面向云網融合的數據中心能效評估方法

龍賽琴 黃金娜 李哲濤 裴廷睿 夏元清

1(湘潭大學計算機學院 湖南湘潭 411105)

2(物聯網與信息安全湖南省重點實驗室(湘潭大學) 湖南湘潭 411105)

3(智慧網絡湖南省國際科技創新合作基地(湘潭大學) 湖南湘潭 411105)

4(北京理工大學自動化學院 北京 100081)

(saiqinlong＠xtu.edu.cn)

隨著5G、云計算等新興技術的大規模推廣和應用,人類社會正加速進入數字化時代[1-2],智慧城市[3]的愿景以及社會生活水平的提高都對網絡和計算提出了更高的要求[4],云網融合將助力互聯網和新基建進入一個新的階段,毋庸置疑,數據中心行業將由于云網融合的發展而更加繁榮.據報告顯示[5],從2010—2019年,全球數據中心的總空間和容量都翻了一番,預計2020—2030年,數據中心空間將以每年13.8%的速度增長.科技是一把雙刃劍,云網融合也不例外.一方面,云網融合給互聯網的發展帶來了新的機遇;另一方面,云網融合推動數據中心行業蓬勃發展的背后是其巨大的能源消耗.

信息和通信技術(ICT)行業目前消耗全球約7%的電力,預計到2030年將增長到13%[6].2018年,全球數據中心的耗電量約為205TWh,占全球耗電量的1%.此外,數據中心的碳排放量也令人瞠目,包括數據中心在內的ICT行業占全球二氧化碳排放量的2%.據統計,整個ICT行業增長最快的便是數據中心的碳足跡[7].數據中心規模的擴大和能耗的增加,不僅給數據中心運營商帶來了巨大的能耗成本,也使整個地球面臨沉重的環境壓力,數據中心的能效研究已經成為近年來學術界和工業界關注的熱點問題.

為了降低數據中心的能源消耗,有必要為數據中心的能源管理提供更科學的指標[8],能效指標是衡量數據中心能源效率的標準.《美國數據中心利用率報告》指出,有必要擴大對數據中心性能指標的研究,以更好地捕獲效率,識別和理解需要改進的領域[9].因此,制定合理的數據中心能效評估標準是提高數據中心能效需要解決的首要問題,它不僅可以幫助數據中心運營商優化設施,為數據中心的設計和運維提供依據,降低運營費用,增強競爭力,還可以為不同數據中心之間的能效比較提供統一的標準,為互聯網行業提供一個良好的能效評估競爭機制.

在數據中心能效評估問題上,單一的指標難以全面地衡量數據中心的能效,部分指標只能粗略地反映整個數據中心的能效,或者只能衡量某個局部,而不能全面且客觀地反映數據中心整體的能效.數據中心是一個復雜而強大的系統,它需要多個指標從不同的角度評估其能源效率.目前,數據中心迫切需要一個整體框架,用一套統一的度量標準來評估能效,并發現數據中心在能效提升上潛在的缺陷.雖然在已有的研究工作[10-12]中有過這種嘗試,但目前還沒有被廣泛認可的數據中心能效評估指標體系[7,13-15],也沒有包含解釋性指標和方法以評估數據中心可持續性等方面的通用監管框架[16-17].

基于數據中心能效評估的現狀,本文提出采用云模型評估方法,將數據中心的多個能效指標整合在一起.本文討論的前提是,能效指標值是在統一、標準化的測量方法下獲得的.決定數據中心能效的因素從多個方面被考量,且該方法能夠指導如何提高數據中心的能效.本文的貢獻有3個方面:

1)研究了多指標能效評估方法,并考慮了混合加權方法為數據中心能效指標賦權,使數據中心能效評估結果更加科學.

2)提出了基于云理論的數據中心多指標融合的能效評估方法,巧妙地將能效評估結果由定量轉化為定性.利用云模型的特點證明了評估結果的可信度,對比實驗結果表明,該方法是科學可靠的.

