大规模云数据中心中一种服务器节能方法及装置制造方法
【专利摘要】本发明公开了大规模云数据中心中一种服务器节能方法及装置，包括BP神经网络节能策略训练模块,监控数据存储模块,节能策略存储模块，系统整体监控控制模块，节能策略配置管理模块，节能策略实施模块，通过为服务器组定时关联设置基于大规模监控数据样本训练得出的BP神经网络节能策略模型，自动、高效地调整该服务器组的功耗，以达到云数据中心整体节能的目的。本发明通过为云数据中心服务器组关联设置基于大规模服务器负载样本数据训练得出的BP神经网络节能策略模型，提出了一种云数据中心服务器组全方位、准确、高效的节能方法及装置，有效改进了大多数节能策略设置单一、不够精确和合理，不能很好地调节数据中心能耗的问题。
【专利说明】大规模云数据中心中一种服务器节能方法及装置
【技术领域】
[0001]本发明涉及云计算操作系统中的管理监控模块，具体涉及一种云数据中心节能方法及装置。
技术背景
[0002]当前，云计算逐渐被行业认可，云数据中心操作系统逐渐实现并付诸于实践，在社会生产和生活领域中起到越来越重要的作用。基于云计算操作系统构建的大规模云数据中心中设备数量庞大，监控管理过程复杂，如何有效的实现云数据中心的高效节能是一个值得研究的问题。
[0003]目前大多数节能策略在设置时仅仅考虑温度触发或是功率触发，没有对服务器的实时负载信息如CPU、内存、网络带宽、磁盘IO等进行综合分析与考虑，策略设置单一，存在着节能效果不好，系统整体功耗偏高的问题。
【发明内容】
[0004]本发明要解决的技术问题是:为了保证云数据中心服务器组的高效节能，本发明提出了大规模云数据中心中一种服务器节能方法及装置。
[0005]本方法区别于其他节能的方法之处在于:在节能策略设置时，不是仅仅考虑温度或功率，而是基于对服务器运行中的实时负载信息的各个方面进行综合分析，同时基于BP神经网络模型对大规模监控数据样本进行训练学习的基础上得出相应的节能策略模型。
[0006]本发明所采用的技术方案为:
大规模云数据中心中一种服务器节能装置，主要包括下述六个模块:(I) BP神经网络节能策略训练模块(2)监控数据存储模块(3)节能策略存储模块(4)系统整体监控控制模块(5)节能策略配置管理模块(6)节能策略实施模块；六个模块分为三个部分，节能策略训练部分，数据存储部分和控制部分，其中:
节能策略训练部分:主要是基于大规模的监控数据对BP神经网络进行训练，这一部分是在线下(非系统运行时)进行的；主要模块包括=(I)BP神经网络节能策略训练模块，基于监控样本数据训练学习节能策略；
数据存储部分:主要存储服务器组的实时监控数据信息，和前述BP神经网络节能策略训练模块生成的节能策略信息；主要模块包括:(2)监控数据存储模块，主要存储监控数据；(3)节能策略存储模块，主要存储节能策略；
控制部分:负责该方法装置的业务控制，如监控数据的生成与获取，节能策略的匹配生成、实施等；主要包括:(4)系统整体监控控制模块，对服务器负载进行实时监控，对监控数据进行读取和写入操作；(5)节能策略配置管理模块，根据输入的监控数据，基于已训练好的BP神经网络模型匹配生成节能策略；(6)节能策略实施模块:根据节能策略，对服务器组中的服务器设备进行具体的操作，如业务迁移、降频、开关机等，以达到数据中心节能的目的。[0007]大规模云数据中心中一种服务器节能方法，在对数据中心服务器组进行监控管理时，通过为服务器组定时关联设置基于大规模监控数据样本训练得出的BP神经网络节能策略模型，自动、高效地调整该服务器组的功耗，以达到云数据中心整体节能的目的。
[0008]该方法首先通过BP神经网络节能策略训练模块，对大规模服务器监控数据样本进行训练分析，得出几种神经网络节能策略模型并存储在系统中；接着，通过系统整体监控控制模块，在云数据中心服务器组运行过程中以一定时间间隔(自主设定)获取实时监控数据(监控数据存储模块)，并将其作为BP神经网络算法模型的新输入样本学习得出该时间点采取的节能策略(节能策略配置管理模块)，然后实施节能策略模型，自动、高效地调整该服务器组的功耗，达到云数据中心整体节能的目的。
[0009]所述方法具体流程如下:
(O首先，基于大规模的监控数据样本对BP神经网络模型进行训练:每一个监控数据为四维输入向量P= {c，m, s，η}，分别表示CPU负载比例(％)、内存负载比例、磁盘IO负载比例、网络带宽负载比例；输出设定为三种节能策略:高负载节能策略、中高负载节能策略和中负载节能策略；ΒΡ神经网络模型设定为3层结构，分别为输入层(4个神经元)、隐含层(4个神经元)和输出层(I个神经元)。经训练得到可以用于云数据中心节能的神经网络模型(结构如图2所示)；
