边缘数据中心服务器能耗预测方法、系统、设备及介质技术方案

本发明专利技术实施例中提供了一种边缘数据中心服务器能耗预测方法、系统、设备及介质，属于数据处理技术领域，具体包括：在运行不同负载任务下实时监控和采集目标服务器对应的系统数据；分别从每个系统数据中提取与能耗相关的特征数据集；通过随机森林算法计算每个特征数据集中每个特征参数的重要性，并将重要性大于阈值的特征参数形成特征子集；分别将每个特征子集输入时序卷积神经网络模型进行训练，生成每个负载任务对应的能耗模型；根据目标服务器当前的负载任务，选择对应的能耗模型预测该服务器的能耗值。通过本发明专利技术的方案，基于随机森林算法筛选特征参数并结合时序卷积神经网络建立能耗模型，提高了预测效率和精准度。提高了预测效率和精准度。提高了预测效率和精准度。

【技术实现步骤摘要】
边缘数据中心服务器能耗预测方法、系统、设备及介质


[0001]本专利技术实施例涉及数据处理
，尤其涉及一种边缘数据中心服务器能耗预测方法、系统、设备及介质。

技术介绍

[0002]目前，信息技术的发展，尤其是云计算的发展，由于虚拟化、高可靠性、可扩展性和大规模的按需服务，给我们的传统网络赋予了新的活力。与此同时，万物联网的趋势不断加深，智能手机、智能家电等端设备的数量不断增加，数据的快速增长对网络带宽有了更高的要求。边缘数据中心具有高性能、低延迟和高带宽的特点，可以为用户提供不间断的高质量网络体验。将网络边缘上的计算、网络与存储资源组成统一的平台，将数据在源头附近得到有效的处理。与云计算中心相比，每个边缘数据中心覆盖的物理区域较小，因此需要集中部署，同时流量需求的预期增长会导致网络能源消耗的急剧增加，能耗问题不容忽视。
[0003]为了满足日益增长的需求，部分互联网公司需要部署越来越多的基础设备，与此同时增加了数据中心的能耗。此外，随着能源消耗的增加，需要更多的冷却设备，从而产生更多的二氧化碳排放。相关数据显示，仅数据中心在2010年就使用了全球1.5%的电力。从2010年到2030年，数据中心的能源消耗预计将增长13%。能源的过度消耗必然会对边缘计算产生负面影响，增加运行成本的同时，对环境也产生了不利的影响。
[0004]可见，亟需一种高效精准的边缘数据中心服务器能耗预测方法。

