本发明专利技术公开了一种数据中心节能方法和装置，包括：预先采用反向传播BP神经网络设置数据中心，并对BP神经网络进行训练；设置负载阈值，并根据负载阈值设置节能策略；获取数据中心的负载数据，利用经过训练的BP神经网络得到负载数据的近似最优解，根据所述近似最优解和预先设置的负载阈值，确定节能策略，并根据确定的节能策略进行降负载操作。通过本发明专利技术方法，能够改善数据中心的节能效果，从而降低云计算操作系统整体的功耗。
【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种数据中心节能方法和装置，包括：预先采用反向传播BP神经网络设置数据中心，并对BP神经网络进行训练；设置负载阈值，并根据负载阈值设置节能策略；获取数据中心的负载数据，利用经过训练的BP神经网络得到负载数据的近似最优解，根据所述近似最优解和预先设置的负载阈值，确定节能策略，并根据确定的节能策略进行降负载操作。通过本专利技术方法，能够改善数据中心的节能效果，从而降低云计算操作系统整体的功耗。【专利说明】一种数据中心节能方法和装置
本专利技术涉及云节能
，尤指一种基于云计算操作系统的数据中心节能方法和装置。
技术介绍
云计算逐渐被行业认可，云数据中心操作系统逐渐实现并付诸于实践，在社会生产和生活领域中起到越来越重要的作用。基于云计算操作系统构建的大规模数据中心中设备数量庞大，监控管理过程复杂，如何有效的实现云数据中心的高效节能是一个值得研宄的问题。 目前，大多数数据中心节能策略基于温度触发或是功率触发进行设置，例如，节能策略设置当CPU温度达到50度时，通过智能平台管理接口(IPMI，Intelligent PlatformManagement Interface)控制触发服务器进行降频或关机操作，主机功率设置也是类似。 但是，仅仅考虑温度触发或是功率触发的节能策略并不能反映数据中心的实时负载信息，比如CPU、内存、网络带宽、磁盘1等都没有进行综合分析与考虑，从而导致数据中心节能效果不理想，云计算操作系统整体功耗偏高等问题。
技术实现思路
为了解决上述技术问题，本专利技术提供了一种数据中心节能方法和装置，能够改善数据中心的节能效果，从而降低云计算操作系统整体的功耗。 为了达到本专利技术目的，本专利技术提供了一种数据中心节能方法，包括:预先采用反向传播BP神经网络设置数据中心，并对BP神经网络进行训练；设置负载阈值，并根据负载阈值设置节能策略；获取数据中心的负载数据，利用经过训练的BP神经网络得到负载数据的近似最优解，根据所述近似最优解和预先设置的负载阈值，确定节能策略，并根据确定的节能策略进行降负载操作。 所述对BP神经网络进行训练包括:采用模拟退火SA算法对BP神经网络进行训练。 所述设置负载阈值，并根据负载阈值设置节能策略包括:设置第一负载阈值、第二负载阈值和第三负载阈值，并相应的设置高负载节能策略、中负载节能策略和低负载节能策略；其中，高负载节能策略为负载超过第一负载阈值时，触发进行降负载操作；中负载节能策略为负载在第一负载阈值和第二负载阈值之间时，触发进行降负载操作；低负载节能策略为负载第二负载阈值和第三负载阈值之间时，触发进行降负载操作；其中，降负载操作包括业务迀移、和/或服务器降频，和/或开关机。 所述获取数据中心的负载数据，利用经过训练的BP神经网络得到负载数据的近似最优解包括:获取数据中心的负载数据，利用经过训练的BP神经网络，将获取的负载数据作为SA算法的输入，得到负载数据的近似最优解。 所述负载数据为四维输入向量P:P = {c，m，S，η}，其中，C表示CPU负载比例，m表示内存负载比例，S表示磁盘1负载比例，η表示网络带宽负载比例。 本专利技术还提供了一种数据中心节能装置，包括:ΒΡ神经网络设置模块，用于采用反向传播BP神经网络设置数据中心；ΒΡ神经网络训练模块，用于对BP神经网络进行训练；节能策略设置模块，用于设置负载阈值，并根据负载阈值设置节能策略；节能策略实施模块，用于获取数据中心的负载数据，利用经过训练的BP神经网络得到负载数据的近似最优解，根据所述近似最优解和预先设置的负载阈值，确定节能策略，并根据确定的节能策略进行降负载操作。 