(2)控制部分的系统整体监控配置模块以一定时间间隔(可自主设定)向数据存储部分的监控数据存储模块写入或读取数据，监控数据中心的整体负载；并根据设定的服务器组的负载阈值，判断是否需要设置节能策略；若是，则向同属控制部分的节能策略配置管理模块发送设置节能策略的控制信息；
(3)控制部分的节能策略配置管理模块根据获得的控制信息，将从监控数据模块获取的监控数据信息作为已训练好的BP神经网络模型的输入，分析匹配节能策略存储模块中的节能策略，得到与该服务器组在此时间点匹配的节能策略；同时，向同为控制部分的节能策略实施模块发送节能策略实施的控制信息；
(4)控制部分的节能策略实施模块根据获得的控制信息，并基于数据存储部分节能策略存储模块中的该服务器组的关联的具体的节能策略信息，对该服务器组进行节能操作，如业务迁移、服务器降频、开关机等操作，实现云数据中心整体的合理、高效节能。
[0010]本发明的有益效果为:
本发明通过为云数据中心服务器组关联设置基于大规模服务器负载样本数据训练得出的BP神经网络节能策略模型，提出了一种云数据中心服务器组全方位、准确、高效的节能方法及装置，有效改进了大多数节能策略设置单一、不够精确和合理，不能很好地调节数据中心能耗的问题。
【专利附图】
【附图说明】
[0011]图1为大规模云数据中心一种服务器节能方法装置模块图；
图2为BP神经网络模型图；
注:箭头表示传递的数据流或控制流。
【具体实施方式】[0012]下面参照附图，结合实施例对本发明详细说明。
[0013]实施例1:
如图1所示，大规模云数据中心中一种服务器节能装置，其特征在于:该节能方法及装置主要包括下述六个模块=(I)BP神经网络节能策略训练模块(2)监控数据存储模块(3)节能策略存储模块(4)系统整体监控控制模块(5)节能策略配置管理模块(6)节能策略实施模块；六个模块分为三个部分，节能策略训练部分，数据存储部分和控制部分，其中:
节能策略训练部分:主要是基于大规模的监控数据对BP神经网络进行训练，这一部分是在线下(非系统运行时)进行的；主要模块包括=(I)BP神经网络节能策略训练模块，基于监控样本数据训练学习节能策略；
数据存储部分:主要存储服务器组的实时监控数据信息，和前述BP神经网络节能策略训练模块生成的节能策略信息；主要模块包括:(2)监控数据存储模块，主要存储监控数据；(3)节能策略存储模块，主要存储节能策略；
控制部分:负责该方法装置的业务控制，如监控数据的生成与获取，节能策略的匹配生成、实施等；主要包括:(4)系统整体监控控制模块，对服务器负载进行实时监控，对监控数据进行读取和写入操作；(5)节能策略配置管理模块，根据输入的监控数据，基于已训练好的BP神经网络模型匹配生成节能策略；(6)节能策略实施模块:根据节能策略，对服务器组中的服务器设备进行具体的操作，如业务迁移、降频、开关机等，以达到数据中心节能的目的。
[0014]实施例2:
大规模云数据中心中一种服务器节能方法，在对数据中心服务器组进行监控管理时，通过为服务器组定时关联设置基于大规模监控数据样本训练得出的BP神经网络节能策略模型，自动、高效地调整该服务器组的功耗，已到达云数据中心整体节能的目的。
[0015]实施例3:
在实施例2的基础上，本实施例所述方法首先通过BP神经网络节能策略训练模块，对大规模服务器监控数据样本进行训练分析，得出几种神经网络节能策略模型并存储在系统中；接着，通过系统整体监控控制模块，在云数据中心服务器组运行过程中以一定时间间隔(自主设定)获取实时监控数据(监控数据存储模块)，并将其作为BP神经网络算法模型的新输入样本学习得出该时间点采取的节能策略(节能策略配置管理模块)，然后实施节能策略模型，自动、高效地调整该服务器组的功耗，达到云数据中心整体节能的目的。
[0016]实施例4:
在实施例3的基础上，本实施例所述方法具体流程如下:
(O首先，基于大规模的监控数据样本对BP神经网络模型进行训练:每一个监控数据为四维输入向量P= {c，m, s，η}，分别表示CPU负载比例(％)、内存负载比例、磁盘IO负载比例、网络带宽负载比例；输出设定为三种节能策略:高负载节能策略、中高负载节能策略和中负载节能策略；ΒΡ神经网络模型设定为3层结构，分别为输入层(4个神经元)、隐含层(4个神经元)和输出层(I个神经元)。经训练得到可以用于云数据中心节能的神经网络模型，如图2所示；
