數(shù)據(jù)中心服務(wù)器功耗模型研究進(jìn)展

岳天亮， 朱 兵， 苗益川， 呂 麗

（貴州大學(xué)電氣工程學(xué)院， 貴陽 550025）

0 引 言

數(shù)據(jù)中心不僅是實(shí)現(xiàn)多種數(shù)字化技術(shù)的重要基石，更是推動(dòng)國家經(jīng)濟(jì)轉(zhuǎn)型升級(jí)的重要?jiǎng)恿Α?伴隨全球數(shù)據(jù)中心產(chǎn)業(yè)的快速發(fā)展，中國數(shù)據(jù)中心產(chǎn)業(yè)發(fā)展也在不斷提升，同時(shí)數(shù)據(jù)中心能源和運(yùn)營損耗也日漸增加。 2019 年，中國云計(jì)算整體市場規(guī)模達(dá)1 334億元，增速38.6%［1］；2019 年中國大數(shù)據(jù)產(chǎn)業(yè)規(guī)模為5 397 億元，預(yù)計(jì)到2022 年大數(shù)據(jù)產(chǎn)業(yè)規(guī)模將突破萬億，未來將成為世界第一數(shù)據(jù)資源大國和全球數(shù)據(jù)中心［2］；2018 年數(shù)據(jù)中心總用電量為1 608.89 億千瓦時(shí)，預(yù)計(jì)到2023 年數(shù)據(jù)中心總用電量將增長到2 667.92 億千瓦時(shí)時(shí)，數(shù)據(jù)中心的電費(fèi)占數(shù)據(jù)中心運(yùn)維總成本60%以上［3］。

數(shù)據(jù)中心由4 大部分組成：電源設(shè)備、冷卻設(shè)備、IT 設(shè)備和其他輔助組件。 IT 設(shè)備和冷卻設(shè)備是兩個(gè)主要組成部分，約占數(shù)據(jù)中心總能耗的90%［4］。 典型數(shù)據(jù)中心的熱流和能流圖如圖1 所示，服務(wù)器消耗電力并向熱環(huán)境散熱，決定了制冷系統(tǒng)的制冷負(fù)荷，進(jìn)而影響制冷設(shè)備的用電量。 而改變冷卻系統(tǒng)運(yùn)行參數(shù)會(huì)影響服務(wù)器的進(jìn)氣溫度和氣流，影響服務(wù)器的能耗。 因此，服務(wù)器是數(shù)據(jù)中心熱流和能流的基本單元，IT 設(shè)備和冷卻設(shè)備因熱環(huán)境耦合。 由于設(shè)備效率的不斷提高，IT 設(shè)備和制冷設(shè)備的節(jié)能將獲得最大化，能源轉(zhuǎn)換潛力體現(xiàn)在能源和熱管理上。 數(shù)據(jù)中心執(zhí)行這兩個(gè)管理功能的必要條件是準(zhǔn)確的服務(wù)器功耗模型。 功耗模型有助于識(shí)別優(yōu)化機(jī)會(huì)和預(yù)測決策的后果，并益于更有效的管理／控制，可最大程度地節(jié)約能源。 此外，服務(wù)器功耗模型在數(shù)據(jù)中心冷卻系統(tǒng)設(shè)計(jì)和電力趨勢預(yù)測中發(fā)揮著重要作用。

圖1 典型數(shù)據(jù)中心的熱流和能流圖Fig. 1 Heat and energy flow diagram of a typical data center

1 服務(wù)器介紹

服務(wù)器是在網(wǎng)絡(luò)環(huán)境中提供計(jì)算能力并運(yùn)行軟件應(yīng)用程序的特定IT 設(shè)備。 服務(wù)器主要構(gòu)件有：CPU、內(nèi)存、芯片組、I／O 設(shè)備、存儲(chǔ)器、外圍設(shè)備、穩(wěn)壓器、電源和冷卻系統(tǒng)。