技术实现思路

[0005]有鉴于此，本专利技术实施例提供一种边缘数据中心服务器能耗预测方法、系统、设备及介质，至少部分解决现有技术中存在预测效率和精准度较差的问题。
[0006]第一方面，本专利技术实施例提供了一种边缘数据中心服务器能耗预测方法，包括：步骤1，在运行不同负载任务下实时监控和采集目标服务器对应的系统数据；步骤2，分别从每个所述系统数据中提取与能耗相关的特征数据集；步骤3，通过随机森林算法计算每个所述特征数据集中每个特征参数的重要性，并将重要性大于阈值的特征参数形成特征子集；步骤4，分别将每个所述特征子集输入时序卷积神经网络模型进行训练，生成每个负载任务对应的能耗模型；步骤5，根据所述目标服务器当前的负载任务，选择对应的能耗模型预测该服务器的能耗值。
[0007]根据本专利技术实施例的一种具体实现方式，所述负载任务包括CPU密集型任务、内存密集型任务、I/O密集型任务和混合型任务。
[0008]根据本专利技术实施例的一种具体实现方式，所述步骤4之前，所述方法还包括：利用预设公式对所述特征子集进行归一化。
[0009]根据本专利技术实施例的一种具体实现方式，所述预设公式为：
，其中，和分别表示所述系统数据中最小值和最大值，表示原始特征值，表示归一化后的值，为输入的特征个数。
[0010]根据本专利技术实施例的一种具体实现方式，所述步骤3具体包括：步骤3.1，选择每颗决策树相应的袋外数据并计算其误差，记为；步骤3.2，随机地对袋外数据所有样本的特征加入噪声干扰，再次计算它的袋外数据误差，记为；步骤3.3，假设随机森林中有颗树，则对于特征的重要性为：；步骤3.4，将重要性大于所述阈值的特征参数形成特征子集。
[0011]根据本专利技术实施例的一种具体实现方式，所述时序卷积神经网络为ResNet架构，并由残差连接、因果卷积和膨胀卷积组成。
[0012]第二方面，本专利技术实施例提供了一种边缘数据中心服务器能耗预测系统，包括：采集模块，用于在运行不同负载任务下实时监控和采集目标服务器对应的系统数据；提取模块，用于分别从每个所述系统数据中提取与能耗相关的特征数据集；计算模块，用于通过随机森林算法计算每个所述特征数据集中每个特征参数的重要性，并将重要性大于阈值的特征参数形成特征子集；训练模块，用于分别将每个所述特征子集输入时序卷积神经网络模型进行训练，生成每个负载任务对应的能耗模型；预测模块，用于根据所述目标服务器当前的负载任务，选择对应的能耗模型预测该服务器的能耗值。
[0013]第三方面，本专利技术实施例还提供了一种电子设备，该电子设备包括：至少一个处理器；以及，与该至少一个处理器通信连接的存储器；其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的边缘数据中心服务器能耗预测方法。
[0014]第四方面，本专利技术实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的边缘数据中心服务器能耗预测方法。
[0015]第五方面，本专利技术实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的边缘数据中心服务器能耗预测方法。
[0016]本专利技术实施例中的边缘数据中心服务器能耗预测方案，包括：步骤1，在运行不同负载任务下实时监控和采集目标服务器对应的系统数据；步骤2，分别从每个所述系统数据中提取与能耗相关的特征数据集；步骤3，通过随机森林算法计算每个所述特征数据集中每个特征参数的重要性，并将重要性大于阈值的特征参数形成特征子集；步骤4，分别将每个所述特征子集输入时序卷积神经网络模型进行训练，生成每个负载任务对应的能耗模型；步骤5，根据所述目标服务器当前的负载任务，选择对应的能耗模型预测该服务器的能耗值。
[0017]本专利技术实施例的有益效果为：通过本专利技术的方案，基于随机森林算法筛选特征参数并结合时序卷积神经网络建立能耗模型，提高了预测效率和精准度。
附图说明
[0018]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0019]图1为本专利技术实施例提供的一种边缘数据中心服务器能耗预测方法的流程示意图；图2为本专利技术实施例提供的一种数据采样过程示意图；图3为本专利技术实施例提供的一种随机森林算法示意图；图4为本专利技术实施例提供的一种膨胀因果卷积示意图；图5为本专利技术实施例提供的一种时序卷积神经网络残差块可视化示意图，其中（a）表示TCN残差块，（b）表示TCN中的残差块连接示例；图6为本专利技术实施例提供的一种边缘数据中心服务器能耗预测系统的结构示意图；图7为本专利技术实施例提供的电子设备示意图。
具体实施方式
[0020]下面结合附图对本专利技术实施例进行详细描述。
[0021]以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种边缘数据中心服务器能耗预测方法，其特征在于，包括：步骤1，在运行不同负载任务下实时监控和采集目标服务器对应的系统数据；步骤2，分别从每个所述系统数据中提取与能耗相关的特征数据集；步骤3，通过随机森林算法计算每个所述特征数据集中每个特征参数的重要性，并将重要性大于阈值的特征参数形成特征子集；步骤4，分别将每个所述特征子集输入时序卷积神经网络模型进行训练，生成每个负载任务对应的能耗模型；步骤5，根据所述目标服务器当前的负载任务，选择对应的能耗模型预测该服务器的能耗值。2.根据权利要求1所述的方法，其特征在于，所述负载任务包括CPU密集型任务、内存密集型任务、I/O密集型任务和混合型任务。3.根据权利要求1所述的方法，其特征在于，所述步骤4之前，所述方法还包括：利用预设公式对所述特征子集进行归一化。4.根据权利要求3所述的方法，其特征在于，所述预设公式为：，其中，和分别表示所述系统数据中最小值和最大值，表示原始特征值，表示归一化后的值，为输入的特征个数。5.根据权利要求1所述的方法，其特征在于，所述步骤3具体包括：步骤3.1，选择每颗决策树相应的袋外数据并计算其误差，记为；步骤3.2，随机地对袋外数据所有样本的特征加入噪声干扰，再次计算它的袋外数据误差，记为；步骤3.3，假设随机森林中有颗树，则对于特征的重要性为：；步骤3.4，将重要性大于所述阈值的特征参数形成特征子...

【专利技术属性】
技术研发人员：李闯，朱单，文艳华，何成文，刘纯洋，
申请(专利权)人：湖南工商大学，
类型：发明
国别省市：