基于制造技术

本发明专利技术涉及服务器技术领域，具体提供一种基于

【技术实现步骤摘要】
基于LSTM的服务器动态管理方法、系统、终端及存储介质


[0001]本专利技术属于服务器
，具体涉及一种基于
LSTM
的服务器动态管理方法
、
系统
、
终端及存储介质
。

技术介绍

[0002]一些相关技术尝试采用长短期记忆网络（
LSTM
）等机器学习模型来预测未来的负载和环境温度
。
通过实时收集
CPU、
内存
、SSD
的负载数据和温度传感器的环境温度数据预测服务器的运行参数，然后基于预测的运行参数生成报警提示信息
。
[0003]这种管理方式仍然是不同参数之间的孤立监测，缺乏基于不同参数项的协同，无法实现对服务器的快速响应管理
。

技术实现思路

[0004]针对现有技术的上述不足，本专利技术提供一种基于
LSTM
的服务器动态管理方法
、
系统
、
终端及存储介质，以解决上述技术问题
。
[0005]第一方面，本专利技术提供一种基于
LSTM
的服务器动态管理方法，包括：定期采集服务器功耗和温度，得到功耗时序和温度时序；利用预先训练好的
LSTM
模型基于功耗时序和温度时序预测理论功耗值和理论温度值；基于所述理论功耗值和理论温度值，当前实际功耗和温度，以及预先设定的调控策略，对服务器部件功率以及散热系统功率进行调控
。
[0006]在一个可选的实施方式中，定期采集服务器功耗和温度，得到功耗时序和温度时序，包括：定期采集服务器的关键部件的功耗和温度，所述关键部件包括
CPU、
内存
、
硬盘；将定期采集的同一关键部件的数据按采集时间先后进行排序，得到时序数据；计算多个关键部件在相同时间节点的功耗之和，得到功耗时序；从多个关键部件的温度数据时序中筛选出相同时间节点的最大值，将不同时间节点的最大值顺序排列，得到温度时序
。
[0007]在一个可选的实施方式中，所述
LSTM
模型的构建方法，包括：构建
LSTM
模型，所述
LSTM
模型包括输入层，用于将类别特征转换为稠密向量的嵌入层，用于通过卷积核捕捉温度数据的局部时间模式的时序卷积层，由前向和后向两个
LSTM
子层组成的双向
LSTM
层，注意力机制层，添加在各层之间的残差连接，全连接层，
Adam
优化器；其中，输入层连接嵌入层，将类别特征输入到嵌入层，并与原始温度序列数据结合；嵌入层连接时序卷积层，对合并后的数据进行卷积操作；时序卷积层卷积后的数据输入到双向
LSTM
层；
LSTM
的输出被注意力机制层加权；在输入层与双向
LSTM
层
、
双向
LSTM
层与全连接层之间添加残差连接；注意力机制层连接全连接层，加权后的数据输入到全连接层进行最终预测
。
[0008]在一个可选的实施方式中，所述
LSTM
模型的训练方法包括：收集服务器的历史功耗数据和历史温度数据；将历史功耗数据按时间先后排序得到历史功耗时序，将历史功耗时序保存为第一数据集；将历史温度数据按时间先后排序得到历史温度时序，将历史温度时序保存为第二数据集；利用第一数据集训练
LSTM
模型，得到功耗预测模型；利用第二数据集训练
LSTM
模型，得到温度预测模型
。
[0009]在一个可选的实施方式中，所述
LSTM
模型的训练方法包括：将数据集分割为训练集
、
验证集和测试集，对训练数据进行数据清洗和归一化；提取训练数据的特征和对外部环境因素进行类别编码；选择损失函数和优化器；输入预处理后的训练集数据至
LSTM
模型进行训练，并使用验证集判断停止状态条件；利用测试集评估模型预测性能
。
[0010]在一个可选的实施方式中，利用预先训练好的
LSTM
模型基于功耗时序和温度时序预测理论功耗值和理论温度值，包括：将功耗时序输入功耗预测模型，得到理论功耗值；将温度时序输入功耗预测模型，得到理论温度值
。
[0011]在一个可选的实施方式中，基于所述理论功耗值和理论温度值，当前实际功耗和温度，以及预先设定的调控策略，对服务器部件功率以及散热系统功率进行调控，包括：利用关联规则算法挖掘功耗与温度的关联关系，并基于所述关联关系为理论功耗值生成校验温度值，计算理论温度值与校验温度值的误差值；若误差值超过预设的误差阈值，则将校验温度值与理论温度值的加权和设置为新的的理论温度值；若理论功耗值小于实际功耗值，且实际温度值或理论温度值超过温度阈值，则降低服务器部件功率；若理论功耗值大于实际功耗值，理论温度值大于实际温度值，且理论温度值超过温度阈值，则将液冷系统的功率调至全功率；若理论功耗值大于实际功耗值，理论温度值和实际温度值均超过温度阈值，则将液冷系统的功率调至全功率，并将服务器的边缘部件的功率调低，所述边缘部件包括风扇控制芯片
