1　引言

　　隨著大數(shù)據(jù),、云計(jì)算等技術(shù)的高速發(fā)展,，數(shù)字經(jīng)濟(jì)已經(jīng)成為我國(guó)經(jīng)濟(jì)發(fā)展的重要戰(zhàn)略，高密度數(shù)據(jù)中心作為承載技術(shù)與產(chǎn)業(yè)的實(shí)體,，是傳統(tǒng)工業(yè)向信息化轉(zhuǎn)型的關(guān)鍵“新基建”,。因此，對(duì)數(shù)據(jù)中心的全方位優(yōu)化部署成為了從業(yè)者的迫切追求,。衡量數(shù)據(jù)中心性能的標(biāo)準(zhǔn)即為可定義,、可量化的一系列數(shù)據(jù)中心關(guān)鍵參數(shù)。本文希望研究利用機(jī)器學(xué)習(xí)算法進(jìn)行數(shù)據(jù)中心參數(shù)自動(dòng)優(yōu)化的典型關(guān)鍵技術(shù),，特別是研究聚焦在“基礎(chǔ)設(shè)施層”和“服務(wù)器層”等核心參數(shù)的具體優(yōu)化方法,，以形成數(shù)據(jù)中心參數(shù)自動(dòng)優(yōu)化的設(shè)計(jì)路徑。

　　2　數(shù)據(jù)中心關(guān)鍵參數(shù)分析

　　本文研究的關(guān)鍵參數(shù)包括：數(shù)據(jù)中心能源利用效率（Power Usage Effectiveness,，PUE）,、風(fēng)機(jī)水泵等基礎(chǔ)設(shè)施系統(tǒng)設(shè)備耗電量；網(wǎng)絡(luò)傳輸性能如時(shí)延,、丟包率,、吞吐量等；數(shù)據(jù)中心的可靠性,、可用性等,。

　　2.1　PUE

　　全球通用的數(shù)據(jù)中心核心關(guān)鍵指標(biāo)是PUE[1]，該指標(biāo)最早于2007年由綠色網(wǎng)格組織（The Green Grid,，TGG）提出,，用來(lái)評(píng)價(jià)數(shù)據(jù)中心能源利用效率，并得到廣泛使用,。

　　PUE的定義為：PUE=Pall/PIT,，其中Pall指的是一個(gè)數(shù)據(jù)中心的全年總體累計(jì)電能消耗,，單位為kWh,；PIT為整個(gè)數(shù)據(jù)中心的IT設(shè)備全年累計(jì)電能消耗，單位同樣為kWh,。因此,，PUE為一個(gè)沒(méi)有單位的參數(shù)，且最小值為1,。

　　2.2　數(shù)據(jù)中心基礎(chǔ)設(shè)施耗電量分析

　　隨著產(chǎn)業(yè)和規(guī)模的發(fā)展,，數(shù)據(jù)中心能耗成為社會(huì)廣泛關(guān)注的問(wèn)題。對(duì)于從業(yè)者而言,，實(shí)現(xiàn)數(shù)據(jù)中心的綠色化發(fā)展也是體現(xiàn)技術(shù)水平的重要方面之一,。因此，近年來(lái)數(shù)據(jù)中心行業(yè)對(duì)各種設(shè)備的能源消耗日益關(guān)注,，基礎(chǔ)設(shè)施的耗電量成為最為關(guān)鍵的技術(shù)參數(shù)之一,。

　　2.2.1　冷水機(jī)組

　　冷水機(jī)組是大型數(shù)據(jù)中心制冷架構(gòu)中的核心設(shè)備,，其工作原理是由一個(gè)多功能的機(jī)器，通過(guò)內(nèi)部工質(zhì)的壓縮或膨脹來(lái)完成制冷循環(huán),。在制冷行業(yè)中,，通常冷機(jī)可以分為風(fēng)冷式和水冷式兩種，根據(jù)壓縮機(jī)的不同種類,，水冷型的冷機(jī)又分為螺桿式冷水機(jī)組和離心式冷水機(jī)組,，在大型數(shù)據(jù)中心領(lǐng)域常見(jiàn)的是水冷型離心機(jī)組。根據(jù)調(diào)研,，冷機(jī)是數(shù)據(jù)中心暖通系統(tǒng)中耗電量最大的單體設(shè)備,，主要耗電部件是壓縮機(jī)。

