CN119493714A 服务器能耗预测方法、装置、计算设备及存储介质 （华为技术有限公司）

中的多个采样时刻的负载率预测第一服务器在时刻的负载率与上述多个采样时刻的功率一一2根据第一服务器的额定功率、空载功率和所述第一服务器在预测根据所述多个采样时刻的功率预测所述第一服务器在所述预测6.根据权利要求1至5中任一项所述的方法，其特将所述额定功率、所述空载功率和第二采样时刻的负载率输入服务器功率预测模型，合函数用于表示所述第一服务器的功耗随着所述第一服务器的负载率的变化7.根据权利要求6所述的方法，其特征在于，获取所述第一服务器在第三采样时刻的负载率，其中，所述第采样时刻中不同于所述第二采样时刻的一个采样根据所述第三采样时刻的负载率选择多个历史功率数据，其中据均是所述第一服务器在所述第三采样时刻根据所述多个历史功率数据预测所述第一服务器在所述第三9.根据权利要求1至8中任一项所述的方法，其特征所述预测模块用于根据第一服务器的额定功率、空载功率和所述第述多个采样时刻的负载率与所述多个采样时刻的功率所述预测模块还用于根据所述多个采样时刻的功率预测所述第一服务器在所述预测3络带宽使用率中的一种或多种，所述第一采样时刻是所述多个采样时刻中的一个采样时块用于根据所述第一服务器中的多个处理器的额定功率以及所述多个处理器在所述第一块用于根据所述第一服务器在第一采样时刻的系统平均负载确定所述第一服务器在所述将所述额定功率、所述空载功率和第二采样时刻的负载率输入服务器功率预测模型，合函数用于表示所述第一服务器的功耗随着所述第一服务器的负载率的变化所述获取模块用于获取所述第一服务器在第三采样时刻的负载率，样时刻是所述多个采样时刻中不同于所述第二采样时刻的一个采样时所述获取模块还用于根据所述第三采样时刻的负载率选择多个历史功率数据，其中，所述多个历史功率数据均是所述第一服务器在所述第三采样时刻的负载率下所述预测模块还用于根据所述多个历史功率数据预测所述第一服务器在所述第三采得所述计算设备执行如权利要求1_9中任4过使用历史的时间序列能耗数据进行统计分析，从而推测出服务器在未来时间点的能耗。的一种或多种，第一采样时刻是上述多个采5多个处理器的额定功率以及多个处理器在第还配置有图形处理器(graphicsprocessingunit，GPU)、神经网络处理器(neural可以将第一服务器中的多个处理器在某个采样时刻的使用率分别作为对应处理器的权重，[0013]应理解，系统平均负载指标可用于度量服务器中正在工作和等待工作的线程数是多个采样时刻中的任意一个采样时刻或者是某一个特定的采样时刻，此处不做具体限6x分为三个阶段，分别为低负载(如0～30％)、中负载(如3090％)和高负载(如90%~数函数和S型函数来构建服务器功率预测模型，能够较好地体现服务器功耗与负载率之间[0019]在本方案中，第三采样时刻的功率不是通过服务器能耗预测模型进行预测得到的，而是基于第三采样时刻的负载率对应的多个历史功率数据计算得到(如计算平均值或当前滑动窗口)内采集到的对应第三采样时刻的负载率的所有功率数据作为历史功率数7[0033]图6是本申请实施例提供的一种按照预设的采样周期对某个服务器的功率进行采[0041]在电气工程和机械工程中，设备的额定功率(RatedPower)是允许流经特定设备8构算力等场景下的服务器，其不仅仅配置有CPU，还可能配置有图形处理器(graphics[0053]请参见图2，图2是本申请实施例提供的一种服务器能耗[0057]第一服务器的空载功率可以在第一服务器无业务部署(无任务运行)的状态下直[0058]关于预测时段中的上述多个采样时刻的数量及采样间隔/采样周期，可以根据实9第一服务器为该类型服务器的情况下，采用CPU使用率作为第一服务器的负载率的评估指的处理器使用率可以根据第一服务器中的多个处理器的额定功率以及它们在采样时刻k的的第j个处理器在采样时刻k的使用率。Powertotal是第一服务器中的N个处理器的额定功率是正在占有CPU执行权的线程数量和等待CPU的线程数量(包含等待网络输入输出(input器在采样时刻k时的不完全空闲的线程数量，包括在采样时刻k时正在占有第一服务器的[0071]请参见图3，图3是本申请实施例提供的一种服务器功率以将第一服务器的额定功率、空载功率和第二采样时刻的负载率输入服务器功率预测模现服务器功率与其负载率之间的变化规律(类似于图3)，从而获得较好的服务器功率预测施例不做具体限定。