3)利用灰色關聯法分析了影響數據中心能效評估結果的重要因素,對數據中心能效的提高具備指導意義.

1 相關理論

本文中多指標融合的原理是從多個維度出發以全面評估數據中心的能效,通過建立多指標分析過程將復雜的總體問題轉換為多個細小的問題,從而提高評估結果的有效性和可靠性.

云模型是一種不確定性識別模型,基于概率統計和模糊理論實現了定性概念與定量數據的轉換.普通的云模型已被證明具有通用性和適應性[18],已逐漸發展成為具有完善理論的認知模型,它在時間序列預測[19]、空間數據挖掘[20]、綜合評估[21]以及其他領域[22-23]都得到了廣泛應用.利用云模型能夠有效地完成數據中心能效分級過程中定量和定性的轉換.

在數據中心的多指標能效評估中要考慮的不確定性有2類:1)隨機性.不同數據中心的服務類型有差異且客戶端存在動態且多變的用戶行為,數據中心能效指標相關數據的監測與采集也存在一定的困難.2)模糊性.能效分級的概念是存在模糊性的,數據中心本身的復雜性等特性也都決定了數據中心能效無法精準評估.隨機性與模糊性不可避免地與數據中心的能效評估聯系在一起.利用云模型從多個維度對數據中心的能效進行評估,不僅克服了單一指標的不足,也兼顧了數據中心能效評估存在的隨機性與模糊性問題.

云模型主要由期望值(Ex)、熵(En)、超熵(He)這3個云數字特征組成,這3個特征值被用來描述整體概念.一個數字特征為(15,4,0.3)的正向云模型如圖1所示:

Fig.1 Standard normal cloud model圖1 標準正態云模型

云模型的定義為:假設有一個用精確數值表示的定量論域Z,C是Z上的一個定性概念,如果論域Z中的隨機數x∈Z,且x是有穩定傾向的定性概念C的一個隨機實現,樣本值x滿足x～Normrnd(Ex,En′2),并且x對C的隸屬度滿足He2),那么x在Z上的分布稱為云.

雖然云模型評估充分利用了云模型所包含的信息,但是它沒有考慮實際評估中不同指標對數據中心綜合能效的影響,考慮到數據中心能效指標的重要性存在一定差異,有必要將指標權重與云模型相結合.賦權通常有2種方法:主觀賦權和客觀賦權.主觀賦權是基于人們對事物的理解、經驗和知識,結合具體的判斷規則,為不同的指標設定權重,存在一定的主觀性.客觀賦權是根據數據樣本來獲得相應的權重,存在脫離實際情況的風險.本文采用了主客觀相結合的方法為數據中心指標設定權重,弱化單一賦權方法的不足.層次分析法(AHP)[24]是美國匹茲堡大學運算學家Saaty教授早在20世紀70年代初提出的一種主觀賦權方法,它是對定性問題進行定量分析的一種靈活實用的多標準制定方法.熵權法[25]是一種有效的客觀賦權方法,被廣泛應用于工程技術、社會經濟等領域.這2種方法的結合被稱為最優賦權法.

由于得到能效評估的等級結果同現有的方法一樣都僅能起到監管作用,而不能確定影響數據中心能效的薄弱環節,對于能效的改進缺乏意義,因此引入了灰色關聯方法對能效評估的結果進行分析,從而利用評估結果來改進能效.此外,灰色關聯分析適用于小樣本評估,尤其適用于不易獲得的數據.數據中心往往由于測量上的困難缺乏有效的數據,因此應用灰色關聯分析法到數據中心的能效評估中極具優勢.

灰色關聯方法[26-28]通過研究數據關聯性大小(母序列與特征序列之間的關聯程度),通過關聯度(即關聯性大小)度量數據之間的關聯程度.在系統發展過程中,如果2個因素的變化趨勢一致,則同步變化程度越高,即2個因素的相關性越高,反之相關性越低.因此,灰色關聯方法可以幫助研究人員分析不同能效指標對評估結果的影響程度,從而對數據中心的能效進行有針對性的改進.