(2)控制部分的系统整体监控配置模块以一定时间间隔(可自主设定)向数据存储部分的监控数据存储模块写入或读取数据，监控数据中心的整体负载；并根据设定的服务器组的负载阈值，判断是否需要设置节能策略；若是，则向同属控制部分的节能策略配置管理模块发送设置节能策略的控制信息；
(3)控制部分的节能策略配置管理模块根据获得的控制信息，将从监控数据模块获取的监控数据信息作为已训练好的BP神经网络模型的输入，分析匹配节能策略存储模块中的节能策略，得到与该服务器组在此时间点匹配的节能策略；同时，向同为控制部分的节能策略实施模块发送节能策略实施的控制信息；
(4)控制部分的节能策略实施模块根据获得的控制信息，并基于数据存储部分节能策略存储模块中的该服务器组的关联的具体的节能策略信息，对该服务器组进行节能操作，如业务迁移、服务器降频、开关机等操作，实现云数据中心整体的合理、高效节能。
【权利要求】
1.大规模云数据中心中一种服务器节能装置，其特征在于:该节能方法及装置主要包括下述六个模块: 1)BP神经网络节能策略训练模块 2)监控数据存储模块 3)节能策略存储模块 4)系统整体监控控制模块 5)节能策略配置管理模块 6)节能策略实施模块； 六个模块分为三个部分，节能策略训练部分，数据存储部分和控制部分，其中: 节能策略训练部分:主要是基于大规模的监控数据对BP神经网络进行训练，这一部分是在线下进行的；主要模块包括: DBP神经网络节能策略训练模块，基于监控样本数据训练学习节能策略； 数据存储部分:主要存储服务器组的实时监控数据信息，和前述BP神经网络节能策略训练模块生成的节能策略信息；主要模块包括: 2)监控数据存储模块，主要存储监控数据； 3)节能策略存储模块，主要存储节能策略； 控制部分:负责该方法装置的业务控制，主要包括: 4)系统整体监控控制模块，对服务器负载进行实时监控，对监控数据进行读取和写入操作； 5)节能策略配置管理模块，根据输入的监控数据，基于已训练好的BP神经网络模型匹配生成节能策略； 6)节能策略实施模块:根据节能策略，对服务器组中的服务器设备进行具体的操作，以达到数据中心节能的目的。
2.大规模云数据中心中一种服务器节能方法，其特征在于:在对数据中心服务器组进行监控管理时，通过为服务器组定时关联设置基于大规模监控数据样本训练得出的BP神经网络节能策略模型，自动、高效地调整该服务器组的功耗，已到达云数据中心整体节能的目的。
3.根据权利要求2所述的大规模云数据中心中一种服务器节能方法，其特征在于:该方法首先通过BP神经网络节能策略训练模块，对大规模服务器监控数据样本进行训练分析，得出神经网络节能策略模型并存储在系统中；接着，通过系统整体监控控制模块，在云数据中心服务器组运行过程中以一定时间间隔获取实时监控数据，并将其作为BP神经网络算法模型的新输入样本学习得出该时间点采取的节能策略，然后实施节能策略模型，自动、高效地调整该服务器组的功耗，达到云数据中心整体节能目的。
4.根据权利要求3所述的大规模云数据中心中一种服务器节能方法，其特征在于，所述方法具体流程如下: 1)首先，基于大规模的监控数据样本对BP神经网络模型进行训练:每一个监控数据为四维输入向量P= {c，m，s，η},分别表示CPU负载比例、内存负载比例、磁盘IO负载比例、网络带宽负载比例；输出设定为三种节能策略:高负载节能策略、中高负载节能策略和中负载节能策略；ΒΡ神经网络模型设定为3层结构，分别为输入层、隐含层和输出层，经训练得到可以用于云数据中心节能的神经网络模型； 2)控制部分的系统整体监控配置模块以一定时间间隔向数据存储部分的监控数据存储模块写入或读取数据，监控数据中心的整体负载；并根据设定的服务器组的负载阈值，判断是否需要设置节能策略；若是，则向同属控制部分的节能策略配置管理模块发送设置节能策略的控制信息； 3)控制部分的节能策略配置管理模块根据获得的控制信息，将从监控数据模块获取的监控数据信息作为已训练好的BP神经网络模型的输入，分析匹配节能策略存储模块中的节能策略，得到与该服务器组在此时间点匹配的节能策略；同时，向同为控制部分的节能策略实施模块发送节能策略实施的控制信息； 4)控制部分的节能策略实施模块根据获得的控制信息，并基于数据存储部分节能策略存储模块中的该服务器组的关联的具体的节能策略信息，对该服务器组进行节能操作，实现云数据中心整体的合理、 高效、节能。
【文档编号】G06F1/32GK103616945SQ201310584371
【公开日】2014年3月5日 申请日期:2013年11月20日 优先权日:2013年11月20日
【发明者】于辉, 刘俊朋, 李新虎 申请人:浪潮电子信息产业股份有限公司