[发明专利]基于因果学习的数据中心基础结构优化方法

说明书

提供了用于通过以下方式进行主动式数据中心管理的方法：将随机化受控信号注入该数据中心的冷却基础结构的操作控制中并接收与所注入的信号相对应的响应信号。这些所注入的信号用于调整该冷却基础结构的操作控制，并且响应信号与该数据中心中的操作条件有关。基于这些响应信号以及自变量和外部变量，连续地将这些随机化信号注入该冷却基础结构中并基于这些响应信号进行微调。基于这些信号注入和对应响应来确定用于控制数据中心的冷却基础结构的最佳或改进参数。

背景技术

数据中心消耗大量电力用于冷却其中的服务器和其它计算机设备。随着对数据需求的增长，数据中心以能量高效方式操作至关重要。一个度量是功率使用效率：用于运行数据中心基础结构的能量与用于为计算机设备(例如，服务器和交换机)供电的能量的比率。得到极好优化的数据中心可具有低至1的年度化功率利用效率；然而，1.3或更大的功率利用效率更为典型。其它度量包括收益、投资回报、时延和客户保留。

根据网络负载和外部环境条件(诸如温度、云覆盖范围和能量成本)来在上下文上优化数据中心基础结构冷却系统过程控制是复杂的问题。高级机器学习技术诸如卷积神经网络已应用于该问题，以开发可预计能量需求并更好地管理能量使用的预测模型。已经表明，这种类型的机器学习系统有可能实现用于冷却的能量的量的40％的减少，这相当于在考虑到电损和其它非冷却低效之后的总体功率利用效率开销的15％的减少。

然而，这些基于观察数据的机器学习技术都面临基本的权衡：它们的复杂性越大，训练模型所需的数据就越多，通常是数年的操作数据。考虑到典型的计算机设备刷新率为三年，这意味着在机器学习模型的准确度和精度开始降级并需要重新训练以反映更新的计算机设备和基础结构之前，机器学习模型将具有较短的优化操作周期。取决于变化的大小，这可触发机器学习领域中所谓的“灾难性遗忘”，从而需要模型以全新的数据重新启动。因此，需要用于标识最佳数据中心控制设置的更具数据和时间效率的算法，其中学习的速度和质量与数据中心基础结构的变化速度相称。

发明内容

第一种用于主动式数据中心管理的方法包括：将随机化受控信号注入数据中心的操作控制中，以及确保所述信号注入发生在正常操作范围和约束内。所述方法还包括：响应于这些信号注入来监测所述数据中心中的操作条件和操作结果，以及基于操作条件根据上下文计算关于所述信号注入和所述操作结果之间的因果关系的置信区间。基于所计算的置信区间和操作条件来选择用于所述数据中心的所述操作控制的最佳信号。

第二种用于主动式数据中心管理的方法包括：提供用于数据中心的操作控制的信号注入，以及接收与所述信号注入相对应的响应信号。所述方法还包括：测量所述响应信号的效用，以及访问与控制所述数据中心的操作条件相关的数据。基于所述响应信号的所述效用来修改所述操作控制的所述数据。

附图说明

附图被结合到本说明书中且构成本说明书的一部分，并且附图与描述一起解释本发明的优点和原理。在附图中，

图1A为示出数据中心的示例性冷却基础结构部件的图表；

图1B为示出用于实现数据中心基础结构优化方法的系统的图表；

图2为用于该系统的搜索空间方法的流程图；

图3为用于该系统的信号注入方法的流程图；

图4为用于该系统的连续学习方法的流程图；并且

图5为用于该系统的存储器管理方法的流程图。

具体实施方式

本发明的实施方案包括用于改善数据中心能量效率的方法，其方式为对冷却系统参数诸如冷通道温度设定点、冷却系统运行的次数和定时以及冷却器温度实施随机扰动实验，并推断它们对效用度量诸如功率利用效率、操作成本和影响半径的因果效应。这种主动式实验方法相比基于数据中心或一般建筑物能量管理的观察数据的被动机器学习技术可导致更快、更稳健的学习。