云数据中心基于Hopfield神经网络的服务器节能方法及装置制造方法
【专利摘要】一种云数据中心基于Hopfield神经网络的服务器节能装置，该装置包括：数据存储部分，用于存储服务器组的监控数据和节能策略信息；控制部分，用于负责业务控制，所述业务控制包括监控数据的生成与获取，节能策略的匹配和实施；节能策略训练部分，用于基于所述监控数据对Hopfield神经网络进行训练，生成节能策略信息。本申请还公开了相应的方法。本申请有效改进了大多数节能策略设置单一、不够精确合理，不能很好地调节数据中心能耗的问题。
【专利说明】云数据中心基于Hopfield神经网络的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，具体涉及云数据中心基于Hopfield神经网络的服务器节能方法及装置。
【背景技术】
[0002]根据维基百科的定义，云计算(Cloud Computing),是一种基于互联网的计算方式，通过这种方式，共享的软硬件资源和信息可以按需求提供给计算机和其他设备。
[0003]云计算是继1980年代大型计算机到客户端-服务器的大转变之后的又一种巨变。用户不再需要了解“云”中基础设施的细节，不必具有相应的专业知识，也无需直接进行控制。云计算描述了一种基于互联网的新的IT服务增加、使用和交付模式，通常涉及通过互联网来提供动态易扩展而且经常是虚拟化的资源。
[0004]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。
[0005]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1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】
[0006]为了解决上述技术问题，本发明提供了云数据中心基于Hopfield神经网络的服务器节能方法及装置，为云数据中心服务器组关联基于大规模服务器负载监控数据训练得出的Hopfield神经网络节能策略模型，实现云数据中心负载更为准确、高效的调控，提高数据中心节能效果和资源整体利用率。
[0007]一种云数据中心基于Hopfield神经网络的服务器节能装置，该装置包括:
[0008]数据存储部分，用于存储服务器组的监控数据和节能策略信息；
[0009]控制部分，用于负责业务控制，所述业务控制包括监控数据的生成与获取，节能策略的匹配和实施；
[0010]节能策略训练部分，用于基于所述监控数据对Hopfield神经网络进行训练，生成节能策略信息。
[0011]优选地，节能策略训练部分包括Hopfield神经网络节能策略训练模块，用于基于大规模的监控数据对Hopfield神经网络进行训练，生成节能策略信息，其中，所述Hopfield神经网络模型的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低负载节能策略。
[0012]优选地，数据存储部分包括:
[0013]节能策略存储模块，用于存储Hopfield神经网络节能策略训练模块生成的节能策略信息；
[0014]监控数据存储模块，用于存储实时监控数据。
[0015]优选地,监控数据为四维输入向量P = {c，m, S，η},其中，c, m, S，η分别表示CPU负载比例、内存负载比例、磁盘1负载比例、网络带宽负载比例。
[0016]优选地，控制部分包括:
[0017]系统整体监控控制模块，用于对服务器组的负载进行实时监控，对监控数据进行读取和写入操作；根据设定的服务器组的负载阈值，判断需要实施节能策略时，向节能策略配置管理模块发送配置节能策略的控制信息；
[0018]节能策略配置管理模块，用于根据所述控制信息，从所述数据存储模块获取当前的实时监控数据，作为已训练好的Hopfield神经网络模型的输入，匹配生成所述服务器组当前的节能策略，向节能策略实施模块发送节能策略实施的控制信息，所述控制信息包括当前的节能策略；
[0019]节能策略实施模块，用于接收节能策略配置管理模块发送的节能策略实施的控制信息，根据当前的节能策略，对服务器组中的服务器设备进行具体的操作，以达到云数据中心节能的目的。
[0020]一种云数据中心基于Hopfield神经网络的服务器节能方法，该方法包括:
[0021]实时监控服务器组的负载，获得监控数据；
[0022]根据设定的服务器组的负载阈值，判断需要实施节能策略时，根据所述监控数据匹配得到所述服务器组当前的节能策略；
[0023]根据所述当前的节能策略对所述服务器组实施节能操作。
[0024]优选地，该方法还包括:
[0025]所述监控数据为四维输入向量P = {c, m, S，η},其中，C，m, S，η分别表示CPU负载比例、内存负载比例、磁盘1负载比例、网络带宽负载比例。
[0026]优选地，所述根据监控数据匹配得到服务器组当前的节能策略，包括:
[0027]将获取的监控数据作为已训练好的Hopfield神经网络模型的输入，匹配生成所述该服务器组当前的节能策略。
[0028]优选地，所述Hopfield神经网络模型基于大规模的监控数据训练而成；其中，所述Hopfield神经网络模型的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低负载节能策略。
[0029]优选地，对所述服务器组实施节能操作，包括以下操作中的一种或多种:关键业务迁移、服务器开机/关机。
[0030]本发明实施例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Hopfield神经网络节能策略模型，将非线性的神经网络模型应用于数据中心节能策略的输出，提出了对于云数据中心服务器组准确、高效的节能方案，有效改进了大多数节能策略设置单一、不够精确合理，不能很好地调节数据中心能耗的问题。