1.1 服務(wù)器分類

根據(jù)服務(wù)器的配置和結(jié)構(gòu)，分為機(jī)架式、刀片式和塔式。 機(jī)架式服務(wù)器在數(shù)據(jù)中心應(yīng)用最為廣泛，安裝在標(biāo)準(zhǔn)的19 英寸機(jī)柜內(nèi)，有1U（1U ＝1.75 英寸）、2U、4U 等規(guī)格；刀片服務(wù)器擁有可插入標(biāo)準(zhǔn)機(jī)架機(jī)箱的“刀片”單元，每個(gè)“刀片”均有一塊帶有處理器、內(nèi)存和I／O 設(shè)備的板；塔式服務(wù)器外形與結(jié)構(gòu)和普通電腦主機(jī)類似。 根據(jù)應(yīng)用場景，服務(wù)器可以分為數(shù)據(jù)庫、文件、郵件、打印、網(wǎng)絡(luò)、游戲和應(yīng)用等服務(wù)器。

1.2 服務(wù)器工作負(fù)載

基于工作負(fù)載，可將服務(wù)器分為科學(xué)研究、數(shù)據(jù)分析、業(yè)務(wù)處理、云數(shù)據(jù)、可視化和音頻、通信和存儲(chǔ)7 大類［5］。 各類服務(wù)器的工作負(fù)載類型見表1，各工作負(fù)載類型下的IT 設(shè)備硬件利用率見表2。

表1 服務(wù)器常見工作負(fù)載類型Tab. 1 Common types of server workloads

表2 常見工作負(fù)載類型下IT 硬件的利用率Tab. 2 Utilization of IT hardware for common workload types

常見工作負(fù)載機(jī)架功耗趨勢如圖2 所示，可知科學(xué)研究、數(shù)據(jù)分析工作負(fù)載機(jī)架功耗增長較快，這兩種負(fù)載對服務(wù)器CPU 的利用率高，且隨著CPU多核、超頻、超線程的發(fā)展，機(jī)架功耗增加較快。 通信及存儲(chǔ)工作負(fù)載對服務(wù)器硬盤和I／O 利用率高，而硬盤和I／O 的功耗增長緩慢，所以機(jī)架功耗增長緩慢。 不同類型的工作負(fù)載，其功耗趨勢不同，對服務(wù)器各硬件的利用程度不同，故可根據(jù)服務(wù)器工作負(fù)載的類型預(yù)測服務(wù)器的功耗。

圖2 常見工作負(fù)載機(jī)架功耗趨勢Fig. 2 Common workload rack power trend

2 服務(wù)器功耗模型

建立服務(wù)器功耗模型的目的：

（1）估計(jì)電源管理的潛力；

（2）預(yù)測服務(wù)器或數(shù)據(jù)中心的能耗；

（3）平衡數(shù)據(jù)中心的需求：即降低能耗和提供高可靠性。 現(xiàn)有功耗模型涵蓋了物理機(jī)和虛擬機(jī)，可分為相加模型、動(dòng)態(tài)模型和其他模型。

2.1 相加模型

服務(wù)器的功耗組成及占比如圖3 所示，其中CPU 在服務(wù)器功耗中的占比最大，其次是外圍設(shè)備、電源、內(nèi)存、主板、硬盤／存儲(chǔ)以及冷卻風(fēng)扇。 可將各部分功耗直接相加來建立服務(wù)器功耗模型，如式（1）所示。

圖3 服務(wù)器功耗構(gòu)成Fig. 3 Server power consumption composition

其中，PCPU、Pmemory、Pdisk和PI／O分別代表CPU、內(nèi)存、存儲(chǔ)和I／O 設(shè)備功耗。

各元件均有其自身的功耗模型，不同服務(wù)器的配置不同，其主要耗能元件及其占比會(huì)略有不同，如圖4 所示。

圖4 不同服務(wù)器配置下各組件的功耗占比Fig. 4 Power consumption ratio of components in different server configurations