所述BP神经网络训练模块，具体用于采用模拟退火SA算法对BP神经网络进行训练。 所述节能策略设置模块，具体用于设置第一负载阈值、第二负载阈值和第三负载阈值，并相应的设置高负载节能策略、中负载节能策略和低负载节能策略；其中，高负载节能策略为负载超过第一负载阈值时，触发进行降负载操作；中负载节能策略为负载在第一负载阈值和第二负载阈值之间时，触发进行降负载操作；低负载节能策略为负载第二负载阈值和第三负载阈值之间时，触发进行降负载操作；其中，降负载操作包括业务迀移、和/或服务器降频，和/或开关机。 所述节能策略实施模块，具体用于获取数据中心的负载数据，利用经过训练的BP神经网络，将获取的负载数据作为SA算法的输入，得到负载数据的近似最优解，根据所述近似最优解和预先设置的负载阈值，确定节能策略，并根据确定的节能策略进行降负载操作。 所述负载数据为四维输入向量P:P = {c，m，s，η}，其中，c表示CPU负载比例，m表示内存负载比例，s表示磁盘1负载比例，η表示网络带宽负载比例。 与现有技术相比，本专利技术包括预先采用反向传播BP神经网络设置数据中心，并对BP神经网络进行训练；设置负载阈值，并根据负载阈值设置节能策略；获取数据中心的负载数据，利用经过训练的BP神经网络得到负载数据的近似最优解，根据所述近似最优解和预先设置的负载阈值，确定节能策略，并根据确定的节能策略进行降负载操作。通过本专利技术方法，采用BP神经网络设置数据中心，并根据包括CPU、内存、磁盘和网络带宽负载比例的负载数据对BP神经网络进行训练，从而得到了数据中心负载的近似最优解，且经过不断训练的BP神经网络提高了获得最优解的收敛速度。在后续获取数据中心的负载数据时，利用经过训练的BP神经网络得到该负载数据的近似最优解，根据该近似最优解和预先设置的负载阈值，确定该数据中心的节能策略，并根据节能策略高效地调整功耗，从而改善了数据中心的节能效果，达到了降低云计算操作系统整体的功耗的目的。 本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。 【专利附图】【附图说明】 附图用来提供对本专利技术技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本专利技术的技术方案，并不构成对本专利技术技术方案的限制。 图1是本专利技术数据中心节能方法的流程示意图。 图2是本专利技术BP神经网络模型的拓扑结构示意图。 图3是本专利技术数据中心节能装置的结构示意图。 【具体实施方式】 为使本专利技术的目的、技术方案和优点更加清楚明白，下文中将结合附图对本专利技术的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。 在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。 图1是本专利技术数据中心节能方法的流程示意图。如图1所示，包括: 步骤11，预先采用反向传播(BP，Back Propagat1n)神经网络设置数据中心。 在本步骤中，云计算操作系统中的数据中心采用BP神经网络来实现。BP神经网络是一种按误差逆传播算法训练的多层前馈网络，能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。BP神本文档来自技高网...
【技术保护点】
一种数据中心节能方法，其特征在于，包括：预先采用反向传播BP神经网络设置数据中心，并对BP神经网络进行训练；设置负载阈值，并根据负载阈值设置节能策略；获取数据中心的负载数据，利用经过训练的BP神经网络得到负载数据的近似最优解，根据所述近似最优解和预先设置的负载阈值，确定节能策略，并根据确定的节能策略进行降负载操作。
【技术特征摘要】
【专利技术属性】
技术研发人员：于辉，李新虎，郭锋，胡玉鹏，
申请(专利权)人：浪潮北京电子信息产业有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。