基于RBF神经网络的数据中心任务温度预测及调度方法技术

本发明专利技术公开了一种基于RBF神经网络的数据中心任务温度预测及调度方法，采用RBF神经网络建立任务温度预测模型；建立温控负载均衡模块，确定服务器的安全温度和警戒温度并与任意服务器Si进行判断选择；通过监控反馈模块实时监控并反馈服务器运行温度给温控负载均衡模块，由温控负载均衡模块进行调度控制。本发明专利技术通过主动的温度预测来进行任务调度，比只基于反馈温度来决定任务调度的方法要有更好的灵活性。通过设置在不同温度范围的两种主动的调度策略，达到减少能耗，并且保证数据中心安全运行的目的。

【技术实现步骤摘要】
基于RBF神经网络的数据中心任务温度预测及调度方法
本专利技术属于数据中心安全与节能
，具体涉及一种基于RBF神经网络的数据中心任务温度预测及调度方法。
技术介绍
伴随着数据中心的迅速发展，数据中心的安全性要求和高能耗问题也日益突出。数据中心面向温度的控制不力导致的安全隐患和高能耗问题，成为一个研究的重点和难点。首先是安全隐患问题，目前数据中心的机柜功率密度不断升高，一项调查研究显示,高达1/10的机柜运行在温度高于设备可靠性指导原则所推荐的允许范围。热点的频繁出现,会影响IT设备的可靠性与性能。然后是制冷设备的高能耗问题。制冷设备需要设置低温度来应对数据中心的热点。这就需要数据中心温度控制方法有好的温度管理方法，在保证数据中心硬件可靠性的前提下，还能减少制冷设备能耗。基于温度感知的任务调度是针对数据中心以上两个问题比较有效的方法。在应用层面通过任务调度防止热点产生、减少热回流，从而提高制冷效率，达到节能效果。关于温度预测和任务分配现有技术有：(1)温度预测：对于已验证的CFD(计算流体动力学)模型可以模拟并预测数据中心温度环境，但是CFD求解过程缓慢，且结果只是离散点上的数值解，没有任何解析表达式。这些因素导致CFD不适用于实时的动态的温度预测。CFD是基于热力学的预测方法，还有一类方法是使用机器学习的方法建立预测模型，较CFD模型相比有建模快、模型易于更新、可扩展性强等优点。在之前的研究中，人工神经网络神经网络已经被应用于数据中心静态条件下的温度预测，BP神经网络的应用很普遍，BP网络的缺点是对于复杂的数据训练时间长，容易陷入局部最优解。RBF神经网络隐层单元的转移函数是基函数(如高斯函数)。与BP神经网络相比，RBF(径向基函数)网络的逼近精度高，它可以在训练时根据问题需求自适应确定网络结构和隐层单元数，而且它具有全局逼近能力，解决了BP网络采用负梯度下降法容易出现的局部最优解的缺点。对于数据中心复杂的温度计算过程来说，RBF神经网络在训练时间上也具有一定优势。(2)任务调度：均衡服务器负载：根据服务器负载情况，动态分配任务到负载最轻的服务器上，尽量平均服务器负载量。由于数据中心局部产热与散热不均匀使得这种方法对于避免热点和减轻能耗起到的作用较小。均衡服务器出风口温度：基于温度感知的一种任务调度方法，其主要思想是建立任务功耗与散热量的关系式。在一定的功耗条件下，先确定出口温度，再根据出口温度分配任务。最低化入口温度调度算法：主要思想是将任务分配给入口温度最小的服务器，以达到服务器入口温度平衡，有比较好的温度控制效果。
技术实现思路
本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于RBF神经网络的数据中心任务温度预测及调度方法，解决在数据中心正常工作的情况下平衡和降低整体温度，在数据中心高负载运行时避免过热点出现的问题。本专利技术采用以下技术方案：基于RBF神经网络的数据中心任务温度预测及调度方法，采用RBF神经网络建立任务温度预测模型；建立温控负载均衡模块，确定服务器的安全温度和警戒温度并与任意服务器Si进行判断选择；通过监控反馈模块实时监控并反馈服务器运行温度给温控负载均衡模块，由温控负载均衡模块进行调度控制。具体的，使用RBF神经网络预测模型建模具体如下：将任务用一个三元组(Ncpu、Mem、Time)表示，其中，Ncpu表示用户任务对CPU核心数的要求；Mem表示任务的所有进程能够分配到的最大物理内存；Time表示任务处于运行状态的最大时间；训练数据用任务测试集在服务器上运行，记录下在服务器不同的运行状态下，任务到达某一特定服务器之后的温度分布；模型的输入为：实时监控收集的区域内所有服务器的温度、运行参数以及环境温度；模型的输出为：任务运行后的服务器经过预测时间步长的入风口温度。进一步的，训练数据包括划定区域内所有服务器入风口和出风口温度，某一具体服务器的运行参数包含服务器负载量Load、CPU利用率Ucpu、CPU温度Tcpu、服务器风扇转速Fan，空调出风口的温度Tcrac和室内与外界的出风口温度Tvent，以及一个到达该服务器的具体任务(Ncpu、Mem、Time)。进一步的，根据基函数的中心点、各径向基函数的方差、以及隐层到输出层之间权值，选用自组织选取中心的学习方法构建RBF神经网络来预测数据中心任务温度。具体的，温控负载均衡模块将负载按照以下规则分配给服务器：确定两个界限温度：T0为安全温度、T1为警戒温度，T0参考数据中心平时正常运行的温度、服务器厂商提供的机器最佳运行的温度或国家关于数据中心建设标准的温度；T1为服务器运行允许的最高温度；用S表示数据中心一定区域内数据中心的服务器集合{S1,S2,S3,...,Si,...}，某一服务器任务分配前后的温度差ΔTSi计算如下：ΔTSi＝T′Si-TSi其中，TSi与T′Si分别表示将具体任务分配给某台服务器之前的温度和之后的温度。进一步的，当存在满足条件TSi＜T0的服务器，将任务分配给Si之后ΔTSi最小，以整个数据中心平均温度变化最小为目标进行任务分配，确定分配任务的服务器Sk。进一步的，确定分配任务服务器Sk的步骤如下：第一步：判断执行该分配方法的条件为：TSi的最小值min{TSi}＜T0第二步：遍历找到第一个满足条件的服务器Sk：TSk＜T0第三步：循环执行寻找任务分配后温度上升最小且满足当前温度小于T0的服务器，将满足条件的i赋值给k，k＝i，条件如下：ΔTSi＜ΔTS[k]&&TSi＜T0。进一步的，当任意服务器Si均不满足条件TSi＜T0时，将负载分配给Si之后，T′Si最小，前提是：T′Si≤T1；以最小化入口温度为目标进行任务分配，确定分配任务的服务器Sk。进一步的，确定分配任务的服务器Sk的步骤如下：第一步：判断执行该分配方法的条件为：TSi的最小值min{TSi}＞＝T0第二步：遍历找到第一个满足条件的服务器Sk：T′Sk≤T1第三步：循环执行寻找任务分配后温度最小且分配后温度不超过T1的服务器，将满足条件的i赋值给k，k＝i，条件如下：T′Si＜T′S[k]&&T′Si≤T1。具体的，监控反馈模块在服务器端，结合部署的温度传感器网络以及服务器的温度传感器，实时监控服务器入口温度、出口温度和服务状态，实时给温控负载均衡器返回服务器数据，能够及时给温控负载均衡器反馈，让温控负载均衡模块停止给该服务器分配任务。与现有技术相比，本专利技术至少具有以下有益效果：本专利技术基于RBF神经网络的数据中心任务温度预测及调度方法，针对数据中心温度分布不均匀导致的高能耗和安全隐患问题，提出基于RBF神经网络温度预测的数据中心温控方法方法，采用在安全高效的温度范围内，在请求到来时，控制散热最小，在安全温度～警戒温度的范围内，控制温度均衡，避免过热点的出现。进一步的，BP神经网络的缺点主要是：隐层节点数难以确定，容易陷入局部局部最优解，和数据较多时训练时间较长；使用RBF神经网络预测模型建模，RBF网络不会像BP网络容易陷入局部最优问题，它且具有全局逼近能力。它可以在训练时根据问题需求自适应确定网络结构和隐层单元数，而对于BP网络来说确定隐层和隐层节点上是一个难题。在数据中心本文档来自技高网...