2 云-灰色關聯能效評估模型

本文中將能源效率分為5個等級,即高能效(等級Ⅰ)、較高能效(等級Ⅱ)、中等能效(等級Ⅲ)、較低能效(等級Ⅳ)和低能效(等級Ⅴ).因為數據中心是極其復雜的,難以對數據中心的能效評估做極其精確的要求,分級更有利于數據中心行業的規劃和監管.根據模型計算結果確定數據中心能效等級,具體的評估過程如圖2所示:

Fig.2 Energy efficiency evaluation model of data center圖2 數據中心能效評估模型

首先,選取指標建立能效評估體系C＝{c1,c2,…,c n},其中n表示指標的個數,為每一個能效指標設置相應的能效分級標準L＝{Ⅰ,Ⅱ,Ⅲ,Ⅳ,Ⅴ}.根據分級標準對應的雙邊邊界,確定云模型的特征值,即期望(Ex)、熵(En)和超熵(He),得到用于評估各個指標的云模型.

在計算樣本的隸屬度之前,有必要先確定指標的權重w＝(w1,w2,…,w n),n是指標個數.在綜合了主客觀權重得到綜合權重w i之后,計算出綜合隸屬度U p,k(樣本p屬于等級k的隸屬度).將樣本數據代入能效評估模型,樣本數據和權重被綜合到隸屬度模型中計算得到綜合隸屬度,計算得到的max{U p,k}對應相應的能效等級.最后,基于綜合隸屬度和各能效指標分析各能效因子對數據中心能效評估結果的影響.

2.1 數據中心能效指標的選擇

數據中心的能耗大致分為2部分:IT設備的能耗和基礎架構的能耗.通常,數據中心中最耗能的部分是IT設備,其次是冷卻系統和其他輔助設備.典型數據中心的電力分配如圖3所示:

Fig.3 Power delivery in a typical data center圖3 典型數據中心的電力分配

數據中心的電力來源通常來自電網或備用發電機,輸入到數據中心的能量將轉換到它驅動的組件上,這些轉換由于效率低而導致能量耗損.在某些數據中心與其他業務并不獨立分開的企業,數據中心的能源消耗與辦公室及生產消耗是沒有嚴格區分的,因此,數據中心的能耗極為復雜.

目前研究人員已經研發了數百個數據中心的能效指標[29-30],美國的技術報告[31]提供了與現有數據中心相關的能耗測量指標的相關列表,這些指標從不同的粒度衡量數據中心的能源效率.由綠色電網開發的電力使用效率[32](power usage effectiveness,PUE)指標得到了國際上的廣泛認可,但它比較粗略,并不能完全揭示數據中心的能效.具體來說,由于計算資源的低效利用而造成的能源浪費還沒有得到廣泛的研究.因此,PUE能否繼續領導能效是令人質疑的[33-36].數據中心行業還引入了不同的性能指標來衡量和比較數據中心的性能和效率,如數據中心單位能源的性能(data center performance per energy)、ASHRAE性能指標[37],以及其他可用于評估整個數據中心或數據中心的各個子組件(散熱、IT、電源)的指標.這些子組件與總能源使用,如水使用或碳排放以及子系統效率(例如溫度分布)有關[38].數據中心能效指標的選擇應遵循7個原則:

1)指標是可測量的,并且需要獨立于硬件設備.如果它們無法測量,至少可以精確地估計.

2)指標是獨立的,不同指標之間沒有重疊.

3)指標是全面的,指標應該能夠體現其衡量的功能系統能效,能夠整合數據中心的所有能效影響因素.

4)指標應以優化數據中心能源效率為導向,反映數據中心能源效率,并有可追溯的優化方向.

5)指標的測量不能消耗過多的資源,同時又不能影響正常的業務.

6)指標的度量尺度和粒度需要滿足實際的評估需求.

7)指標可以有效地度量多個數據中心的性能,并且是可推廣的.

