一种基于边缘计算的服务器电源智能调配系统及方法与流程

本发明涉及边缘计算，尤其涉及一种基于边缘计算的服务器电源智能调配系统及方法。

背景技术：

1、随着数据中心、云计算平台和企业服务器集群规模不断扩大，服务器供电系统需要同时面对业务负载波动、电源模块负载变化、ups负载变化以及供电支路压降变化等运行状态。现有服务器电源管理技术通常通过集中式监控平台采集服务器功耗、处理器利用率、电源输出电流、ups负载率等数据，并依据固定阈值或人工配置规则执行告警、限功率、支路切换或供电源切换等处理。该类技术能够对供电异常进行基础监测和简单控制，但在服务器运行状态变化频繁、业务优先级差异明显、边缘节点资源消耗参与供电影响的场景下，集中式处理方式容易产生响应延迟，且难以对供电状态、业务负载和电源调配动作之间的关联变化进行连续分析。

2、边缘计算技术通过在靠近服务器集群的位置部署边缘节点，使供电状态数据能够在本地完成采集、整理和初步分析，减少数据上传至中心平台后再返回控制指令所产生的时间开销。在服务器电源管理基础方案中，边缘节点通常采集服务器功耗、ups负载率、电源模块输出电流和供电支路状态等数据，并根据本地规则形成供电调配建议，再将结果上传至中心侧进行统一管理。该方式提高了供电控制的实时性，但基础方案主要依赖局部阈值判断和静态规则匹配，对跨节点供电风险、历史调配损失以及高风险供电状态下的权重协同更新考虑不足。

3、因此，如何提供一种基于边缘计算的服务器电源智能调配系统及方法是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出一种基于边缘计算的服务器电源智能调配系统及方法，本发明充分利用了边缘计算、供电状态预测、风险传播分析和在线权重优化技术，详细描述了服务器供电状态数据采集、供电历史片段构建、改进psr模型预测分析、供电风险传播超图构建、尾部风险约束调配损失计算、ftrl算法以及目标电源调配策略筛选执行的完整过程，实现了服务器电源调配由静态阈值控制向边缘侧动态分析和协同优化控制的转变，能够在服务器功耗波动、ups负载升高、供电支路压降变化和业务优先级冲突等场景下提高供电调配的实时性、稳定性和安全性，具备响应速度快、风险识别准确、调配结果可靠和适应复杂服务器集群运行状态的优点。

2、根据本发明实施例的一种基于边缘计算的服务器电源智能调配方法，包括：

3、通过部署于服务器集群中的边缘节点采集服务器供电状态数据，并对服务器供电状态数据进行预处理，得到边缘供电观测序列；

4、基于边缘供电观测序列和历史电源调配动作构建供电历史片段，并形成供电测试事件集合；

5、基于供电测试事件集合构建改进psr模型，提取供电预测状态信息，结合服务器供电状态数据对测试更新通道进行能耗自约束筛选，并对筛选后的供电预测状态信息进行融合，形成供电决策状态向量；

6、基于供电决策状态向量构建供电风险传播超图，根据风险传播特征计算风险传播强度并更新节点风险值，生成供电风险传播状态；

7、基于供电风险传播状态构建供电调配损失，并结合条件在险价值损失构建尾部风险约束调配损失；

8、基于供电决策状态向量、尾部风险约束调配损失和历史累计调配损失执行ftrl算法，更新形成本地电源调配权重向量，执行分布式权重协同更新，对各边缘节点上传的本地电源调配权重向量进行聚合，生成全局电源调配权重向量；

9、根据全局电源调配权重向量对候选电源调配策略进行筛选，得到目标电源调配策略，并执行对应的服务器电源调配动作。

10、可选的，所述服务器供电状态数据具体包括服务器功耗数据、处理器利用率数据、电源模块输出电流数据、ups负载率数据、供电支路压降数据、边缘节点资源消耗数据、服务器业务优先级数据和采集时间戳数据。

11、可选的，所述对服务器供电状态数据进行预处理具体包括时间对齐、缺失数据补齐、异常数据剔除、数据归一化和时序重构处理。

12、可选的，所述形成供电测试事件集合，包括：

13、按照采集时间戳从边缘供电观测序列中读取当前时刻之前300秒内的服务器功耗数据、处理器利用率数据、电源模块输出电流数据、ups负载率数据、供电支路压降数据、边缘节点资源消耗数据和服务器业务优先级数据，并按照采集时间顺序排列，形成连续供电状态序列；