相加模型將數(shù)據(jù)中心服務(wù)器在運(yùn)行過程中產(chǎn)生的功耗總量表示為各子系統(tǒng)的能耗總和。 一些學(xué)者認(rèn)為CPU、內(nèi)存、硬盤、網(wǎng)絡(luò)和風(fēng)扇是服務(wù)器功耗模型的主要組成部分［6-7］，其它元件的功耗與CPU 和內(nèi)存相比較小，或與CPU 功耗關(guān)聯(lián)性較好，即CPU和內(nèi)存是主要組成部分；所以服務(wù)器功耗模型是CPU、內(nèi)存和其他設(shè)備的函數(shù)［8］

2.2 動(dòng)態(tài)模型

服務(wù)器并不總是處于活動(dòng)狀態(tài)，因此服務(wù)器功耗分為：

（1）靜態(tài)功耗（Pbase），即空閑功耗，包括CPU、內(nèi)存、I／O 等部件在空閑狀態(tài)下的功耗，取固定值；

（2）動(dòng)態(tài)功耗（Pactive），即服務(wù)器功耗取決于工作負(fù)載，服務(wù)器功耗與服務(wù)器運(yùn)行狀態(tài)下的負(fù)載處理量、CPU 利用率、任務(wù)處理時(shí)間和類型等變量相關(guān)。

相加模型表示為靜態(tài)功耗和動(dòng)態(tài)功耗之和［9-10］，如式（2）所示。

其中，PΔ是修正系數(shù)（固定值或表達(dá)式）。

將Pbase視為常數(shù)，并將Pactive表示為函數(shù)（線性函數(shù)、冪函數(shù)、高次多項(xiàng)式等）。 動(dòng)態(tài)模型可分為回歸模型、冪函數(shù)模型和多項(xiàng)式模型。

從發(fā)熱和散熱角度出發(fā)，服務(wù)器包括IT 組件和散熱組件，服務(wù)器功耗模型轉(zhuǎn)換為IT 組件和散熱組件總和［11-12］。

2.2.1 回歸模型

服務(wù)器功耗回歸模型考慮了服務(wù)器的功能單元的功耗和性能計(jì)數(shù)器之間的相關(guān)性，捕獲了固定或空閑功耗以及隨著服務(wù)器功能單元活動(dòng)的變化而變化的動(dòng)態(tài)功耗。 因此，基于回歸的服務(wù)器功耗模型也被稱為“冪律模型”。 由于回歸模型的簡單和可解釋，研究中大多采用回歸模型，但服務(wù)器工作負(fù)載的波動(dòng)頻繁，這些模型不適合跟蹤云計(jì)算中的服務(wù)器功耗［13］。 Fan 等［14］分析了回歸模型的精度，認(rèn)為回歸模型可以很好地預(yù)測動(dòng)態(tài)功耗，誤差低于5%。然而，非線性模型的誤差在1%左右，具體取決于應(yīng)用對象。 本文將回歸模型分為：簡單回歸模型、多元回歸模型和非線性回歸模型。

2.2.1.1 簡單回歸模型

功耗和捕捉CPU 活動(dòng)性能計(jì)數(shù)器之間的相關(guān)性于2000 年首次提出。 基于此，F(xiàn)an 等［14］認(rèn)為服務(wù)器的整體功耗位于空閑功耗與峰值功耗區(qū)間內(nèi)時(shí)，其值與CPU 利用率成一元線性關(guān)系，服務(wù)器功耗Pserver如式（3）所示，且該模型得到了實(shí)驗(yàn)驗(yàn)證。 考慮進(jìn)風(fēng)溫度對服務(wù)器功耗的影響，Wang［15］等人用進(jìn)風(fēng)溫度的二階多項(xiàng)式對功耗模型進(jìn)行了修正。

其中，Pidle為服務(wù)器的靜態(tài)功耗（W）；Pactive為服務(wù)器的峰值功耗（W）；u 為服務(wù)器利用率。

Kavanagh 等［16］提出一個(gè)類似基于云系統(tǒng)與虛擬機(jī)的模型，針對不同應(yīng)用場景使用不同的自變量，能源用戶總功耗Px，如式（4）所示：