、
显示灯控制部件
。
[0012]第二方面，本专利技术提供一种基于
LSTM
的服务器动态管理系统，包括：数据采集模块，用于定期采集服务器功耗和温度，得到功耗时序和温度时序；数据预测模块，用于利用预先训练好的
LSTM
模型基于功耗时序和温度时序预测理论功耗值和理论温度值；功率调控模块，用于基于所述理论功耗值和理论温度值，当前实际功耗和温度，以及预先设定的调控策略，对服务器部件功率以及散热系统功率进行调控
。
[0013]在一个可选的实施方式中，数据采集模块包括：
数据采集单元，用于定期采集服务器的关键部件的功耗和温度，所述关键部件包括
CPU、
内存
、
硬盘；数据排序单元，用于将定期采集的同一关键部件的数据按采集时间先后进行排序，得到时序数据；功耗处理单元，用于计算多个关键部件在相同时间节点的功耗之和，得到功耗时序；温度处理单元，用于从多个关键部件的温度数据时序中筛选出相同时间节点的最大值，将不同时间节点的最大值顺序排列，得到温度时序
。
[0014]在一个可选的实施方式中，所述
LSTM
模型的构建方法，包括：构建
LSTM
模型，所述
LSTM
模型包括输入层，用于将类别特征转换为稠密向量的嵌入层，用于通过卷积核捕捉温度数据的局部时间模式的时序卷积层，由前向和后向两个
LSTM
子层组成的双向
LSTM
层，注意力机制层，添加在各层之间的残差连接，全连接层，
Adam
优化器；其中，输入层连接嵌入层，将类别特征输入到嵌入本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
LSTM
的服务器动态管理方法，其特征在于，包括：定期采集服务器功耗和温度，得到功耗时序和温度时序；利用预先训练好的
LSTM
模型基于功耗时序和温度时序预测理论功耗值和理论温度值；基于所述理论功耗值和理论温度值，当前实际功耗和温度，以及预先设定的调控策略，对服务器部件功率以及散热系统功率进行调控
。2.
根据权利要求1所述的方法，其特征在于，定期采集服务器功耗和温度，得到功耗时序和温度时序，包括：定期采集服务器的关键部件的功耗和温度，所述关键部件包括
CPU、
内存
、
硬盘；将定期采集的同一关键部件的数据按采集时间先后进行排序，得到时序数据；计算多个关键部件在相同时间节点的功耗之和，得到功耗时序；从多个关键部件的温度数据时序中筛选出相同时间节点的最大值，将不同时间节点的最大值顺序排列，得到温度时序
。3.
根据权利要求1所述的方法，其特征在于，所述
LSTM
模型的构建方法，包括：构建
LSTM
模型，所述
LSTM
模型包括输入层，用于将类别特征转换为稠密向量的嵌入层，用于通过卷积核捕捉温度数据的局部时间模式的时序卷积层，由前向和后向两个
LSTM
子层组成的双向
LSTM
层，注意力机制层，添加在各层之间的残差连接，全连接层，
Adam
优化器；其中，输入层连接嵌入层，将类别特征输入到嵌入层，并与原始温度序列数据结合；嵌入层连接时序卷积层，对合并后的数据进行卷积操作；时序卷积层卷积后的数据输入到双向
LSTM
层；
LSTM
的输出被注意力机制层加权；在输入层与双向
LSTM
层
、
双向
LSTM
层与全连接层之间添加残差连接；注意力机制层连接全连接层，加权后的数据输入到全连接层进行最终预测
。4.
根据权利要求1或3所述的方法，其特征在于，所述
LSTM
模型的训练方法包括：收集服务器的历史功耗数据和历史温度数据；将历史功耗数据按时间先后排序得到历史功耗时序，将历史功耗时序保存为第一数据集；将历史温度数据按时间先后排序得到历史温度时序，将历史温度时序保存为第二数据集；利用第一数据集训练
LSTM
模型，得到功耗预测模型；利用第二数据集训练
LSTM
模型，得到温度预测模型
。5.
根据权利要求4所述的方法，其特征在于，所述
LSTM
模型的训练方法包括：将数据集分割为训练集

【专利技术属性】
技术研发人员：赵伟，
申请(专利权)人：苏州元脑智能科技有限公司，
类型：发明
国别省市：