CN119473765B 服务器的能耗优化方法、装置、设备及存储介质 （蓝芯存储技术(赣州)有限公司）

开发区赣州综合保税区标准厂房三期WO2021247737A1,2021.12.09数据采集技术监测服务器在不同负载状态下的2通过超分辨率数据采集技术对服务器的不同负载状态进行能耗监对所述初始能耗数据集和所述负载行为数据集的关联结果进行预处理，分别载状态下的能耗数据和行为数据进行标准化，生成标准化能耗数据和标准化负载行为数基于所述多个负载类别的嵌入表示，建立生成对抗网络模型，于判断生成的数据与真实能耗数据之间的差异；将所述负载类别的嵌入表示输入生成器，基于所述能耗预测数据，采用马尔可夫决策过程建立动态调度优化将所述硬件运行参数调节方案应用于服务器的各硬件组件，生成实时基于所述优化后的调度策略对服务器运行状态进行自适应调控，采用超分辨率数据采集技术对服务器在不同负载状态下的能耗进行精细化监测，其对所述采集的能耗数据进行数据预处理，去除异常值并对缺失值进行监测服务器在不同负载状态下的工作行为，采集多个负载指标3将所述初始能耗数据集与负载行为数据集进行关联处理，以表征目标服务尔可夫决策过程建立动态调度优化策略，并结合粒子群优化算法对硬件运行参数进行调基于能耗预测数据，定义服务器硬件运行状态的状态集合获取所述服务器当前的负载和能耗状态，并根据马尔可夫决策过程中的状态转移情所述奖励值用于衡量不同调度动作对服务器能耗优化和性能提升的基于所述状态转移概率数据和调度奖励值，对不同负载情况下的调度动作进行求解，将所述硬件运行参数调节方案应用于服务器的各硬件组件，对基于所述调节后的硬件组件运行状态，对服务器在不同时间间隔对所述实时反馈数据进行特征提取和降维处理，得到反馈特征向将所述反馈特征向量集合输入到分布式强化学习算法中的多智能体通过多智能体经验池对各智能体的调度改进方案进行经验共享，基于所述候选优化策略，利用所述分布式强化学习算法中的策基于所述优化后的调度策略，实时采集服务器各硬件组件在不对所述服务器运行状态数据集进行归一化处理，以消除不同硬件参数之间的量纲差4基于所述运行特征集合，通过自适应调控模块对服务器的硬件运行状态进行实时调将所述目标能耗优化方案应用于服务器的硬件组件，调节硬件基于所述优化应用后的运行状态数据集，对服务器在目标能耗优化对所述验证结果集合进行多维度数据综合评估，利用模糊综合评价监测单元，用于通过超分辨率数据采集技术对服务器的不同负载状态进行能耗监测，第一生成单元，用于对所述初始能耗数据集和所述负标准化负载行为数据；将所述标准化能耗数据和标准化负载行为数据输入到对比学习网定的负载类别；调整单元，用于基于所述能耗预测数据，采用5优化单元，用于将所述硬件运行参数调节方案应用于获取单元，用于基于所述优化后的调度策略对服务器运行状态进处理器执行时实现权利要求1至5中任一项所述的方6载行为数据集；通过对比学习网络对所述初始能耗数据集和负载行为数据集进行特征学78[0018]S2，通过对比学习网络对所述初始能耗数据集和负载行能耗数据的准确性，超分辨率数据采集技术包括了高频率的数据采样与多传感器数据融利用生成对抗网络(GAN)构建能耗预测模块，生成器和判别器之间的对抗过程使得模型能而结合粒子群优化算法对硬件运行参数进行调整，以得到最优的硬件运行参数调节方案。9标能耗优化方案。该方案通过实时采集服务器各硬件组件在不同负载状态下的运行数据，器在运行应用时所使用的内存资源，I/O操作频率则可以揭示服务器硬盘和其他外围设备的工作状态。这些负载指标对了解服务器的负载情况以及能耗与负载之间的关系非常重在不同负载状态下的能耗特性和负载行为的抽象表示，能够有效地描述数据中的隐含规[0037]接下来，对这些初始能耗特征向量和初始负载行为特征向量进行嵌入映射处嵌入映射处理的目的是将这些特征向量映射到同一个高维向量空间中，得到特征嵌入向过将这些特征向量映射到同一个向量空间，可以更好地揭示负载和能耗之间的内在关系，负载类别的嵌入表示。每一个嵌入表示对应于服务器在特定负载状态下的一类能耗特性，不同负载状态下的能耗进行精确预测。这个过程基于之前生成的多个负载类别的嵌入表络中，生成器的任务是利用输入的负载类别嵌入表示生成与实际能耗分布相似的预测数成器试图生成尽可能接近真实的数据，而判别器则试图准确区分真实数据和生成的数据。这种对抗训练的机制，使得生成器能够通过判别器的反馈不断提升其生成数据的真实性，[0052]在获得动态调度优化策略之后，进一步结合粒子群优化算法(PSO)对服务器的硬[0054]总结来说，这个示例通过利用马尔可夫决策过程和粒子群优化算法相结合的方于所述调节后的硬件组件运行状态，对服务器在不同时间间隔内的运行参数进行实时采[0059]接下来，将反馈特征向量集合输入到分布式强化学习算法中的多智能体架构分布式强化学习中的多智能体架构指的是由多个独立智能体(agent)组成的系统，每个智结合在候选优化策略中表现最优的方案进行参数融合，可以有效地提高调度策略的性能，[0063]在一个示例中，基于所述优化后的调度策略对服务器运除不同硬件参数之间的量纲差异，并通过主成分分析(PCA)对所述归一化数据进行特征降的目标能耗优化方案作为最终的目标服务器能耗优化配[0064]在这个示例中，通过基于优化后的调度策略对服务器运负载状态下的能耗数据和行为数据都是标准化的。对比学习网络通过构建相似性度量模[0079]基于生成的能耗预测数据，采用马尔可夫决策过程(MDP)来建立动态调度优化策降低CPU频率可能会减少功耗，但也可能导致视频播放出现卡顿，因此该动作的奖励值较负载时段的功耗降低了15温度下降了2℃,系统响应时间缩短了10％。这些运行参数被如，通过优化后的调度策略，某台服务器的系统响应时间缩短了15功耗降低了12温[0090]监测单元1，用于通过超分辨率数据采集技术对服务器的不同负载状态进行能耗[0091]第一生成单元2，用于通过对比学习网络对所述初始能耗数据集和负载行为数据