基于上述7個原則選取了5個數據中心能效指標,這5個指標涵蓋了影響數據中心能耗的各個方面,能夠綜合評估數據中心的能效.這5個指標如下:

1)供電負載系數(powersupply load factor,PLF).PLF是數據中心供配電系統的耗電與IT設備耗電量的比值.

其中,Ppower是供配電系統的耗電量,PIT是IT設備消耗的電量.

2)制冷負載系數(cooling load factor,CLF).CLF被定義為數據中心的制冷設備功耗與IT設備功耗的比值.制冷是數據中心能源消耗的主要來源之一,降低冷卻能耗是提高數據中心能源效率的關鍵.

其中,Pcooling是制冷設備所消耗的能源.

3)其他因素的能源使用效率(other power usage effectiveness,o PUE).o PUE是指除主要設備外所消耗的能源,例如IT設備、制冷設備及供配電設備的照明、消防、監控等.

其中,Pother是輔助設備例如照明所消耗的能源.

4)二氧化碳使用效率(CO2usage effectiveness,CUE).CUE是一個衡量數據中心碳足跡的可持續性指標.對于使用電網發電的數據中心,CUE被定義為二氧化碳排放與IT設備使用能源的比值[39].

其中,CO2emission是數據中心的二氧化碳排放量,Annual kWh IT load是IT設備一年的能耗.通常根據二氧化碳排放因子CEF和PUE值計算出來.

5)服務器電力使用效率(server power usage effectiveness,sPUE).sPUE是IT設備消耗的電力與服務器消耗的電力的比值.

其中,Pserver是服務器所消耗的電量.

2.2 能效指標賦權

對能效指標進行主觀賦權需要一定的專家知識和經驗,對客觀現實進行主觀判斷使專家意見和客觀事實有效地結合起來.本文的主觀賦權法原理來自層次分析法.首先,將主觀定性的判斷轉化為定量的數值,元素的相對重要性是用數學方法計算的,由于指標都在同一層次上,因此沒有對指標進行分層.將所選取的能效評價指標兩兩比較,根據1～9標度法創建評判矩陣A.

根據矩陣運算的知識,可以將各因子的權重系數看作一個特征向量,如果最大的值是λmax,那么特征向量w s能夠根據式(6)得到.特征向量w s中的元素w s1,w s2,…,w sn就是主觀權重.

一致性指標CI計算為

其中,n為矩陣的大小.n對應唯一的隨機一致性指標,可以通過查表得到,如表1所示.表1中RI表示隨機一致性指標.

Table 1 Random Consensus Index表1 隨機一致性指標

一致性比率CR計算為

當CR＜0.1時,可以認為所構造的比較矩陣是完全一致的,所得到的權值是合理的;否則主觀賦值權重存在不一致問題,需要調整矩陣元素直到CR＜0.1.

如果能夠通過一致性檢驗,那么求得的特征向量即為各能效指標的權重向量.能效指標的主觀權重計算如算法1所示.

算法1.主觀賦權算法(SWA).

輸入:評分矩陣A、隨機一致性指標RI;

輸出:主觀權重w s、一致性比率CR.

①計算評分矩陣A的大小n;

②計算評分矩陣A的特征值λmax;

③計算特征值對應的特征向量w s;

④根據式(7)計算一致性指標CI;

⑤根據式(8)計算一致性比率CR;

⑥輸出權重結果w s、一致性比率CR.

客觀賦權法是通過數學方法確定權重的一種方法,它考慮了原始數據之間的關系.它的判斷結果不依賴于人的主觀判斷,具有較強的數學理論基礎.本文中客觀賦權法采用的是熵權法,熵權法根據測量值的可變性來確定目標權重.

如果度量的信息熵較小,說明度量的變化程度較大,能夠提供的信息更多.在綜合評估中具有更重要的作用和更大的權重.相反,一個度量的信息熵越小,表示該度量提供的信息越少,權重也就越小.

由于不同指標的維度不同,首先必須對指標數據進行標準化處理.有2種類型的度量標準,正向指標(數值越大越好)和逆向指標(數值越小越好).標準化方法見文獻[40].

