互聯網的飛速發展拉動了對大規模數據中心的胃口，同時也帶來能耗的巨幅上升，目前數據中心的能耗已經超過了全球能源使用量的1.3%。Google的數據中心以高能效著稱，通過創新的市電直供、熱空氣隔離、水側節能等技術和大量的運營優化，PUE達到了令人稱奇的1.12領先水平。
“壓榨PUE不停歇”但是他們“貪心不足”，在新加坡舉辦的Datacenter Dynamics 2014會議上，Google數據中心副總裁Joe Kava和天才小子Jim Gao介紹了Google是如何利用機器學習和人工智能進一步改進數據中心，以期將能效降到1.1以下的。
▲圖1 數據中心可以更為節能
業界一般用 PUE(電能使用效率)來衡量數據中心的能效，PUE=數據中心總設備能耗/IT設備能耗，其典型值為2，越接近1表明能效越高。圖2中，一個典型的Google數據中心在投產初期的PUE約為1.25，Google通過持續的運營優化將PUE降低到了1.12。
但即便優秀如Google，要想進一步降低PUE值也變得步履維艱。因為到了某一階段，制冷和電氣系統之間的相互作用和各種復雜反饋回路，使得我們使用傳統的工程公式難以準確推導數據中心的效率。
比如冷通道溫度的較小提升都會導致制冷系統的很多變化，如冷機、冷卻塔、換熱器、水泵等的功耗都將增減不定，且非線性變化，其結果很可能是冷通道溫度提升而總功耗增加。
▲ Google數據中心的PUE進一步優化碰到瓶頸
面臨瓶頸，Google 決定利用機器學習神經網絡算法讓其數據中心能效更上一層樓。
神經網絡是一類機器學習算法，它模擬神經元之間相互作用的認知行為。
機器學習的這個分支常見的應用包括語音識別，圖象處理，和自主軟件代理等。機器學習方法利用現有的大量傳感器數據來建立一個數學模型，理解操作參數之間的關系從而提升整體學習效率，如圖3語音識別。
▲圖3 機器學習在語音識別中的應用
據 Kava 介紹，該項目僅為Google的20%業余時間創新項目。他們不斷跟蹤 IT 設備能耗、室外氣溫以及制冷等機電設備的設置情況，每30秒就計算一次 PUE。
Google的BMS、PMS以及控制系統每天產生數以億計的原始運行數據，雖然人類難以理解，但機器卻擅長于挖掘。
Google數據中心團隊的Jim Gao洞察到了這一點，于是他回歸本源，獲取數據并通過機器學習對這些數據進行研究，建立模型以預測并改善數據中心的能效情況。
結果表明，該模型的預測準確率高達 99.6%。極高的準確率意味著Google對數據中心下一步的能量需求情況了如指掌，并可通過調整參數設置進一步提升能效。
Kava 舉例稱，幾個月前，他們有幾臺服務器要下線幾天，其結果是數據中心能效會有所降低。但利用Jim Gao的模型他們臨時調整了制冷參數，通過與歷史數據的結合進行PUE仿真，該團隊選定了一套新的運營參數，從而將 PUE 再降低了0.02。
▲圖4 谷歌某個數據中心在夏天一個月內的實際PUE值(黃線)和預測值(黑線)
這個0.02可不容小覷，乘上Google上百萬臺服務器量，0.02也有可觀的節能效果。值得一提的是，該案例中PUE值大于1.14只因缺乏實際運行數據支持，否則其PUE模型的精度值預計隨時間會進一步增加。
Jim Gao 在隨后發布的白皮書上解釋說：
采用神經網絡機器學習方法對復雜系統建模具有優勢，因為神經網絡不需要用戶預設模型的交互特征，而是讓數據自行尋找模式和交互，然后自動生成最佳匹配模型。
如圖5，該神經網絡研究的要素包括了服務器總負載、水泵、冷卻塔、冷水機組、干式冷卻器、濕球溫度、戶外濕度、風速、風向等多達19個變量。Google利用傳感器部署了幾萬個數據點來收集這些基礎設施運行數據和電能使用信息。不過，Google只用一臺服務器就能跑整個神經網絡系統了。
▲圖5 典型數據中心建模涉及到的各種變量
準確又健壯的PUE機器學習模型將使數據中心運營方和業主受益匪淺。
例如，對于給定充足條件的數據中心，其實際性能與預測性能的比較數據，可用于自動運行報警、運行效益指標設定和故障排除等。
一個強大的效率模型還使數據中心運營商方便評估數據中心變量參數的PUE敏感性。
例如圖6中，利用谷歌某個數據中心冷通道溫度(CAT)和PUE之間關系模擬，可推導出通過增加3華氏度的冷卻塔出水溫度(LWT)，理論上有望降低0.5%的總PUE。這種PUE值降低的模擬分析，在實際測試優化中得以驗證。這種影響參量確定和PUE降低的幅度敏感度分析，可以顯著降低試驗成本、減少碳排放。
Jim Gao 在白皮書中聲明，Google 數據中心的實際測試表明：
機器學習是利用傳感器數據對數據中心能效建模的不二法門。
不過目前國內粗放式管理的數據中心短時間內恐怕難以效仿。
▲圖6 機器學習方法用于數據中心能效建模
基于現代數據中心的復雜性，以及多個控制系統之間的相互作用。目前，數據中心運營方很難預測改變配置參數將會帶來的影響。機器學習方法可以利用現有的傳感器數據，來開發能夠理解運行參數和整體能源效率之間關系的數學模型。
準確的數據中心效率模型可以讓數據中心運營商無需現場調試就能夠優化運行配置。
這樣，數據中心運營方利用數據中心虛擬化仿真得到了最優模型參數，便可減少冷站參數變化帶來的不可控風險。(未完待續)
▲圖7 虛擬數據中心建模可用于仿真分析減少現場試驗不確定性
京公網安備 11010502049343號