【专利附图】
【附图说明】
[0031]此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中:
[0032]图1是本发明实施例云数据中心基于Hopfield神经网络的服务器节能装置示意图；
[0033]图2是Hopfield神经网络申旲型不意图；
[0034]图3是本发明实施例云数据中心基于Hopfield神经网络的服务器节能方法流程图。
【具体实施方式】
[0035]Hopfield网络是神经网络发展历史上一个重要的里程碑。由物理学家J.J.Hopfield教授于1982年提出，是一种单层反馈神经网络。
[0036]Hopfield神经网络拥有联想记忆功能，建立训练样本后，当输入一个近似样本会输出该样本。本发明实施例正是运用了 Hopfield神经网络这一特性。
[0037]本发明实施例区别于其他节能的方法之处在于:在节能策略设置时，通过对云数据中心服务器运行中的实时负载信息的各个方面进行实时监控和综合分析，同时利用Hopfield神经网络模型对获取的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。
[0038]下面结合附图及具体实施例对本发明进行详细说明。
[0039]本发明实施例的基本思想:基于Hopfield神经网络训练得出的节能策略模型，将监控数据作为节能策略模型的输入，输出得到相应的节能策略并实施。这是一种具有自适应性的节能策略，由于节能策略模型经过学习训练，所以得出的节能策略就更加贴近实际的需求。本发明实施例为云数据中心中服务器节能实施提供一种更为有效、合理的方式。
[0040]本发明实施例云数据中心基于Hopfield神经网络的服务器节能装置的模块图如附图1所示，包括:
[0041]I)节能策略训练部分
[0042]节能策略训练部分，用于基于大规模的监控数据对Hopfield神经网络进行训练，生成节能策略信息。这一部分是在线下，即非系统运行时进行的，包括:
[0043]Hopfield神经网络节能策略训练模块，用于基于监控数据训练学习节能策略，生成节能策略信息。Hopfield神经网络模型的输入为监控数据，这里，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(memory)负载比例、磁盘(disk)1负载比例、网络(net)带宽负载比例；Hopfield神经网络模型的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低负载节能策略；Hopfield神经网络模型设定为3层结构，分别为输入层(4个神经元)、中间层(4个神经元)和输出层(2个神经元)。每个神经元代表一个向量的维度信息，其中，输入层的4个神经元就是监控数据四维输入向量P的各个维度信息，中间层得到的数据是采用已有的Hopfield神经网络计算下的数据，输出层的2个神经元可以分别是O和1，作为判断采用那种节能策略的逻辑值。节能策略根据实际的需求设置，在对大量的监控数据学习之后，Hopfield神经网络节能策略训练模块根据设置会生成节能策略信息。节能策略的具体操作包括:关键业务迁移、服务器开关机等。针对不同的节能策略，对于关键业务迁移、服务器开关机的操作实施的范围有所不同。
[0044]2)数据存储部分
[0045]数据存储部分用于存储服务器组的实时监控数据，和前述Hopfield神经网络节能策略训练模块生成的节能策略信息，包括:
[0046]节能策略存储模块，用于存储Hopfield神经网络节能策略训练模块生成的节能策略信息；
[0047]监控数据存储模块，用于存储实时监控数据；
[0048]其中，箭头表示传递的数据流或控制流。
[0049]3)控制部分
[0050]控制部分负责业务控制，如监控数据的生成与获取，节能策略的匹配生成、实施等，包括:
[0051]系统整体监控控制模块，用于对服务器组的负载进行实时监控，对监控数据进行读取和写入操作；根据设定的服务器组的负载阈值，判断是否需要实施节能策略；若是，则向节能策略配置管理模块发送实施节能策略的控制信息；
[0052]节能策略配置管理模块，用于根据输入的监控数据，基于已训练好的Hopfield神经网络模型匹配生成当前的节能策略；还用于根据获得的控制信息，将从监控数据模块获取的监控数据作为已训练好的Hopfield神经网络模型的输入，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，向节能策略实施模块发送节能策略实施的控制信息；
[0053]节能策略实施模块，用于接收节能策略配置管理模块发送的节能策略实施的控制信息，根据当前的节能策略，对服务器组中的服务器设备进行具体的操作，如关键业务迁移、服务器开关机等，以达到云数据中心节能的目的。
[0054]基于上述装置，本发明实施例还提出了一种云数据中心基于Hopfield神经网络的服务器节能方法，如图3所示，包括:
[0055]步骤10:基于大规模的监控数据对Hopfield神经网络模型进行训练，生成节能策略信息；
