基于长短期记忆网络(LSTM)的数据中心温度预测算法

论文摘要

大数据和云计算时代推动数据中心规模迅速扩大,有调查研究显示,国内数据中心年耗电量超过全社会用电量的1.5%,且在数据中心运行时高达10%的机柜运行温度高于设备可靠性的允许范围。温度监测和预测对于防止服务器过热而停机和提高数据中心的能源效率至关重要。文中提出了一种基于长短期记忆网络(LSTM)的温度预测算法,该算法使用数据中心温度监控数据和服务器实际运行参数生成时间序列训练集来训练神经网络模型并预测服务器入口温度。为了降低预测模型的训练时间,基于热局部性原理提出了一种联合建模框架,显著降低了在线温度预测建模的复杂性。在一个有15台服务器的测试台上进行了实验验证,结果表明该方法可以准确地预测动态工作负载的服务器的入口温度演变。

论文目录

• 0 引 言
• 1 相关工作
• 2 基于长短期记忆神经网络的温度预测方法
•   2.1 基于神经网络的温度预测方法
•     （1）条件温度预测。
•     （2）时序温度预测。
•   2.2 时序温度预测与LSTM
• 3 联合建模框架
• 4 神经网络的构建
•   4.1 数据集生成
•   4.2 LSTM神经网络结构
• 5 实验结果与分析
• 6 结束语

文章来源

类型: 期刊论文

作者: 徐一轩,伍卫国,王思敏,胡壮,崔舜

关键词: 数据中心,温度预测,长短期记忆网络,服务器入口温度

来源: 计算机技术与发展 2019年12期

年度: 2019

分类: 信息科技

专业: 计算机硬件技术

单位: 西安交通大学电子与信息工程学院

基金: 国家重点研发计划(2017YFB1001701),国家自然科学基金(61672423),河南省交通运输科技计划项目(2019J-2-5)

分类号: TP308

页码: 1-7

总页数: 7

文件大小: 1484K

下载量: 414