其中，Hidle和Hactive分別為主機(jī)測量的靜態(tài)功耗與動(dòng)態(tài)功耗；為指定的能源用戶的CPU利用率；與分別為主機(jī)上能源用戶的計(jì)數(shù)和指定主機(jī)上能源用戶集成員的CPU 利用率。

Rezaei-Mayahi 等［17］采用簡單回歸模型，考慮CPU 溫度和進(jìn)氣溫度的差異，研究環(huán)境溫度對功耗的負(fù)面影響，假設(shè)CPU 溫度與服務(wù)器利用率呈線性相關(guān)，并分析了入口溫度與功率增量之間的關(guān)系，并反映在公式（2）的增量中。

2.2.1.2 多元回歸模型

公式（2）和公式（3）所示簡單回歸模型基于CPU 利用率，而處理角度不同，簡單回歸模型能夠?qū)PU 密集型工作負(fù)載產(chǎn)生的能耗進(jìn)行合理的預(yù)測，但面對I／O 和內(nèi)存密集型應(yīng)用程序引起的功耗力不從心。 一些研究在服務(wù)器能耗回歸模型中考慮兩個(gè)及以上影響因素作為自變量，對多元回歸模型進(jìn)行研究。

Alan 等［18］提出CPU 利用率、內(nèi)存讀取速度、磁盤和網(wǎng)絡(luò)利用率函數(shù)的功耗模型，其擬合結(jié)果證明誤差不超過6%，服務(wù)器的功耗Pserver（W） 如式（5）所示：

其中，ucpu、umem、udisk、unet分別為CPU、內(nèi)存、磁盤以及網(wǎng)絡(luò)的利用率。

Lent［19］假設(shè)CPU、磁盤和I／O 端口等子系統(tǒng)在各自的利用率方面呈現(xiàn)線性功耗。 Witkowski 等［20］則將CPU 溫度添加到功耗模型中。

（3）非線性模型

Fan 等［14］提出了一個(gè)包括校準(zhǔn)參數(shù)r的非線性模型，該參數(shù)使平方誤差最小，如式（6）所示：

其中，r是需要通過實(shí)驗(yàn)獲得的平方誤差最小的校準(zhǔn)參數(shù)，且r取決于服務(wù)器類型；Pmax為服務(wù)器的峰值功耗；Pu為服務(wù)器功耗。

在預(yù)測服務(wù)器功耗方面，式（6）中的模型比回歸模型執(zhí)行得更好。

2.2.2 冪函數(shù)模型

冪函數(shù)模型基于服務(wù)器動(dòng)態(tài)電壓頻率縮放（Dynamic Voltage Frequency Scaling，DVFS）技術(shù)，考慮CPU 運(yùn)行頻率（f）、工作電壓（V）對服務(wù)器能耗影響而建立的模型。 借助DVFS 技術(shù)，根據(jù)處理的工作負(fù)載強(qiáng)度對CPU 工作電壓和工作頻率靈活調(diào)節(jié)。 對于某些型號(hào)，CPU 是能耗模型的主要部分，在頻率f下工作，動(dòng)態(tài)功耗與V2×f 成比例，當(dāng)電壓降低時(shí)，頻率也降低。 所有其他組件（CPU 除外）的功耗是獨(dú)立的，因此，服務(wù)器的功耗可以表示為與工作頻率的立方關(guān)系［21］。 此外，在云計(jì)算中，考慮能源成本和性能之間的權(quán)衡，將服務(wù)器利用率和服務(wù)率視為模型的主要組成部分。 然而，一些研究將服務(wù)器利用率作為表征功率模型的變量，且服務(wù)器功耗與CPU 利用率之間存在冪函數(shù)關(guān)系［22］。