　　2.2.2　風(fēng)機(jī)

　　在數(shù)據(jù)中心基礎(chǔ)設(shè)施系統(tǒng)中,，風(fēng)機(jī)的功耗占據(jù)著僅次于冷水機(jī)組的耗電類設(shè)備第二大比例,。在IDC制冷架構(gòu)設(shè)備中，采用風(fēng)機(jī)設(shè)備的風(fēng)冷精密空調(diào)整體耗能比水冷型高15%,。因此,，從空調(diào)制冷，到冷板式制冷,，再到浸沒(méi)式制冷,，制冷末端在逐漸向熱源逼近。液冷技術(shù)直接利用冷卻液直接/間接給IT設(shè)備芯片散熱,，效率較高,。

　　2.2.3　水泵

　　在數(shù)據(jù)中心運(yùn)維階段，通常水泵的運(yùn)行頻率對(duì)各類制冷設(shè)備整體的總能耗起關(guān)鍵作用,。因此,，水泵的能耗成為被關(guān)注的另一個(gè)耗電量核心參數(shù)。

　　2.3　網(wǎng)絡(luò)傳輸參數(shù)

　　隨著網(wǎng)絡(luò)的快速發(fā)展和普及,，互聯(lián)網(wǎng)規(guī)模不斷擴(kuò)大,，涌現(xiàn)出很多新型網(wǎng)絡(luò)應(yīng)用和服務(wù)，例如高清視頻會(huì)議,、在線游戲和網(wǎng)絡(luò)直播等,。不同的數(shù)據(jù)中心應(yīng)用對(duì)以下3個(gè)指標(biāo)有不同側(cè)重點(diǎn)需求。

　?。?）吞吐量：表征的是網(wǎng)絡(luò)架構(gòu)中主機(jī)之間的傳輸速率,，表現(xiàn)為單位時(shí)間長(zhǎng)度內(nèi)的傳輸數(shù)據(jù)總量，常用單位為kbit/s和Mbit/s,。

　?。?）時(shí)延：有單向時(shí)延和端到端時(shí)延兩種概念，單向時(shí)延指E1發(fā)送數(shù)據(jù)報(bào)文的時(shí)間與E2接收數(shù)據(jù)報(bào)文的時(shí)間之差,，端到端時(shí)延是分組時(shí)延,、單向（網(wǎng)絡(luò)）時(shí)延,、抖動(dòng)緩沖時(shí)延和附加固定時(shí)延（如果有）的總和。與單向時(shí)延一樣,，端到端時(shí)延在端點(diǎn)之間是單向的,，但擴(kuò)展到硬件，包含所有延遲因素,。

　?。?）丟包率：是丟失IP包數(shù)與所有發(fā)送的IP包數(shù)的比值，衡量網(wǎng)絡(luò)架構(gòu)性能的一個(gè)重要參數(shù),。通常數(shù)據(jù)在網(wǎng)絡(luò)傳遞中會(huì)發(fā)生丟失現(xiàn)象,，經(jīng)常和網(wǎng)絡(luò)轉(zhuǎn)發(fā)質(zhì)量、末端間距等因素相關(guān),。

　　2.4　數(shù)據(jù)中心可靠性和可用性

　　數(shù)據(jù)中心的重要性在于支持企業(yè)應(yīng)用不間斷運(yùn)行,。近年來(lái)，世界各地的數(shù)據(jù)中心經(jīng)常發(fā)生一些安全故障事件,，一次次沖擊著用戶的心理防線,。因此，數(shù)據(jù)中心可靠性和可用性是衡量其綜合性能的關(guān)鍵參數(shù),。

　?。?）可靠性（Reliability），指某個(gè)設(shè)備或系統(tǒng)在一個(gè)指定的時(shí)間內(nèi)能夠無(wú)故障地持續(xù)穩(wěn)定運(yùn)行的可能性,。人們通常用平均無(wú)故障時(shí)間（Mean Time Between Failure,，MTBF）這一指標(biāo)來(lái)量化它，MTBF反映了產(chǎn)品的時(shí)間質(zhì)量,。

