【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 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
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
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:
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。