2.2.3 多項(xiàng)式模型

針對一元線性回歸模型和冪函數(shù)模型在預(yù)測非CPU 密集型工作負(fù)載的服務(wù)器功耗時(shí)的不準(zhǔn)確性問題，Zhang 等［23］使用高次多項(xiàng)式模型來擬合服務(wù)器功耗，發(fā)現(xiàn)三次多項(xiàng)式具有最佳擬合度。 Lin 等人［24］提出了服務(wù)器能耗與服務(wù)器利用率二階多項(xiàng)式之間的數(shù)學(xué)模型。

2.3 其他模型

相加模型、動(dòng)態(tài)模型是廣泛使用的功耗模型，其他模型也得到了發(fā)展。 BAI 等［25］使用服務(wù)器利用率和芯片溫度的乘積來表示功耗。 有學(xué)者還提出了考慮多核CPU、活動(dòng)虛擬機(jī)數(shù)量、服務(wù)器相關(guān)變量以及CPU 利用率或CPU 平均溫度與進(jìn)風(fēng)溫度的功耗模型［26-27］。

數(shù)據(jù)中心IT 設(shè)備功耗與服務(wù)器處理的工作負(fù)載密切相關(guān)。 負(fù)載處理量增加，服務(wù)器功耗增加，散熱量上升，制冷系統(tǒng)出力增加，數(shù)據(jù)中心整體能耗增加。 量化地研究工作負(fù)載靈活調(diào)度潛力為數(shù)據(jù)中心帶來用電調(diào)節(jié)空間，有助于實(shí)現(xiàn)數(shù)據(jù)中心電力負(fù)荷的精準(zhǔn)調(diào)控，關(guān)鍵環(huán)節(jié)建立工作負(fù)載處理過程與服務(wù)器能耗之間的映射模型，映射模型主要考慮了工作負(fù)載的到達(dá)時(shí)間、處理速率和數(shù)量等影響因素［28-29］。

近年來，云計(jì)算技術(shù)為優(yōu)化和控制數(shù)據(jù)中心的能耗提供了新的方法手段，不少學(xué)者對“云數(shù)據(jù)中心”能耗進(jìn)行研究。 許多學(xué)者利用計(jì)算機(jī)領(lǐng)域傳統(tǒng)的負(fù)載均衡和調(diào)度、資源分配等基礎(chǔ)或改進(jìn)算法，嵌入各類能耗模型，并結(jié)合相關(guān)云計(jì)算平臺(tái)調(diào)度系統(tǒng)對算法效果進(jìn)行評(píng)估［30-31］。 此外，機(jī)器學(xué)習(xí)方法廣泛用于云數(shù)據(jù)中心的功耗模型［32］。

2.4 功耗模型對比

現(xiàn)有功耗模型中主要變量統(tǒng)計(jì)結(jié)果如圖5 所示。 可知模型建立考慮最多的因素是CPU，其次是服務(wù)器、溫度、內(nèi)存和負(fù)載，網(wǎng)絡(luò)和時(shí)鐘頻率關(guān)注較少。 一些研究已經(jīng)驗(yàn)證了模型的準(zhǔn)確性。 據(jù)統(tǒng)計(jì)，相加模型、動(dòng)態(tài)模型的誤差分別小于9%和11%；對于相加模型，大多數(shù)研究的誤差小于5%，最壞情況下的錯(cuò)誤率為10%；對于動(dòng)態(tài)模型，簡單回歸模型、多元回歸模型、冪函數(shù)和多項(xiàng)式等模型的誤差一般分別小于4.6%、7%、6%和4%［33］。 Zhang 等［23］比較了線性、二次和三次模型，線性模型的平均誤差大部分在8%以下，平均誤差為2.74%；二次模型平均誤差2.04%；三次多項(xiàng)式平均誤差都在3%以下，大多數(shù)平均誤差低于1.5%；發(fā)現(xiàn)三次模型可以很好地?cái)M合測量數(shù)據(jù)。 Lin 等［24］分析了6 種功耗模型之間的誤差， 得出多項(xiàng)式模型的平均誤差最小（1.615%），其次是冪函數(shù)模型（2.794%）和二次模型（2.974%）；系數(shù)固定時(shí)，線性和冪函數(shù)模型的誤差分別增加到5.918%和8.222%；僅對線性、冪函數(shù)和多項(xiàng)式三者比較發(fā)現(xiàn)，線性模型最大和最小誤差分別為1.41%和0.07%，冪函數(shù)模型（最大1.29%、最小0.04%），多項(xiàng)式模型（最大1.29%、最小0.05%），這表明3 種模型都能準(zhǔn)確的反映服務(wù)器性能特征。 因此，多項(xiàng)式模型最適合服務(wù)器的功耗。

