[发明专利]一种基于机器学习的服务器能耗预测方法和系统

权利要求书

1.一种基于机器学习的服务器能耗预测方法，其特征在于，包括：

步骤1、根据预设的总CPU利用率阈值，将服务器的工作状态划分为零负载状态、低负载状态和高负载状态，分别采集该服务器在该零负载状态、该低负载状态和该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；

步骤2、分别将该零负载训练集、该低负载训练集和该高负载训练集输入机器学习模型进行训练，生成零负载能耗模型、低负载能耗模型和高负载能耗模型；

步骤3、根据该服务器的待预测系统资源利用率，选择该零负载能耗模型，或该低负载能耗模型，或该高负载能耗模型，以预测该服务器的能耗值；

其中步骤1中该系统资源利用率包括：该服务器的内存利用率、网络带宽利用率、磁盘利用率和该服务器中每个CPU的CPU利用率；

将该服务器的总CPU利用率小于3％时的工作状态作为该零负载状态；

将该服务器的总CPU利用大于等于3％且小于50％的工作状态作为该低负载状态；

将该服务器的总CPU利用大于等于50％且小于等于100％的工作状态作为该高负载状态。

2.如权利要求1所述的基于机器学习的服务器能耗预测方法，其特征在于，步骤2中该机器学习模型具体为支持向量机回归模型。

3.如权利要求1所述的基于机器学习的服务器能耗预测方法，其特征在于，该步骤1还包括：利用服务器集群性能监测工具，采集该系统资源利用率。

4.如权利要求1所述的基于机器学习的服务器能耗预测方法，其特征在于，该步骤1还包括：通过功率测量仪获得该实时能耗。

5.一种基于机器学习的服务器能耗预测系统，其特征在于，包括：

训练集采集模块，用于根据预设的总CPU利用率阈值，将服务器的工作状态划分为零负载状态、低负载状态和高负载状态，分别采集该服务器在该零负载状态、该低负载状态和该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；

学习训练模块，用于分别将该零负载训练集、该低负载训练集和该高负载训练集输入机器学习模型进行训练，生成零负载能耗模型、低负载能耗模型和高负载能耗模型；

预测模块，用于根据该服务器的待预测系统资源利用率，选择该零负载能耗模型，或该低负载能耗模型，或该高负载能耗模型，以预测该服务器的能耗值；

其中该系统资源利用率包括：该服务器的内存利用率、网络带宽利用率、磁盘利用率和该服务器中每个CPU的CPU利用率；

将该服务器的总CPU利用率小于3％时的工作状态作为该零负载状态；

将该服务器的总CPU利用大于等于3％且小于50％的工作状态作为该低负载状态；

将该服务器的总CPU利用大于等于50％且小于等于100％的工作状态作为该高负载状态。

6.如权利要求5所述的基于机器学习的服务器能耗预测系统，其特征在于，该机器学习模型具体为支持向量机回归模型。

7.如权利要求5所述的基于机器学习的服务器能耗预测系统，其特征在于，利用服务器集群性能监测工具，采集该系统资源利用率。

8.如权利要求5所述的基于机器学习的服务器能耗预测系统，其特征在于，通过功率测量仪获得该实时能耗。