一种面向服务器集群的自适应电源管理方法及系统与流程

本发明涉及服务器集群电源管理与能效优化，具体涉及一种面向服务器集群的自适应电源管理方法及系统。

背景技术：

1、随着云计算、边缘计算及大规模离线算力业务的持续落地，多节点、异构化服务器集群已成为各类算力业务承载的核心基础设施，尤其在“算力即服务”模式下，弹性服务器集群普遍呈现负载波动剧烈、任务类型异构（同时存在延迟敏感型与批处理型任务）、节点硬件特性差异化显著的运行特征。在此背景下，数据中心对集群整体功耗约束、硬件运行稳定性、差异化业务服务质量均提出了标准化管控要求，需要在限定功率预算范围内，结合节点实时运行状态、动态负载变化规律，开展精细化、自适应的电源调控与任务分配管理，实现集群能效与业务性能的协同平衡。

2、然而，现阶段服务器集群普遍采用分层独立管控模式，集群级功率预算分配、业务任务调度与节点级硬件频率调节相互割裂，各控制环节缺少统一的联动决策机制与时序协同关系。现有管控方式多依赖固定控制规则开展静态调节，难以结合短期负载预测趋势、节点硬件工况变化进行全局统筹规划，无法基于整体约束完成精细化动态适配，既难以在有限功率资源条件下兼顾集群整体能效收益与不同类型业务的运行保障需求，也无法有效适配异构节点的差异化特性及负载的动态波动，同时，集群级决策与节点级控制之间缺乏有效的闭环反馈与策略联动机制，导致全局功率分配和任务调度策略无法根据实际执行效果进行动态优化，难以在负载波动剧烈的场景下持续保障集群整体能效与服务质量的均衡。

3、因此，为满足集群规模化、异构化部署下的精细化、自适应电源管控需求，弥补现有管控模式的适配短板，破解功率分配、任务调度与节点控制协同不足的技术瓶颈，本领域亟需一种面向服务器集群的自适应电源管理方法及系统。

技术实现思路

1、本发明的主要目的在于提供一种面向服务器集群的自适应电源管理方法，旨在构建集群全局决策与节点本地控制相结合的双层协同管控体系，实现功率预算分配与任务调度的一体化联动，结合节点动态模型更新与滚动优化调控，均衡保障集群运行性能与整机功耗能效，提升服务器集群电源管理的自适应调节能力与场景适配性。

2、为克服现有技术的不足，实现上述目的，提供一种面向服务器集群的自适应电源管理方法，所述方法包括：

3、s1：获取服务器集群中各节点的运行状态数据，基于所述运行状态数据生成面向未来控制时域的负载预测序列，所述运行状态数据包括各节点的cpu利用率、内存利用率、当前功耗及任务队列状态；

4、s2：将所述运行状态数据和所述负载预测序列输入上层联合决策模型，通过所述上层联合决策模型对功率预算分配与任务调度进行一体化决策，生成各节点分配的功率预算及任务调度指令；

5、s3：各节点基于所分配的功率预算，通过部署于本地的下层预测控制模型，利用在线更新的节点功率-性能响应模型进行频率调节序列的滚动优化，生成本节点的频率调节指令；

6、s4：基于所述频率调节指令和所述任务调度指令执行任务调度与功耗控制，采集执行后的实际功耗数据与性能数据，将所述实际功耗数据与性能数据反馈至上层联合决策模型以更新其决策策略。

7、优选地，步骤s2中，通过所述上层联合决策模型对功率预算分配与任务调度进行一体化决策包括：

8、s21：所述上层联合决策模型将集群总功率预算分配与任务调度建模为统一的马尔可夫决策过程；

9、s22：基于所述马尔可夫决策过程，构建同时包含集群能效最大化目标和服务质量约束满足目标的多目标奖励函数；

10、s23：将所述运行状态数据和所述负载预测序列作为所述马尔可夫决策过程的状态输入，求解所述马尔可夫决策过程，生成各节点的功率预算分配值及任务分配结果，并将所述任务分配结果映射为相应的任务调度指令。