假設有m個數據中心和n個指標,x ij代表第j個數據中心的第i個指標(j＝1,2,…,m;i＝1,2,…,n),在計算熵值之前,需要對樣本數據進行歸一化[25].根據信息論中信息熵的定義,數據的信息熵計算為

其中,P ij表示第j個數據中心第i個指標值的占比,P ij計算為

基于熵值法的權重為

其中,e i表示第i個指標的熵值.

客觀權重的計算如算法2所示.

算法2.客觀賦權算法(OWA).

輸入:樣本數據X;

輸出:客觀權重w o.

①對數據進行無量綱化處理;

②for每一個樣本do

③ 根據式(9)計算能效指標的熵值e i;

④end for

⑤for每一個指標do

⑥ 根據式(11)計算權重w oi;

⑦end for

⑧輸出客觀權重的結果w o.

利用加法集成法[41],綜合性權重w i計算為

2.3 云評估模型

多指標融合原理是將云模型計算得到的隸屬度與權重相結合.在每個(Ex,En,He)云模型中,Ex表示某一云數據中心能效水平的期望值,可以理解為云模型的重心;En表示該指標定性概念的不確定性;He為云生成過程中數據中心能效指標的超熵,表示熵的不確定性.

等級邊界處的值是從一個級別到另一個級別的轉換值,它應該同時屬于2個等級且均有50%的可能性,因此式(14)成立:

將式(13)代入式(14),那么:

化簡,即可得到:

He i,k作為熵值不確定性的度量,通常是根據實際情況結合經驗取值.本文中考慮實際情況并反復實驗最終確定He＝0.000 1.如果取值過大,隸屬度的隨機性也會越大,評估結果不穩定.如果取值過小,則云滴的離散度過小,不符合實際情況.產生一個隨 機 數 滿 足它 滿 足 正 態 分 布,輸入樣本數據x得到每個樣本各指標c i在等級k處指標的隸屬度為

將各能效指標的權重進行組合,計算綜合隸屬度:

其中,n為能效指標的總數.樣本p的每個指標隸屬等級k的隸屬度根據式(17)計算得到.w i是根據式(12)計算得到的混合權重.對每一個樣本p,每一個等級都有一個隸屬度結果U＝{U p,1,U p,2,…,U p,k}.b k是等級j的分值,相應的評估等級的分值為{1,2,…,k},采用加權平均法得到綜合評價分數r為

由于正態分布函數的參與,定量度量與正態云隸屬度的計算過程具有一定的隨機因素.因此,綜合評價得分的期望值E r x為

熵值E r h為

其中,h是計算次數,r(i)是第i次計算得到的綜合評估分數.期望值為最能代表數據中心能效評估水平的評估得分.熵是評價結果離散度的度量,數值越大,評估結果越分散.能效評估的可信度因子θ為

θ值越大,評估結果的可信度越小;反之,評估結果的可信度越高.當評估結果可信時,樣本p所屬的級別K?可以根據最大隸屬度原則確定:

具體步驟總結如算法3所示.

算法3.云評估算法(CEA).

輸入:樣本數據X、分級標準;

輸出:最大隸屬度U p,k、可信度因子θ.

②調用算法1和2得到綜合權重w i;

③fori＝1:h/?h為計算次數?/

④ for每一個樣本do

⑤ for每一個指標do

⑥ 根據式(13)計算期望Ex i,k;

⑦ 根據式(16)計算熵En i,k;

⑧ 為He i,k賦常量值;

⑩ 根據式(17)計算隸屬度μ(x i,k);

? end for

? end for

? 根據式(19)計算綜合評判分數r(i);

? end for

?取h次計算得到的E′r x結果的均值E r x;

?根據式(20),(21)計算綜合評判分數的熵E r h;

?根據式(22)計算可信度因子θ;

?輸出最終的最大隸屬度U p,k,θ.