　?。?）可用性（Availability），指系統(tǒng)在使用過(guò)程中MTBF與總時(shí)間（MTBF+MTTR）之比（其中MTTR為平均修復(fù)時(shí)間）,，其計(jì)算公式是A=MTBF/（MTBF+MTTR）,。可用性是衡量一個(gè)數(shù)據(jù)中心整體或者設(shè)備穩(wěn)定運(yùn)行能力的指標(biāo),，比率越無(wú)限接近1.0,，穩(wěn)定性越好,。

　　以上不同關(guān)鍵參數(shù)基本可以對(duì)一個(gè)數(shù)據(jù)中心進(jìn)行整體綜合評(píng)價(jià),，這使得數(shù)據(jù)中心基礎(chǔ)設(shè)施的設(shè)計(jì)有了可量化的目標(biāo)，也使得評(píng)估有了可量化的依據(jù),。

　　3　針對(duì)參數(shù)優(yōu)化的機(jī)器學(xué)習(xí)算法

　　在信息通信領(lǐng)域,，機(jī)器學(xué)習(xí)算法技術(shù)在過(guò)去幾年越來(lái)越受到重視。這些算法的目的是找到相關(guān)參數(shù)之間的關(guān)聯(lián)程度,，并以此去規(guī)劃執(zhí)行動(dòng)作,，從而對(duì)目標(biāo)參數(shù)進(jìn)行集成優(yōu)化,。集成優(yōu)化是指對(duì)數(shù)據(jù)中心五層架構(gòu)的統(tǒng)一調(diào)度，其中尤為重要的是風(fēng)火水電和IT軟件硬件資源之間的優(yōu)化[2],。人工智能,、云計(jì)算和大數(shù)據(jù)技術(shù)的發(fā)展，催生基于海量數(shù)據(jù)進(jìn)行預(yù)測(cè)并輸出建議的機(jī)器學(xué)習(xí)算法進(jìn)展迅速,。機(jī)器學(xué)習(xí)算法種類繁多,，其中針對(duì)目標(biāo)參數(shù)進(jìn)行關(guān)系擬合、優(yōu)化的算法基本分為三大類,。

　?。?）監(jiān)督學(xué)習(xí)：監(jiān)督學(xué)習(xí)問(wèn)題可以分為兩類，一類是回歸,，輸出結(jié)果是數(shù)字,，如城市交通流量、設(shè)備運(yùn)行速度,；一類是分類,，輸出結(jié)果是類別，如男性或者女性,、睡眠或者清醒,。

　　（2）無(wú)監(jiān)督學(xué)習(xí)：無(wú)監(jiān)督學(xué)習(xí)問(wèn)題可以分為3類,，一類是關(guān)聯(lián),，該方法是為了找出各種情況出現(xiàn)的概率，廣泛地運(yùn)用于購(gòu)物車分析（電子商務(wù)領(lǐng)域）中,；一類是聚類,，把樣本分堆，使同一堆中的樣本之間很相似,，而不同堆之間的樣本就有些差別,；還有一類是降維，減少數(shù)據(jù)集中變量的個(gè)數(shù),，但是仍然保留重要的信息,。

　　（3）強(qiáng)化學(xué)習(xí)：通過(guò)學(xué)習(xí)那些能夠最大化獎(jiǎng)勵(lì)的行為是什么,，然后根據(jù)當(dāng)前狀態(tài)來(lái)決定最優(yōu)下一步行動(dòng),。此算法通常用在機(jī)器人開發(fā)中，經(jīng)常使用試錯(cuò)的方式來(lái)學(xué)習(xí)最佳行動(dòng),。機(jī)器人可以通過(guò)在撞到障礙物后接收到的負(fù)反饋來(lái)學(xué)習(xí)如何避免碰撞,。例如，在視頻游戲里,，試錯(cuò)行為能發(fā)現(xiàn)那些給予玩家獎(jiǎng)勵(lì)的特定動(dòng)作,。行動(dòng)主體就能用這些正向獎(jiǎng)勵(lì)來(lái)理解游戲中的最佳情形,，并選擇下一步行動(dòng)。