[0056]本发明实施例所涉及的HopfieId神经网络模型的结构如图2所示，HopfieId神经网络模型的输入为监控数据，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(memory)负载比例、磁盘(disk) 1负载比例、网络(net)带宽负载比例；Hopfield神经网络模型的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低负载节能策略；Hopfield神经网络模型设定为3层结构，分别为输入层(4个神经元)、中间层(4个神经元)和输出层(2个神经元)。每个神经元代表一个向量的维度信息，其中，输入层的4个神经元就是监控数据四维输入向量P的各个维度信息，中间层得到的数据是采用已有的Hopfield神经网络计算下的数据，输出层的2个神经元可以分别是O和1，作为判断采用那种节能策略的逻辑值。经训练得到可用于云数据中心节能策略输出的神经网络模型。节能策略的具体操作包括:关键业务迁移、服务器开关机等。
[0057]步骤20:实时监控服务器组的负载，获得监控数据；根据设定的服务器组的负载阈值，判断是否需要实施节能策略；若是，执行步骤30，否则继续判断；
[0058]控制部分的系统整体监控控制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，判断是否需要实施节能策略；若是，则向同属控制部分的节能策略配置管理模块发送实施节能策略的控制信息；
[0059]步骤30:根据监控数据匹配当前服务器组的节能策略，对服务器组实施节能策略。
[0060]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作为已训练好的Hopfield神经网络模型的输入，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；
[0061]控制部分的节能策略实施模块根据获得的节能策略实施的控制信息，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，如关键业务迁移、服务器开关机等操作，实现云数据中心整体的合理、高效f倉泛。
[0062]本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本申请不限制于任何特定形式的硬件和软件的结合。
[0063]以上所述，仅为本发明的较佳实例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
【权利要求】
1.一种云数据中心基于Hopfield神经网络的服务器节能装置，其特征在于，该装置包括: 数据存储部分，用于存储服务器组的监控数据和节能策略信息； 控制部分，用于负责业务控制，所述业务控制包括监控数据的生成与获取，节能策略的匹配和实施； 节能策略训练部分，用于基于所述监控数据对Hopfield神经网络进行训练，生成节能策略息。
2.如权利要求1所述的装置，其特征在于， 节能策略训练部分包括Hopfield神经网络节能策略训练模块，用于基于大规模的监控数据对Hopfield神经网络进行训练，生成节能策略信息，其中，所述Hopfield神经网络模型的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低负载节能策略。
3.如权利要求1所述的装置，其特征在于，数据存储部分包括: 节能策略存储模块，用于存储Hopfield神经网络节能策略训练模块生成的节能策略信息； 监控数据存储模块，用于存储实时监控数据。
4.如权利要求1所述的装置，其特征在于， 监控数据为四维输入向量P = {c，m，s，η}，其中，c, m, s, η分别表示CPU负载比例、内存负载比例、磁盘1负载比例、网络带宽负载比例。
5.如权利要求1或2或3或4所述的装置，其特征在于，控制部分包括: 系统整体监控控制模块，用于对服务器组的负载进行实时监控，对监控数据进行读取和写入操作；根据设定的服务器组的负载阈值，判断需要实施节能策略时，向节能策略配置管理模块发送配置节能策略的控制信息； 节能策略配置管理模块，用于根据所述控制信息，从所述数据存储模块获取当前的实时监控数据，作为已训练好的Hopfield神经网络模型的输入，匹配生成所述服务器组当前的节能策略，向节能策略实施模块发送节能策略实施的控制信息，所述控制信息包括当前的节能策略； 节能策略实施模块，用于接收节能策略配置管理模块发送的节能策略实施的控制信息，根据当前的节能策略，对服务器组中的服务器设备进行具体的操作，以达到云数据中心节能的目的。
6.一种云数据中心基于Hopfield神经网络的服务器节能方法，其特征在于，该方法包括: 实时监控服务器组的负载，获得监控数据； 根据设定的服务器组的负载阈值，判断需要实施节能策略时，根据所述监控数据匹配得到所述服务器组当前的节能策略； 根据所述当前的节能策略对所述服务器组实施节能操作。
7.如权利要求6所述的方法，其特征在于，该方法还包括: 所述监控数据为四维输入向量P = Ic，m，s，η}，其中，c，m, s, η分别表示CPU负载比例、内存负载比例、磁盘1负载比例、网络带宽负载比例。
8.如权利要求6或7所述的方法，其特征在于， 所述根据监控数据匹配得到服务器组当前的节能策略，包括: 将获取的监控数据作为已训练好的00^61(1神经网络模型的输入，匹配生成所述该服务器组当前的节能策略。
9.如权利要求8所述的方法，其特征在于， 所述!10沛61(1神经网络模型基于大规模的监控数据训练而成；其中，所述00^61(1神经网络模型的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低负载节能策略。
10.如权利要求6或7所述的方法，其特征在于， 对所述服务器组实施节能操作，包括以下操作中的一种或多种:关键业务迁移、服务器开机/关机。
【文档编号】G06F1/32GK104391560SQ201410507862
【公开日】2015年3月4日 申请日期:2014年9月28日 优先权日:2014年9月28日
【发明者】于辉, 郭锋, 李新虎 申请人:浪潮(北京)电子信息产业有限公司