11、优选地，步骤s22中，构建同时包含集群能效最大化目标和服务质量约束满足目标的多目标奖励函数包括：

12、s221：获取当前等待调度的任务队列中各任务的类型标识，所述类型标识至少区分延迟敏感型任务与批处理型任务；

13、s222：根据所述任务队列的类型分布，动态调整所述多目标奖励函数中性能优化项与功耗优化项之间的权重分配；

14、s223：将调整后的多目标奖励函数作为所述马尔可夫决策过程的求解目标。

15、优选地，步骤s23中，求解所述马尔可夫决策过程包括：

16、s231：将各节点的功率预算分配值和任务分配结果定义为所述马尔可夫决策过程的联合动作空间；

17、s232：通过策略学习算法求解所述马尔可夫决策过程，得到最优联合动作策略；

18、s233：根据所述最优联合动作策略，同时输出各节点的功率预算分配值和任务分配结果。

19、优选地，步骤s3中，通过部署于本地的下层预测控制模型，利用在线更新的节点功率-性能响应模型进行频率调节序列的滚动优化包括：

20、s31：加载上一控制周期更新完成的节点功率-性能响应模型作为当前预测模型；

21、s32：基于本节点当前运行的任务类型，构建包含功率跟踪误差项、性能保持项和频率波动抑制项的多目标滚动优化函数；

22、s33：利用所述当前预测模型，预测未来控制时域内不同频率设定下的节点功耗与处理性能；

23、s34：基于所述多目标滚动优化函数和所述预测结果，求解满足本节点分配的功率预算约束的优化问题，生成最优频率调节序列；

24、s35：将所述最优频率调节序列中的首个频率值作为本节点的频率调节指令；

25、s36：采集本控制周期执行后的实际运行数据，更新所述节点功率-性能响应模型，作为下一控制周期的当前预测模型。

26、优选地，步骤s32中，构建包含功率跟踪误差项、性能保持项和频率波动抑制项的多目标滚动优化函数包括：

27、s321：识别本节点当前运行的任务类型，所述任务类型至少包括延迟敏感型任务和批处理型任务；

28、s322：根据本节点的任务类型，自适应调整所述多目标滚动优化函数中功率跟踪误差惩罚项与性能保持惩罚项之间的权重分配；

29、s323：将调整后的多目标滚动优化函数作为所述优化问题的求解目标。

30、优选地，步骤s36中，采集本控制周期执行后的实际运行数据，更新所述节点功率-性能响应模型包括：

31、s361：提取本控制周期采集的实时功耗数据、工作频率数据和资源利用率数据，构成模型更新样本；

32、s362：采用递推梯度下降方式，利用所述模型更新样本对所述节点功率-性能响应模型的参数进行增量更新；

33、s363：将更新后的节点功率-性能响应模型存储至本地存储器。

34、优选地，步骤s4中，将所述实际功耗数据与性能数据反馈至上层联合决策模型以更新其决策策略包括：

35、s41：各节点的下层预测控制模型将本节点的实际功耗数据、性能数据和节点功率-性能响应模型的最新参数及参数变化量数据，整合为全局反馈数据；

36、s42：将所述全局反馈数据输入所述上层联合决策模型，评估当前决策策略的实际效果；

37、s43：基于所述评估结果，更新所述上层联合决策模型的决策策略参数。

38、优选地，在执行步骤s3之前，所述方法还包括：

39、s301：上层联合决策模型基于所述负载预测序列生成各节点未来控制时域内的任务类型预测信息；

40、s302：上层联合决策模型将分配给各节点的功率预算、任务分配结果及任务类型预测信息，一并下发至各节点的下层预测控制模型；

41、s303：下层预测控制模型以接收到的分配给本节点的功率预算作为滚动优化的功率约束上限，根据接收到的任务分配结果确定未来任务的执行时序，并结合所述任务类型预测信息，预先调整多目标滚动优化函数中功率跟踪误差惩罚项与性能保持惩罚项之间的权重分配。

42、此外，为实现上述目的，本发明还提出一种面向服务器集群的自适应电源管理系统，所述面向服务器集群的自适应电源管理系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的面向服务器集群的自适应电源管理程序，所述面向服务器集群的自适应电源管理程序配置为实现所述的面向服务器集群的自适应电源管理方法的步骤。

43、本发明的有益效果是：1、构建了集群全局决策与节点本地控制深度协同的双层闭环管控架构，将功率预算分配与任务调度建模为统一的决策过程实现一体化联动求解，从根源上解决了集群功率管控、任务调度、节点频率调节分层割裂、串行决策导致的全局优化目标无法落地、功率资源与业务算力需求匹配失衡的问题，实现了集群资源的全局统筹优化。

44、2、基于节点本地在线动态更新的功率-性能响应模型，结合有限时域滚动优化机制实现节点级功耗的细粒度自适应调节，解决了固定管控规则无法适配节点硬件特性漂移、负载动态波动的问题，在严格遵循全局功率预算约束的前提下，有效兼顾了异构业务的差异化服务质量保障需求。

45、3、建立了节点执行数据到全局决策优化的双向闭环反馈机制，实现了管控策略的持续迭代适配，解决缺乏完整闭环反馈、无法适配集群长期运行过程中配置变化、硬件老化、工况波动等复杂场景的问题，提升电源管理系统的长期运行稳定性、场景兼容性与自适应能力。