　　4　基于機(jī)器學(xué)習(xí)的數(shù)據(jù)中心參數(shù)自動(dòng)優(yōu)化關(guān)鍵技術(shù)

　　機(jī)器學(xué)習(xí)算法是一個(gè)在不斷發(fā)展中的邊界不明確的技術(shù)領(lǐng)域,，如基本類別監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)的算法分類目前尚存爭(zhēng)議[3],。機(jī)器學(xué)習(xí)界的一個(gè)最鮮明的特點(diǎn)就是算法眾多，思想各不相同,，發(fā)展各有路徑,。因此，業(yè)內(nèi)廣泛接受的一個(gè)事實(shí)是：沒(méi)有任何一種機(jī)器學(xué)習(xí)算法可以適用所有應(yīng)用場(chǎng)景,，可以說(shuō)是一類各方探討進(jìn)程中的典型技術(shù),。根據(jù)各類學(xué)習(xí)算法的特征優(yōu)勢(shì)，數(shù)據(jù)中心領(lǐng)域展開了多種算法實(shí)踐,，其中的典型參數(shù)自動(dòng)優(yōu)化算法如下,。

　　4.1　應(yīng)用監(jiān)督學(xué)習(xí)算法的數(shù)據(jù)中心參數(shù)自動(dòng)優(yōu)化

　　監(jiān)督式學(xué)習(xí)在數(shù)據(jù)中心參數(shù)調(diào)優(yōu)中的典型技術(shù)是“運(yùn)維參數(shù)優(yōu)化”，其主要思想就是驅(qū)動(dòng)系統(tǒng)設(shè)備跟隨運(yùn)維人員從歷史數(shù)據(jù)中學(xué)習(xí),，運(yùn)維人員就像是一個(gè)“師傅”,，將自己的領(lǐng)域知識(shí)“教” 給系統(tǒng)，然后系統(tǒng)根據(jù)“學(xué)”到的知識(shí)來(lái)自動(dòng)選擇合適的檢測(cè)器和算法參數(shù),。運(yùn)維人員首先在歷史數(shù)據(jù)中標(biāo)記出異常,，接著使用十幾種不同類型的檢測(cè)器提取出上百個(gè)異常特征，此時(shí)有了人工標(biāo)記的數(shù)據(jù)和異常特征,；然后,，將異常檢測(cè)問(wèn)題轉(zhuǎn)化成機(jī)器學(xué)習(xí)中監(jiān)督式的分類問(wèn)題，分析算法中參數(shù)的分布規(guī)律和不同參數(shù)下學(xué)習(xí)效果的評(píng)估,，并將此規(guī)律應(yīng)用于機(jī)器學(xué)習(xí)的模型訓(xùn)練,，達(dá)到自動(dòng)選擇合適參數(shù)的目的。

　　4.2　應(yīng)用無(wú)監(jiān)督學(xué)習(xí)算法的數(shù)據(jù)中心參數(shù)自動(dòng)優(yōu)化

　　無(wú)監(jiān)督算法的一個(gè)應(yīng)用是對(duì)大型服務(wù)器集群內(nèi)部的故障進(jìn)行根因故障分析,，以此提高數(shù)據(jù)中心的可靠性參數(shù),。目前，業(yè)界基于人工智能的運(yùn)維以告警事件,、業(yè)務(wù)日志,、網(wǎng)絡(luò)及業(yè)務(wù)拓?fù)涞葹檠芯抗芾韺?duì)象，通過(guò)算法智能降噪,、算法智能聚類的管理過(guò)程,，依托無(wú)監(jiān)督方式的機(jī)器學(xué)習(xí)算法技術(shù)來(lái)實(shí)現(xiàn)智能事件關(guān)系整合，在海量的故障事件中高速,、精準(zhǔn)定位問(wèn)題,，解析原因，提高解決問(wèn)題的速度,。