2.4 灰色關聯分析

利用灰色關聯分析方法分析特征序列與參考序列之間的關系.以云模型的綜合隸屬度作為參考序列,采用灰色關聯分析法對云模型能效評估結果進行分析.灰色關聯法分析的算法如算法4所示.

算法4.灰色關聯算法(GRA).

輸入:樣本數據X;

輸出:輸出關聯系數ξi(j)和關聯度r i.

①初始化:算法CEA得到的隸屬度為x0(j);

②fori＝1:n/?n為指標個數?/

③ forj＝1:m/?m為樣本數?/

④λij＝x0(j)－x i(j);

⑤ end for

⑥end for

?輸出關聯系數ξi(j)和關聯度r i.

灰色關聯分析同樣要對數據進行無量綱化處理.對于m個數據中心的n個指標,對于某個特征序列X i＝{x i(j)|i＝1,2,…,n,j＝1,2,…,m},參考序列為X0＝{x0(j)|j＝1,2,…,m},它用于判斷評估等級的綜合隸屬度.灰色相關系數的計算方法為

其中,λij＝|x0(j)－x i(j)|,x i(j)代表第j個數據中心的第i個指標值.ξi(j)是第j個數據中心的第i個指標相對于參考指標的關聯系數,ρ是一個分辨系數,ρ∈[0,1].ρ越小,關聯系數間差異越大,區分能力越強.通常ρ＝0.5.每個指標c i的關聯度r i是關聯系數的平均值,可以計算為

其中,m是數據中心樣本的個數,ξi(j)是第j個數據中心第i個指標的能效評估結果的關聯系數.

3 能效評估案例分析

3.1 數據來源

施耐德開發了一系列電力權衡工具[42].電力權衡工具是基于數據和科學的簡單交互式工具,它使得在數據中心規劃期間改變參數,試驗場景變得很容易.本文使用一組權衡工具模擬具有不同配置的6個數據中心,具體的配置如表2所示.

根據專家的經驗和調研及數據分布情況,對所選的5個指標(PLF,CLF,oPUE,CUE,sPUE)進行分級,分級結果如表3所示.

Table 2 Data Center Configuration表2 數據中心配置

Table 3 Data Center Energy Efficiency Metric Classification表3 數據中心能效指標分級

結合能效評級標準,各指標對應的能效評級云圖如圖4～8所示.根據配置工具獲得的數據,計算出數據中心評估指標體系中每個指標的具體數據,如表4所示.

Fig.4 The cloud model of PLF圖4 PLF的云模型

Fig.5 The cloud model of CLF圖5 CLF的云模型

Fig.6 The cloud model of oPUE圖6 o PUE的云模型

Fig.7 The cloud model of CUE圖7 CUE的云模型

Fig.8 The cloud model of sPUE圖8 sPUE的云模型

Table 4 Sample Data表4 樣本數據

3.2 權重計算

根據綜合權重法對數據中心的能源效率指標進行加權,由于客觀加權是根據信息熵和樣本數據的變異系數計算的,因此熵值較大時,由于其不穩定性,對結果的影響更大.熵值小的指標值由于不穩定性較低而對結果的影響較小.因此,可能存在重要指標權重較小的情況.因此,本文使用主觀加權方法進行調整.使用1～9標度法對數據中心建立評判矩陣,結果如矩陣A所示:

根據評分矩陣A得到CI＝0.0716,且一致性比率CR＝0.063 9＜0.10,因此一致性檢驗通過.計算得到數據中心能效評價指標體系各指標的綜合權重,權重計算結果如表5所示:

Table 5 Weighting of Energy Efficiency Metrics表5 能效指標權重

3.3 多指標能效評估

通過Matlab將樣本數據引入評估模型進行統計計算,得到不同數據中心的能源效率評估結果.從表6中可以看到評估結果的置信因子θ＜0.1,證明評估結果是可信的.評估結果如圖9所示.