14、读取连续供电状态序列对应时间段内已经执行的电源调配动作，并将服务器供电状态数据与对应的电源调配动作进行关联，形成供电历史片段；

15、基于供电历史片段分析服务器功耗、电源模块输出电流、ups负载率、供电支路压降、边缘节点资源消耗和服务器业务优先级的变化情况，识别功耗跃升事件、电源模块负载升高事件、ups高负载事件、供电支路压降增大事件、边缘节点资源消耗升高事件和业务优先级调配冲突事件，形成供电测试事件集合。

16、可选的，所述形成供电决策状态向量，包括：

17、构建改进psr模型，所述改进psr模型包括供电历史编码模块、预测状态构建模块、能耗自约束筛选模块和决策状态生成模块；

18、将供电历史片段输入供电历史编码模块，基于服务器供电状态数据和历史电源调配动作进行时序编码，得到历史状态表示，获取不同边缘节点上传的风险摘要信息，计算节点间风险关联程度，并对历史状态表示进行更新，得到跨节点风险互补状态表示；

19、将跨节点风险互补状态表示和供电测试事件集合输入预测状态构建模块，构建短周期、中周期和长周期供电状态序列，构建时序多尺度残差塔计算各时间尺度对应的残差特征，并对各时间尺度残差特征进行融合，得到供电预测状态信息；

20、能耗自约束筛选模块基于供电预测状态信息和历史电源调配动作计算测试更新通道的动作关联程度，引入动作感知可微路由激活对应测试更新通道并抑制非对应测试更新通道，得到路由筛选状态信息，基于服务器功耗数据、处理器利用率数据和边缘节点资源消耗数据计算测试更新通道对应的计算开销，并依据计算开销进行能耗约束筛选，得到筛选供电预测状态信息；

21、将筛选供电预测状态信息输入决策状态生成模块，基于供电测试事件对应的风险等级执行风险门控分层推理，得到风险推理状态信息，对风险推理状态信息执行低秩-稀疏双通道分解，得到低秩连续状态通道和稀疏离散事件通道，并将对应的筛选供电预测状态信息进行融合，得到供电决策状态向量；

22、对改进psr模型进行训练，采用供电测试事件预测误差和供电状态预测误差构成的联合损失作为优化目标，持续优化供电历史编码模块、预测状态构建模块、能耗自约束筛选模块和决策状态生成模块中的参数，当连续10个训练周期内联合损失的变化率均小于0.1%时，停止训练，得到训练完成的改进psr模型。

23、可选的，所述生成供电风险传播状态，包括：

24、基于供电决策状态向量中的状态信息，将服务器、电源模块、ups和供电支路作为超图节点，并依据供电测试事件集合在关联节点之间建立风险传播超边，构建供电风险传播超图；

25、基于供电决策状态向量提取供电测试事件发生概率、节点状态变化幅度和服务器业务优先级权重，形成风险传播特征，依据风险传播特征计算供电风险传播超图中各风险传播超边对应的风险传播强度，得到超边风险传播强度集合；

26、基于超边风险传播强度集合更新供电风险传播超图中各超图节点的风险值，并将更新后的节点风险值与超边风险传播强度集合进行融合，生成供电风险传播状态。

27、可选的，所述结合条件在险价值损失构建尾部风险约束调配损失，包括：

28、基于供电风险传播状态提取服务器节点风险值、电源模块节点风险值、ups节点风险值、供电支路节点风险值和超边风险传播强度，并结合服务器功耗数据、ups负载率数据、供电支路压降数据、边缘节点资源消耗数据及服务器业务优先级数据，计算当前调配周期对应的供电调配损失；

29、读取当前调配周期之前100个调配周期对应的供电调配损失，并按照供电调配损失值从高到低进行排序，选取供电调配损失值最高的10个供电调配损失作为尾部样本，并依据尾部样本计算条件在险价值损失；