　　這種技術(shù)在對(duì)服務(wù)器進(jìn)行故障分析時(shí)具備典型的優(yōu)勢(shì)：首先是多元IT數(shù)據(jù)接入,，融合告警事件、監(jiān)控日志,、流量,、網(wǎng)絡(luò)拓?fù)涞榷嗑S度數(shù)據(jù)接入；其次是大數(shù)據(jù)算法降噪,，通過(guò)智能算法進(jìn)行數(shù)據(jù)的降噪處理,，高效的實(shí)時(shí)數(shù)據(jù)處理能力，海量數(shù)據(jù)的多維管理,；第三是數(shù)據(jù)聚類和關(guān)聯(lián),，通過(guò)算法進(jìn)行智能關(guān)聯(lián)性匹配并聚合歸類，產(chǎn)生新的數(shù)據(jù)模型,；第四是智能根因推薦,，依據(jù)IP、業(yè)務(wù),、歸屬等多維度進(jìn)行智能化語(yǔ)義分析,，快速推薦當(dāng)前情境下的故障根因；最后是知識(shí)庫(kù)積累復(fù)用,，可以構(gòu)建一套知識(shí)體系與歷史事件分析的過(guò)程,，即針對(duì)過(guò)去事件與當(dāng)前告警智能提供匹配列表。

　　4.3　應(yīng)用強(qiáng)化學(xué)習(xí)算法的數(shù)據(jù)中心參數(shù)自動(dòng)優(yōu)化

　　用強(qiáng)化學(xué)習(xí)算法去優(yōu)化PUE是對(duì)傳統(tǒng)數(shù)據(jù)中心控制系統(tǒng)技術(shù)的突破性顛覆,，也是目前機(jī)器學(xué)習(xí)算法在數(shù)據(jù)中心參數(shù)優(yōu)化的最成功實(shí)踐,。這種算法運(yùn)用機(jī)器學(xué)習(xí)、統(tǒng)計(jì)學(xué)以及模糊控制等技術(shù)和方法對(duì)數(shù)據(jù)進(jìn)行處理,、對(duì)各類相關(guān)設(shè)備進(jìn)行系統(tǒng)化分析和決策,，從而達(dá)到優(yōu)化數(shù)據(jù)中心整體PUE的目的。通過(guò)對(duì)當(dāng)前運(yùn)行數(shù)據(jù)的清洗,、分析和挖掘,，預(yù)測(cè)未來(lái)的控制動(dòng)作。整個(gè)過(guò)程采用機(jī)器學(xué)習(xí)算法的模型進(jìn)行訓(xùn)練,。從強(qiáng)化學(xué)習(xí)算法用于優(yōu)化數(shù)據(jù)中心參數(shù)的成果來(lái)看,，該方法收益顯著。例如,，谷歌公司使用其機(jī)器學(xué)習(xí)系統(tǒng),，自動(dòng)管理其數(shù)據(jù)中心的冷卻架構(gòu)，并持續(xù)分析21個(gè)變量,，如空氣溫度,、功率負(fù)載和內(nèi)部氣壓等。2018年，谷歌公司利用機(jī)器學(xué)習(xí)算法將冷卻系統(tǒng)所需的能耗減少40%,，實(shí)現(xiàn)PUE值為1.06的良好成績(jī),。

　　5　結(jié)束語(yǔ)

　　自2013年起，中國(guó)信息通信研究院云計(jì)算與大數(shù)據(jù)研究所測(cè)試過(guò)眾多數(shù)據(jù)中心的PUE,，其中表現(xiàn)良好的大部分為互聯(lián)網(wǎng)和通信行業(yè)大型數(shù)據(jù)中心,。測(cè)試結(jié)果顯示，參測(cè)數(shù)據(jù)中心PUE已經(jīng)由1.4~1.5區(qū)間降低到1.2~1.3區(qū)間,，最佳PUE在不斷創(chuàng)新低,。基于機(jī)器學(xué)習(xí)的典型算法在數(shù)據(jù)中心的PUE等參數(shù)優(yōu)化中已經(jīng)有了不同的應(yīng)用,。未來(lái),，機(jī)器學(xué)習(xí)算法將與ICT領(lǐng)域的新技術(shù)產(chǎn)生更多交集，形成更多方向,、更加深入的研究課題,，通過(guò)算法與實(shí)際業(yè)務(wù)的結(jié)合，實(shí)現(xiàn)更大的收益,。