【技术实现步骤摘要】
面向混合负载的多基准驱动调参服务器能效调优方法及装置
[0001]本专利技术涉及云数据中心服务器参数调优领域,特别涉及一种面向混合负载的多基准驱动调参服务器能效调优方法及装置。
技术介绍
[0002]随着人工智能、物联网、区块链等技术的发展,新兴业务不仅在资源数量上出现了更大的需求量,也对服务器资源的使用效率提出了更高的要求。为了满足日益复杂的业务需求,数据中心的服务器运维策略需要在保证云服务质量的同时尽可能地降低维护成本与能源开销,以提升数据中心的整体能效。作为主流的运维优化策略,参数调优被应用于硬件设计、应用优化、网络流控等多个领域。然而,服务器及应用的参数种类众多,不同参数具有不同的适用场景和取值范围,通过手动调节的方式往往难以获取最优的参数组合。因此,不少学者会针对不同的业务场景设计参数调优策略,对服务器的性能及功耗进行优化。
[0003]针对大数据应用场景,Malik M等人提出了一种结合的协同调度和参数调优的调优框架ECoST。该框架以离线建表的方式确定不同类型负载共存于同一结点时的能效表现以及最优参数组合。在线阶段,ECoST通过决策树执行大数据负载的协同调度决策,并利用查表、非线性神经网络等模型进行参数调优。实验表明,该方法最高能够提升4%的能效,但它仅针对HDF的三个参数进行调优,随着参数数量及范围的不断扩大,离线建表的时间将越来越长。为了避免离线模型训练引起的高额开销,Fekry A等人提出了一种名为SimTune的参数调优方法。SimTune利用自动编解码器神经网络完成工作负载的低维空间 ...
【技术保护点】
【技术特征摘要】
1.面向混合负载的多基准驱动调参服务器能效调优方法,其特征在于,包括离线模型训练阶段和在线能效调优阶段,所述离线模型训练阶段为在线能效调优阶段提供模型支持;所述离线模型训练阶段具体包括下述步骤:采集服务器运行各单一基准负载时的能效表现和性能计数器数值,得到的不同类别负载的运行数据并作为训练集;建立多标签负载分类模型实现混合负载与多基准间的映射;为各基准建立性能预测模型、最大性能评估模型和能效预测模型,使用训练集训练性能预测模型、最大性能评估模型、能效预测模型,针对不同类别负载的数据分别采用多种回归拟合算法训练出模型,并对预测精度最高的三个模型进行组合作为最终预测模型,取三个模型的预测均值作为结果;所述在线能效调优阶段具体包括下述步骤:后台持续运行基于能效曲线的快速DVFS方法完成细粒度的CPU频率调优;使用负载分类模型和性能预测模型对服务器当前运行的负载进行分类获取相似度评分;通过能效预测模型和相似度评分计算出服务器综合能效评分;利用综合能效评分指导参数搜索算法的完成粗粒度的系统参数调优。2.根据权利要求1所述、面向混合负载的多基准驱动调参服务器能效调优方法,其特征在于,所述采集服务器运行单一基准负载时的能效表现和性能计数器数值时,采用拉丁超立方采样生成参数组合,以10%为粒度分别将负载水平设置为10%~100%进行性能计数器与能效表现相关指标的采集。3.根据权利要求1所述、面向混合负载的多基准驱动调参服务器能效调优方法,其特征在于,所述负载分类模型的训练过程中,使用特征筛选算法获取CPU、内存、磁盘负载上最显著的特征,然后采用K最近邻算法记录每个基准负载的数据记录;所述负载分类模型的输入为性能计数器,输出为相似度评分;所述性能预测模型的输入为性能计数器,输出为数值;所述最大性能评估模型的输入为CPU、内存、磁盘相关的系统可调节参数,输出为最大性能预测值;所述能效预测模型的输入为CPU、内存、磁盘相关的系统可调节参数以及估算性能值,输出为能效预测值;估算性能值为性能预测值与最大性能预测值中的更小者。4.根据权利要求1所述、面向混合负载的多基准驱动调参服务器能效调优方法,其特征在于,所述后台持续运行基于能效曲线的快速DVFS方法完成细粒度的CPU频率调优,具体为:基于不同基准负载的能效曲线确定每个CPU频率的最优能效利用率区间(U
lower
,U
upper
);根据当前逻辑核的利用率U
cur
依次调节每个CPU逻辑核的频率:若低于最优能效利用率下界U
lower
则降低频率,若U
cur
∈(U
lower
,U
upper
)则频率不变,若高于最优能效利用率上界U
upper
则升高频率,若U
cur
达到最大值则大幅提升频率。5.根据权利要求1所述、面向混合负载的多基准驱动调参服务器能效调优方法,其特征在于,所述使用负载分类模型和性能预测模型对服务器当前运行的负载进行分类获取相似度评分的步骤具体为:
读取离线训练好的K最近邻模型;利用K最近邻模型计算出当前负载数据点与不同基准的距离;选出CPU、内存、磁盘三个类别中距离当前负载数据点最接近的基准负载;将所选的三个基准负载与当前负载数据点的距离进行线性转换得到权重向量w={w
cpu
,w
mem
,w
io
},其中w
cpu
,w
mem
,w
io
分别为计算密集型、内存密集型、IO密集型权重;使用相应基准负载的性能预测模型获取性能预测值作为负载偏好度向量p={p
cpu
,p
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。