圖5 服務(wù)器功耗模型主要變量統(tǒng)計(jì)結(jié)果Fig. 5 Statistical results of major variables in the server power model

2.5 功耗模型應(yīng)用

隨著信息通信技術(shù)的發(fā)展，IT 設(shè)備的功率密度和能耗不斷增加，促使冷卻需求和冷卻系統(tǒng)能耗不斷提高。 因此，數(shù)據(jù)中心熱管理和能源管理需要進(jìn)一步加強(qiáng)，服務(wù)器作為能流和熱流的基本單元，將功耗模型應(yīng)用于能量預(yù)測和管理，以減少服務(wù)器和冷卻系統(tǒng)能耗。

2.5.1 數(shù)據(jù)中心（服務(wù)器）能源管理

數(shù)據(jù)中心各部件的功耗模型用于預(yù)測各負(fù)載段功耗，優(yōu)化數(shù)據(jù)中心整體能耗。 利用數(shù)據(jù)中心負(fù)載部分的功耗模型，應(yīng)用不同的功耗優(yōu)化方法，以確保數(shù)據(jù)中心的能源效率和成本效益［34］。 為了減少服務(wù)器能耗，研究人員通過考慮最佳熱環(huán)境，提出基于服務(wù)器電源模型的節(jié)能控制策略。 Berezovskaya等［35］提出了一個(gè)用于任意數(shù)據(jù)中心建模的模塊化工具箱，并用該工具箱搭建SICS ICE 數(shù)據(jù)中心模塊1 的模型，對比了模塊1 中所有SEE 冷卻器在兩種策略下的能耗發(fā)現(xiàn)，當(dāng)前策略消耗2.5 kWh，而新策略消耗0.785 7 kWh，節(jié)省1.717 7 kWh，12 h 節(jié)能率為68.6%；Zapater 等［36］分析了計(jì)算能力、溫度、泄漏和冷卻功率之間的關(guān)系，并提出了一種冷卻管理策略，通過設(shè)置運(yùn)行期間的最佳風(fēng)扇速度來最小化服務(wù)器能耗。 整個(gè)集群在泄漏和風(fēng)扇功率方面的節(jié)能將隨著環(huán)境溫度的升高而增加，在32 ℃時(shí)最大可節(jié)省10.3%。

服務(wù)器功耗模型可在操作期間指導(dǎo)服務(wù)器電源開／關(guān)、工作負(fù)載分配和虛擬化。 服務(wù)器的“空閑”在實(shí)踐中意味：