【技术保护点】
1.基于RBF神经网络的数据中心任务温度预测及调度方法，其特征在于，采用RBF神经网络建立任务温度预测模型；建立温控负载均衡模块，确定服务器的安全温度和警戒温度并与任意服务器Si进行判断选择；通过监控反馈模块实时监控并反馈服务器运行温度给温控负载均衡模块，由温控负载均衡模块进行调度控制。

【技术特征摘要】
1.基于RBF神经网络的数据中心任务温度预测及调度方法，其特征在于，采用RBF神经网络建立任务温度预测模型；建立温控负载均衡模块，确定服务器的安全温度和警戒温度并与任意服务器Si进行判断选择；通过监控反馈模块实时监控并反馈服务器运行温度给温控负载均衡模块，由温控负载均衡模块进行调度控制。2.根据权利要求1所述的一种基于RBF神经网络的数据中心任务温度预测及调度方法，其特征在于，使用RBF神经网络预测模型建模具体如下：将任务用一个三元组(Ncpu、Mem、Time)表示，其中，Ncpu表示用户任务对CPU核心数的要求；Mem表示任务的所有进程能够分配到的最大物理内存；Time表示任务处于运行状态的最大时间；训练数据用任务测试集在服务器上运行，记录下在服务器不同的运行状态下，任务到达某一特定服务器之后的温度分布；模型的输入为：实时监控收集的区域内所有服务器的温度、运行参数以及环境温度；模型的输出为：任务运行后的服务器经过预测时间步长的入风口温度。3.根据权利要求2所述的一种基于RBF神经网络的数据中心任务温度预测及调度方法，其特征在于，训练数据包括划定区域内所有服务器入风口和出风口温度，某一具体服务器的运行参数包含服务器负载量Load、CPU利用率Ucpu、CPU温度Tcpu、服务器风扇转速Fan，空调出风口的温度Tcrac和室内与外界的出风口温度Tvent，以及一个到达该服务器的具体任务(Ncpu、Mem、Time)。4.根据权利要求2所述的一种基于RBF神经网络的数据中心任务温度预测及调度方法，其特征在于，根据基函数的中心点、各径向基函数的方差、以及隐层到输出层之间权值，选用自组织选取中心的学习方法构建RBF神经网络来预测数据中心任务温度。5.根据权利要求1所述的一种基于RBF神经网络的数据中心任务温度预测及调度方法，其特征在于，温控负载均衡模块将负载按照以下规则分配给服务器：确定两个界限温度：T0为安全温度、T1为警戒温度，T0参考数据中心平时正常运行的温度、服务器厂商提供的机器最佳运行的温度或国家关于数据中心建设标准的温度；T1为服务器运行允许的最高温度；用S表示数据中心一定区域内数据中心的服务器集合{S1,S...

【专利技术属性】
技术研发人员：伍卫国，徐一轩，王思敏，苏远崎，王今雨，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61