预测得到的在LoadRate这个负载下[0083]假设式(3)模型的预测误差符合高斯分布，则最小二乘法和极大似然估计方法等动窗口内的一条或多条功率数据，则可以将滑动窗口内与采样点i对应的所有功率数据的[0084]例如，图6是本申请实施例提供的一种按照预设的采样周期对某个服务器的功率个采样时刻对应两条功率数据，则可以将这两条功率数据的平均值作为负载率0.5对应的一组默认的优化调节因子，使得在模型参数配置阶段就可以提供较为准确的调节因子参以将这组新的调节因子参数作为该服务器的服务器类型所对应的一组优化调节因子写在某一个采样时刻，但第三采样时刻不同于前面的过服务器功率预测模型获得的)。具体的，可以先获取第一服务器在第三采样时刻的负载率为0.8，则可以从上述滑动窗口中选择后5个采样时刻对应的功率数据作为历史功率数在步骤S202中可以基于这多个采样时刻的功率进一步预测第一服务器在预测时段以第二[0111]以某个用于AI模型训练的服务器为例，假设该AI服务器配置了2个CPU(分别记为可以根据这些处理器的使用率和额定功率来确定该服各个处理器的额定功率和实际采样的各个处理器的使用率带入前文中的公式(1)，即可得GPU3下面可以基于公式(7)和(8)对该服务器在预采样时刻下的各个处理器的使用率带入公式(8)，即可得到该服务器在各个采样时刻的负时间序列的服务器能耗预测技术，本申请实施例在预测阶段可以不依赖于历史能耗数据，[0127]在数据中心的系统配置阶段，可以根据图2实施例的方法预测数据中心内的服务[0130]请参见图9，图9是本申请实施例提供的一种服务器能耗预测装置100的结构示意服务器中的多个处理器的额定功率以及这多个处理器在第一采样时刻的使用率确定上述服务器在第一采样时刻的系统平均负载确定第一服务器在第一采样时刻的负载率，其中，第一采样时刻是上述多个采样时刻中的一个采样拟合函数用于表示第一服务器的功耗随着第一服务器的负载率的[0140]需要说明的是，图9的服务器能耗预测装置100可以用于执行图2实施例的方法步[0141]可选的，图9的服务器能耗预测装置100的功能可以作为[0143]上述服务器能耗预测装置100的功能可以按照能耗管理服务的形式实现，如图10服务器运维平台提供的能耗管理服务中的基准配置模块可以在服务器部署业务之前测量将能耗预测结果与数据库中存储的历史能耗数据/实际采集的能耗数据进实施例以通过总线1104连接为例，总线1104可以是外设部件互连标准(peripheralcomponentinterconnect,PCI)总线、扩展工业标准结构(extendedindustrystandardexpresslink，CXL)总线、缓存一致互联协议(cachecoherentinterconnectfor[0147]处理器1101可以由至少一个通用处理器构成，例如中央处理器(centralprocessingunit,CPU)，或者CPU和硬件芯片的组合。上述硬件芯片可以是专用集成电路(application_specificintegratedcircuit,ASIC)、可编程逻辑器件(programmablelogicdevice,PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complexprogrammablelogicdevice,CPLD)、现场可编程逻辑门阵列(field_programmablegate存储器1102也可以包括非易失性存储器(non_volatilememory)，例如只读存储器(read_或使用无线局域网接口)，可以为内部接口(例如高速串行计算机扩展总线(peripheralcomponentinterconnectexpress,PCIe)总线接口)。有线接口或无线接口用于与其他设通过软件模拟的具有完整硬件系统功能的、运行在一个完全隔离环境中的完整计算机系的实施例，本领