Table 6 Comparison of Different Evaluation Methods表6 不同評估方法的評估結果比較

為了進一步證明云能效評估方法的有效性,利用Topsis[43],rank-sum-ratio(RSR)[44-45]和entropy weighttopsis methods(En-topsis)[46-47]對數據中心能效進行了評估,比較結果如表6所示.其中Topsis和En-topsis得到的都是樣本數據中心的排名,與本文的云能效評估方法(CEA)的等級結果趨勢一致.RSR也將能效分為5個等級,它的評級結果與云能效評估結果相差不超過一個等級,即結果是相似的.這些方法的結果表明,云評估能效方法是可信的.

Fig.9 Comprehensive membership calculation results圖9 綜合隸屬度的計算結果

Topsis和En-topsis在實際的評估過程中規范決策矩陣的處理比較復雜,不容易求出理想解,而RSR方法在使用的過程中有可能會損失一些數據信息,導致對數據信息的利用不完全.由于這些方法不如云模型在定性與定量轉換上的有效性,且無法克服數據中心能效評估不確定性的特點,因此云模型的方法在數據中心的能效評估問題上是更具優勢的.

3.4 能效指標影響因子分析

將隸屬度作為母序列,指標作為特征值序列,利用灰色關聯分析得到各指標和隸屬度之間的關聯度.各能效指標對能效評估結果的關聯度如圖10所示:

Fig.10 The relevance of each metric to the evaluation result圖10 能效指標關聯度

由圖10可以發現CUE是一個高度相關的因素,其次是CLF.研究數據中心能效的根本目的是節約能源,實現可持續發展.碳排放控制是提高數據中心能效的重要環節,這意味著清潔能源在數據中心的使用將是未來發展的必然要求.該能效研究結果督促數據中心運營商使用更清潔的能源以減少數據中心的碳排放,提高能源效率.此外,CLF對能效評估的結果也有很大影響,這與行業內對數據中心能效的一般理解是一致的.

控制冷卻能耗是提高數據中心能效的重要手段.數據中心必須配備足夠的冷卻設備以提供良好的環境條件來保證數據中心的正常運行,而冷卻設備不僅消耗大量的能量,還產生大量的熱量,如果數據中心冷卻設備出現故障,IT設備過熱,那么數據安全將受到威脅,也可能會給數據中心帶來巨大的損失,選擇一個安全且有效的制冷策略對數據中心運營商而言是一個巨大的挑戰.相關性最小的指標是sPUE.但是當碳排放、冷卻、供電和配電等能效影響因素都相對較好時,這一點不應被忽視.

影響數據中心能效的因素分析如圖11所示.對于前4個數據中心樣本,CLF是除CUE之外影響評估結果最大的因素.對于后2個數據中心樣本,PLF因素對結果的影響甚至超過了冷卻的影響,這意味著需要對數據中心的供配電設施進行優化,以提高數據中心的整體能效.根據評估結果,不同的指標對數據中心能效評估結果的影響程度不同.因此,不同數據中心在節能方面的優化重點也有所不同,數據中心運營商可以根據分析結果更有針對性地提高數據中心能源效率.

Fig.11 The correlation coefficient of each metric of each sample圖11 樣本各指標關聯系數

4 結 論

數字時代已經到來,云網融合將使得數據中心行業迎來新的繁榮,而控制數據中心能耗的增長已經成為亟待解決的問題,為了更好地提升數據中心的能源效率,有必要使用多個指標從多個方面對數據中心的能效進行評估.本文從數據中心的能耗來源出發,分析了IT設備、冷卻設備、供配電系統等.然后從各種數據中心能效指標中選取了5個重要的且有代表性的指標,這5個指標的組合可以綜合評估數據中心的能源效率.

利用主客觀加權相結合的方法對數據中心不同的能效指標進行權重分配,然后采用云模型方法融合不同的數據中心能效指標,得到綜合的能效評估結果.最后,應用灰色關聯分析方法對影響數據中心能源效率的重要因素進行了分析.實驗結果表明:該評估方法能夠有效地評估數據中心的能效.完成了能效指標從定量到定性的轉換,并能夠找到影響數據中心能效評估水平的因素,為數據中心能效提升提供了有利的途徑和有價值的幫助.