30、将当前调配周期对应的供电调配损失与条件在险价值损失进行融合处理，得到尾部风险约束调配损失。

31、可选的，所述生成全局电源调配权重向量，包括：

32、基于供电决策状态向量、供电风险传播状态、尾部风险约束调配损失和历史累计调配损失，提取连续供电状态信息、突发供电事件信息、节点风险值和超边风险传播强度；

33、基于节点风险值和超边风险传播强度执行ftrl算法，计算风险更新量并沿供电风险传播超图传播，依据超边连接关系累积关联节点的权重更新量，得到图传播更新向量；

34、基于连续供电状态信息构建长期累计梯度序列并执行低秩更新，基于突发供电事件信息构建异常累计梯度序列并执行残差更新，融合低秩更新结果和残差更新结果，得到双路径更新向量；

35、基于图传播更新向量、双路径更新向量和尾部风险约束调配损失执行门控专家更新，构建服务器功耗、ups负载、供电支路压降和边缘节点资源消耗对应的风险专家，依据专家激活权重筛选参与更新的风险专家，并融合对应输出结果，得到本地电源调配权重向量；

36、基于历史累计调配损失构建风险轨迹序列，基于服务器功耗数据、ups负载率数据和边缘节点资源消耗数据构建调配效率轨迹序列，分别形成风险轨迹更新量和调配效率轨迹更新量；

37、构建双轨迹协调结构对风险轨迹更新量和调配效率轨迹更新量进行协调融合，得到轨迹协调更新量，并修正本地电源调配权重向量，执行分布式权重协同更新，并聚合各边缘节点上传的本地电源调配权重向量，得到全局电源调配权重向量。

38、可选的，所述得到目标电源调配策略，包括：

39、基于全局电源调配权重向量和服务器供电状态数据，对电源输出比例调整、ups供电切换、供电支路切换和服务器限功率进行权重匹配，得到候选电源调配策略集合；

40、基于服务器功耗数据、ups负载率数据、供电支路压降数据、边缘节点资源消耗数据和服务器业务优先级数据，对候选电源调配策略集合进行供电安全校验和优先级筛选，得到目标电源调配策略；

41、基于目标电源调配策略生成服务器电源调配动作，并下发至对应边缘节点执行。

42、根据本发明实施例的一种基于边缘计算的服务器电源智能调配系统，包括如下模块：

43、供电状态采集模块，用于采集服务器供电状态数据并进行预处理，得到边缘供电观测序列；

44、供电历史构建模块，用于构建供电历史片段，并形成供电测试事件集合；

45、供电预测分析模块，用于基于供电测试事件集合构建改进psr模型，提取供电预测状态信息，并形成供电决策状态向量；

46、风险传播分析模块，用于基于供电决策状态向量构建供电风险传播超图，并生成供电风险传播状态；

47、调配损失评估模块，用于基于供电风险传播状态构建供电调配损失，并生成尾部风险约束调配损失；

48、权重协同优化模块，用于执行ftrl算法，生成全局电源调配权重向量；

49、调配策略生成模块，用于根据全局电源调配权重向量筛选目标电源调配策略。

50、本发明的有益效果是：

51、本发明一种基于边缘计算的服务器电源智能调配系统及方法通过在服务器集群中部署边缘节点，对服务器功耗数据、处理器利用率数据、电源模块输出电流数据、ups负载率数据、供电支路压降数据、边缘节点资源消耗数据和服务器业务优先级数据进行本地采集与预处理，使供电状态分析能够在靠近服务器运行现场的位置完成，减少了集中式上传、分析和回传控制指令所产生的时间开销，提高了服务器电源调配的响应速度。

52、本发明基于边缘供电观测序列和历史电源调配动作构建供电历史片段，并形成供电测试事件集合，再利用改进psr模型提取供电预测状态信息和供电决策状态向量，使服务器供电状态、历史调配动作和供电异常事件之间形成连续关联分析关系，避免单纯依赖固定阈值进行判断造成的调配滞后，提高了供电状态识别和调配决策的准确性。

53、本发明进一步基于供电决策状态向量构建供电风险传播超图，计算风险传播强度并更新节点风险值，使服务器、电源模块、ups和供电支路之间的风险传递关系能够被统一表达；同时结合供电调配损失和条件在险价值损失构建尾部风险约束调配损失，使高风险供电状态对调配权重更新产生约束作用，降低极端负载波动下的供电失稳风险。通过ftrl算法对本地电源调配权重向量进行在线更新，并执行分布式权重协同更新，生成全局电源调配权重向量，再筛选目标电源调配策略并执行对应动作，使电源输出比例调整、ups供电切换、供电支路切换和服务器限功率能够根据实时供电状态动态确定，从而提高服务器集群供电调配的稳定性、安全性和可靠性。