（1）服務(wù)器必須對新工作的請求立即做出反應(yīng)；

（2）服務(wù)器允許短暫暫停；

（3）服務(wù)器有足夠的時(shí)間喚醒［37］。

虛擬化技術(shù)允許共享服務(wù)器、存儲(chǔ)和網(wǎng)絡(luò)設(shè)備，以提高資源利用率［38］；在虛擬化中，應(yīng)用程序能很容易地從一個(gè)物理服務(wù)器遷移到另一個(gè)。 管理人員將工作負(fù)載分配到指定服務(wù)器，其他服務(wù)器通過任務(wù)需求來關(guān)閉電源或進(jìn)入睡眠模式。 Noguchi 和Nishi［39］比較了服務(wù)器容量和傳入請求總和容量，以確定是否啟動(dòng)服務(wù)器；Li 等［40］為了改進(jìn)傳統(tǒng)的性能-能源模型，最大限度地減少云數(shù)據(jù)中心的能源消耗，提出了一種節(jié)能和QoS 感知（EEQoS）的虛擬資源整合模型，并將EEQoS 模型與粒子群優(yōu)化算法相結(jié)合，通過設(shè)置每個(gè)QoS 值功耗為目標(biāo)函數(shù)來整合數(shù)據(jù)中心的虛擬資源，與傳統(tǒng)模型相比，該模型平均減少了27.2%響應(yīng)時(shí)間、31.4%成本和40.5%SLA 違例率，并平均提高了13.5%吞吐量和增加了不到3.8%能耗；Arshad［41］等提出一個(gè)基于虛擬機(jī)功耗模型整合概念的能效啟發(fā)式新算法，使用虛擬機(jī)整合來最小化云中高能耗，在虛擬機(jī)遷移、遷移導(dǎo)致的性能下降、服務(wù)水平協(xié)議違規(guī)和執(zhí)行時(shí)間方面與最先進(jìn)的技術(shù)相比有了顯著改進(jìn)。 對數(shù)據(jù)中心（服務(wù)器）的電源／能量管理進(jìn)行了一些嘗試，但隨著節(jié)能要求的不斷提高，基于功耗模型的精細(xì)化控制／管理技術(shù)成為未來研究的重要方向。

2.5.2 冷卻系統(tǒng)負(fù)荷計(jì)算

制冷供需匹配是制冷系統(tǒng)節(jié)能的關(guān)鍵。 在制冷系統(tǒng)設(shè)計(jì)中，制冷量取決于數(shù)據(jù)中心機(jī)房的制冷需求，并通過各種參數(shù)來計(jì)算總冷卻負(fù)荷，其中IT 設(shè)備散熱是主要部分，設(shè)計(jì)人員經(jīng)常將IT 設(shè)備的銘牌功率作為其散熱量。 根據(jù)SPEC 公司提供的數(shù)據(jù)，服務(wù)器平均充分利用功率僅占銘牌功率的50%，且服務(wù)器并非始終以峰值功率運(yùn)行，數(shù)據(jù)中心的熱負(fù)荷被顯著高估，冷卻設(shè)備被設(shè)計(jì)為超大尺寸，電力系統(tǒng)冗余過多。 Cheung 等［42］使用簡單回歸模型對數(shù)據(jù)中心功耗建模，并利用2007 年至2017 年間各個(gè)制造商提交給SPECpower2008 數(shù)據(jù)庫的491 個(gè)數(shù)據(jù)點(diǎn)，通過線性回歸估計(jì)服務(wù)器的最大和空閑功耗，同時(shí)將模型與一個(gè)常用的建筑模擬程序進(jìn)行聯(lián)合模擬，以亞熱帶地區(qū)一個(gè)典型的地下室設(shè)有數(shù)據(jù)中心的大型辦公室為對象進(jìn)行能耗模擬，結(jié)果表明該模型能夠合理估算服務(wù)器、網(wǎng)絡(luò)和配電負(fù)荷，顯示了數(shù)據(jù)中心的運(yùn)行狀態(tài)對其運(yùn)行效率的影響，包括冷卻系統(tǒng)的效率。

此外，服務(wù)器功耗模型還用于冷卻控制或氣流管理，以實(shí)現(xiàn)節(jié)能。 Turk 等［43］提出了冷卻控制策略，通過設(shè)置每個(gè)機(jī)架的入口溫度和氣流，以基于動(dòng)態(tài)模型以及組合冷卻和工作負(fù)載管理來最小化數(shù)據(jù)中心的功率，該策略在冬季節(jié)電1.2%，夏季節(jié)電14.4%；Noguchi 和Nishi［44］提出一種主動(dòng)控制器快門，防止當(dāng)服務(wù)器溫度低于40 ℃時(shí)冷空氣通過空閑或關(guān)閉的服務(wù)器泄漏；Ham［11］等應(yīng)用模型，考慮熱特性以模擬每小時(shí)的冷卻能耗，發(fā)現(xiàn)當(dāng)送風(fēng)溫度高于19℃時(shí)，風(fēng)扇能耗增加，冷卻能耗也增加；Athavale［45］等開發(fā)了基于遺傳算法的靜態(tài)和動(dòng)態(tài)框架，用于優(yōu)化數(shù)據(jù)中心消耗的冷卻能量，在IT 負(fù)載分布粒度的3 個(gè)級(jí)別（機(jī)房、機(jī)架和行）中，機(jī)架級(jí)分布消耗的冷卻功率最小，7.5 h 的動(dòng)態(tài)優(yōu)化測試案例表明，冷卻能耗降低了21%～50%。

