络(LSTM)的数据中心温度预测算法

大数据和云计算时代推动数据中心规模迅速扩大,有调查研究显示,国内数据中心年耗电量超过全社会用电量的1.5%,且在数据中心运行时高达10%的机柜运行温度高于设备可靠性的允许范围。温度监测和预测对于防止服务器过热而停机和提高数据中心的能源效率至关重要。文中提出了一种基于长短期记忆网络(LSTM)的温度预测算法,该算法使用数据中心温度监控数据和服务器实际运行参数生成时间序列训练集来训练神经网络模型并预测服务器入口温度。为了降低预测模型的训练时间,基于热局部性原理提出了一种联合建模框架,显著降低了在线温度预测建模的复杂性。在一个有15台服务器的测试台上进行了实验验证,结果表明该方法可以准确地预测动态工作负载的服务器的入口温度演变。

数据中心服务器测试

建设数据中心实验室,通过对服务器极限温度的测试、供冷中断温升测试和服务器性能测试,总结布置服务器的原则、保证安全生产的温度底线以及负载率和进风温度对服务器功耗的影响,总结IT设备安全运行和节能降耗方法。

基于带外管理技术的数据中心节能研究

本文介绍了带外管理技术在数据中心节能领域中的应用,着重阐述了数据中心基于带外模型的四种节能手段,通过对企业数据中心趋势的分析,结合数据中心的能耗组成部分,引出数据中心节能的重点方向,通过带外技术对于服务器能耗的精准获取,可有效提升设备机柜的使用率,同时缓解制冷系统“过供给”现象,针对服务器应用动态功率调节策略和虚机灵活迁移,高效管控能耗使用。