[发明专利]结合实际功耗采购服务器的方法、装置及存储介质

摘要

本方案涉及基架运维，提供一种结合实际功耗采购服务器的方法、装置及存储介质，方法包括：将数据中心的服务器按照相同品牌、相同配置进行分类，将相同品牌、相同配置的服务器作为同一类服务器；采集同一类服务器的实际功耗值，依据采集时间点的CPU负载进行抽样，建立实际功耗统计表，根据同一类服务器的实际功耗，结合机柜额定功耗，确定机柜内服务器的数量，为采购服务器提供依据，用机器学习方法辅助机柜配置服务器方案，采用神经网络模型接收输入的机柜配置服务器方案并且处理所述输入的机柜配置服务器方案以对配置服务器方案生成相应分数，根据评分情况选择最优的配置服务器方案。本发明提高机柜使用率，减少机柜空间浪费。降低PUE值。

主权项

1.一种结合实际功耗采购服务器的方法，应用于电子装置，其特征在于，包括：将数据中心的服务器按照相同品牌、相同配置进行分类，并将相同品牌、相同配置的服务器作为同一类服务器；采集同一类服务器的实际功耗值；根据同一类服务器的实际功耗，结合机柜额定功耗，确定机柜内服务器的数量，为采购服务器提供机柜配置服务器方案，其中：还采用机器学习方法辅助机柜配置服务器方案，采用神经网络模型接收输入的机柜配置服务器方案并且处理所述输入的机柜配置服务器方案以对所述机柜配置服务器方案生成相应分数，根据评分情况选择最优的机柜配置服务器方案，具体包括以下步骤：构建机柜配置分类模型；获取用于对机柜配置分类模型进行训练的训练数据集，训练数据集中包含有对应不同业务需求描述的机柜配置服务器方案，以及根据自定义的评分标准评判的分值；采用训练数据集训练机柜配置分类模型，通过将训练数据集中的不同的机柜配置服务器方案输入机柜配置分类模型，并通过分类器将机柜配置分类模型的输出进行分类，然后通过损失函数来控制机柜配置分类模型的分类精度，从而提高机柜配置分类模型的分类精度；其中：构建机柜配置分类模型包括以下步骤：设置机柜配置训练模型参数，所述机柜配置训练模型为深度神经网络模型，所述机柜配置训练模型包括输入层、双向GRU、softmax层以及全连接层；将多个机柜配置训练方案输入所述机柜配置训练模型，对所述机柜配置训练模型进行训练，更新所述机柜配置训练模型中双向GRU参数；根据更新后的机柜配置训练模型的双向GRU参数初始化机柜配置分类模型的双向GRU参数，同时配置机柜配置分类模型的除双向GRU参数外的参数；将机柜配置训练方案输入机柜配置训练模型，进行监督对抗训练，得到机柜配置分类模型，并将新增的机柜配置服务器方案输入监督对抗训练后的机柜配置分类模型，进行无监督虚拟对抗训练，更新机柜配置分类模型的参数，获得机柜配置分类模型。