2.5.3 討論

功耗模型的應(yīng)用中，準(zhǔn)確和簡單是主要要求，但兩者不兼容，對功耗模型的應(yīng)用有負(fù)面作用。 若模型要求準(zhǔn)確性，則需要盡可能多的考慮影響服務(wù)器功耗的因素，但只考慮服務(wù)器主要部件（如CPU 和內(nèi)存）的功耗，模型的準(zhǔn)確度較差。 例如，使用服務(wù)器的簡單回歸功耗模型來獲得IT 負(fù)載的功耗，用于進(jìn)一步評(píng)估數(shù)據(jù)中心內(nèi)部電源調(diào)節(jié)系統(tǒng)（IPCS）中的可靠性。 Zhang 等［23］使用服務(wù)器功耗的復(fù)雜高階回歸模型，通過在云界面中調(diào)度任務(wù)來提高服務(wù)器的電源效率，除了簡單之外，還專注于模型的準(zhǔn)確性，在使用現(xiàn)有模型預(yù)測或評(píng)估服務(wù)器或數(shù)據(jù)中心的功耗／能耗時(shí)，考察適用性并驗(yàn)證準(zhǔn)確性。

3 結(jié)束語

服務(wù)器功耗模型在數(shù)據(jù)中心熱管理和能源管理中起著至關(guān)重要的作用。 本文回顧了服務(wù)器的分類和負(fù)載類型，并對現(xiàn)有的服務(wù)器功耗模型進(jìn)行了總結(jié)和分類。 此外，作者研究了這些模型的應(yīng)用場景，經(jīng)分析得出以下結(jié)論：

（1）數(shù)據(jù)中心常用的是機(jī)架式服務(wù)器，不同的服務(wù)器組件配置和工作負(fù)載意味著工作重心的差異，會(huì)導(dǎo)致不一樣的能耗變化。 現(xiàn)有模型的應(yīng)用和新模型的開發(fā)，需要考慮這些變化和服務(wù)器的工作負(fù)載。

（2）現(xiàn)有的功耗模型可分為相加模型、動(dòng)態(tài)模型和其他模型；而動(dòng)態(tài)模型可進(jìn)一步分為回歸模型、冪函數(shù)模型和多項(xiàng)式模型。 CPU 是功耗模型中考慮最多的變量，其次是服務(wù)器、溫度、內(nèi)存和工作負(fù)載。 但這些模型都是針對固定環(huán)境下的服務(wù)器，大部分都適用于單核系統(tǒng)。 考慮到簡單性、便利性和準(zhǔn)確性，無論是在服務(wù)器、系統(tǒng)還是房間級(jí)別，線性回歸和多項(xiàng)式模型都是最佳選擇，誤差分別小于7%和4%。 此外，建立模型需考慮節(jié)能技術(shù)和進(jìn)氣溫度，并應(yīng)使用分段函數(shù)。

（3）建立功耗模型是為了估計(jì)能源管理的潛力，預(yù)測服務(wù)器或數(shù)據(jù)中心的功耗，平衡能源消耗和可靠性。 這些模型已經(jīng)在IT 領(lǐng)域和制冷領(lǐng)域的一些方案中得到應(yīng)用，但還需要更多的努力。 服務(wù)器功耗模型可進(jìn)行準(zhǔn)確的冷卻負(fù)荷計(jì)算并避免過多的冗余，但基于模型的能源和熱感知管理可實(shí)現(xiàn)最佳的整體節(jié)能效果。