中文核心期刊
中国科技论文统计源期刊
国际刊号:1004-9037
国内刊号:32-1367/TN
用户登录
  E-mail:  
  密  码:  
  作者 审稿  
  编辑 读者  
期刊向导
联系方式
  • 主管:中国科学技术协会
  • 主办:南京航空航天大学
  •           中国电子学会
  • 国际刊号:1004-9037
  • 国内刊号:32-1367/TN
  • 地址:南京市御道街29号
  • 电话:025-84892742
  • 传真:025-84892742
  • E-mail:sjcj@nuaa.edu.cn
  • 邮编:210016
周清,张諝晟,沈子钰,李云.数据中心内服务器能耗数据采集及特征分析[J].数据采集与处理,2021,36(5):986-995
数据中心内服务器能耗数据采集及特征分析
Data Collection and Feature Analysis of Server Energy Consumption in Data Center
投稿时间:2020-11-11  修订日期:2021-09-15
DOI:10.16337/j.1004-9037.2021.05.014
中文关键词:  数据中心  服务器  仿真环境架构  数据采集  特征选择
英文关键词:data center  server  simulation environment architecture  data acquisition  feature selection
基金项目:国家重点研发计划(2018YFB1003702)资助项目;科研与实践创新基金(KYCX20_0760)资助项目。
作者单位邮编
周清 南京邮电大学计算机学院南京 210023
江苏省大数据安全与智能处理重点实验室南京 210023 
210023
张諝晟 南京邮电大学计算机学院南京 210023
江苏省大数据安全与智能处理重点实验室南京 210023 
210023
沈子钰 南京邮电大学计算机学院南京 210023
江苏省大数据安全与智能处理重点实验室南京 210023 
210023
李云 南京邮电大学计算机学院南京 210023
江苏省大数据安全与智能处理重点实验室南京 210023 
210023
摘要点击次数: 72
全文下载次数: 120
中文摘要:
      数据中心的高能耗低能效问题正受到广泛关注与研究,但目前没有公开的数据中心内服务器能耗数据集供研究人员使用,且现有过滤式特征选择并不能满足运维人员的需求。为此,提出了一套模拟数据中心内服务器运行状态的仿真环境架构,基于该架构采集了服务器运行各类任务时的多项性能指标和能耗数据。然后将基于因果关系的特征选择应用于能耗数据集的特征分析中,构建出可解释的特征子集和能耗预测结果。实验结果表明,因果特征子集大小约为过滤式特征子集大小的1/3到1/6,并且使用因果特征子集训练的模型在75%的情况下都取得了最优预测精度。
英文摘要:
      The problem of high energy consumption and low energy efficiency of data center has been pard extensive attention to and investigated by researchers. However, there is no public dataset of server energy consumption for researchers to use, and current filter feature selection can not satisfy requirements of engineers. Here, a simulation environment architecture is proposed to simulate the running state of servers in the data center. Based on the proposed architecture, performance parameters and energy consumption data of server are collected when the server as running various tasks. Causal feature selection is applied to the feature analysis of energy consumption datasets, and thus an interpretable feature subset is constructed and the energy consumption forecast results are obtained. Experimental results show that the size of causal feature subset is about 1/3 to 1/6 of the size of filter feature subset, and the model trained with causal feature subset achieves the optimal prediction accuracy in 75% of the cases.
查看全文  HTML  查看/发表评论

Copyright @2010-2015《数据采集与处理》编辑部

地址:南京市御道街29号        邮编:210016

电话:025-84892742      传真:025-84892742       E-mail:sjcj@nuaa.edu.cn

您是本站第2371992位访问者 本站今日一共被访问504

技术支持:北京勤云科技发展有限公司