多任务神经网络风液混合分级冷却智能调控方法与流程

本发明涉及神经网络风液调控，更具体地说，本申请涉及多任务神经网络风液混合分级冷却智能调控方法。

背景技术：

1、在大数据与高密度算力需求协同爆发的背景下，现代大型数据中心机房的服务器机柜面临着极高瞬态、非均匀分布的热载荷冲击。传统技术在面对这种由突发方波脉冲负载引发的剧烈热波动时，往往采用基于单一节点静态温度反馈的温控机制。

2、在这种纯粹由末端温度触发的被动散热架构下，由于风冷介质与液冷介质在热传导率、比热容以及空气输配管网和水力管网的宏观流动惯性上存在巨大的物理时滞差异，系统根本无法实时匹配瞬时变化的散热需求，极易导致风液混合散热行为在时域上发生严重的相位对冲，进而引发局部热点持续恶化或冷却过度交织的弊端。

3、同时，高密度部署的机柜矩阵内部存在极其复杂的空间热耦合交织现象。现有技术依靠常规传感器阵列进行多点温度监测，由于热量在空气和金属构件中的叠加与扩散，采集到的温度数据呈现出高度的非线性与热背景噪声干扰。现有散热调节手段无法在多维热交织信息中解耦出真实的局域突变热点源头，往往导致冷却指令盲目下发。更严重的是，一旦针对某一局部热点采取应急大流量液冷调节，在封闭的总管网物理边界下，局部阀门的迅速开大会不可避免地对邻近正常工作的机柜产生冷却液水力夺取效应，导致整个管网系统出现突发性的水力失衡与二次热涌。

4、针对上述问题，本领域亟须一种能够深度融合算力动态负载预测与空间热传递拓扑空间行为，并能实现风液介质时滞对冲平抑和跨管网流量防抢夺协同的全局多任务智能调控技术。

技术实现思路

1、为解决上述技术问题，提供多任务神经网络风液混合分级冷却智能调控方法，本技术方案解决了上述背景技术中提出的问题。

2、第一方面，本申请实施例提供了多任务神经网络风液混合分级冷却智能调控方法，包括以下步骤：获取各目标机柜的预设时间滑窗的机柜功耗时序序列矩阵和机柜芯片温度时序序列矩阵；通过预设的转移熵算法计算各目标机柜的机柜功耗时序序列矩阵之间表征功耗时序波动的定向信息转移量，得到时空有向拓扑邻接矩阵并生成其所对应的对称归一化的拉普拉斯矩阵，并进行奇异值分解，得到特征空间正交基矩阵；对机柜芯片温度时序序列矩阵沿时间步长进行一阶差分计算，得到温变时序序列矩阵，将特征空间正交基矩阵进行转置，并与温变时序序列矩阵相乘，得到温变时序序列矩阵在各特征空间正交基上的投影系数矩阵；计算投影系数矩阵的弗罗贝尼乌斯范数，并进行归一化得到热失衡度指标；若热失衡度指标超过预设平衡阈值，则将其作为调制信号对多任务神经网络模型中至少一层的预设激活函数偏置参数进行补偿，由补偿后的多任务神经网络模型前向推理，得到第一风液调控指令；若热失衡度指标未超过预设平衡阈值，则由预设激活函数偏置参数的多任务神经网络模型前向推理，得到第二风液调控指令。

3、第二方面，本申请提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的多任务神经网络风液混合分级冷却智能调控方法。

4、本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

5、1.传统技术因仅依据静态温度反馈而无法应对突发方波脉冲负载带来的瞬态温升。本方案通过计算机柜功耗时序序列矩阵和机柜芯片温度时序序列矩阵的特征，提取投影系数矩阵的弗罗贝尼乌斯范数归一化得到热失衡度指标，直接对多任务神经网络模型中至少一层的预设激活函数偏置参数进行实时补偿。这使得高瞬态热载荷能被平滑转化为趋势温升指标，实现风冷与液冷分支同周期的前馈调控，彻底消除了散热介质物理时滞差异引发的时域相位对冲。

6、2.数据中心中机柜密集排列导致的严重空间热耦合，常常掩盖真实的局域热源。本方案通过对投影系数矩阵进行期望与标准差变换得到每一行对应的四阶特征峰度值，组合构成空间局域突变峰度向量，遍历并提取局域热失衡度指标及局域突变目标机柜节点。该步骤从根本上过滤了全局热背景噪声，能够在一维空间谱域中精准锁定突变热源，解决了由于热传导重叠导致的“热点误判”和“盲目降温”缺陷。

7、3.在解决局域热突变时，若直接加大特定节点的液冷电动阀门，极易因管网内水力失衡引发邻近正常机柜的冷却液抢夺。本方案在计算出初级修正量进行寻址叠加的同时，利用时空有向拓扑邻接矩阵进行行切片提取得到对应的一维行向量，解算出水力耦合影响系数与预测流量亏空补偿量，并同步前馈叠加至各受影响机柜在液冷控制分支输出层的激活函数偏置参数中。这实现了定点修正与跨域防抢夺流量补偿的同周期生效，保障了整个冷却系统的整体热工稳定性。

1.多任务神经网络风液混合分级冷却智能调控方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的多任务神经网络风液混合分级冷却智能调控方法，其特征在于，得到热失衡度指标后，还包括提取局域突变目标机柜节点：

3.根据权利要求2的所述多任务神经网络风液混合分级冷却智能调控方法，其特征在于，标记为局域突变目标机柜节点后，还包括基于局域热失衡度指标执行定点修正：

4.根据权利要求3所述的多任务神经网络风液混合分级冷却智能调控方法，其特征在于，执行定点修正的同一前向推理周期内，将局域突变目标机柜节点对应的索引位置作为目标行索引，提取时空有向拓扑邻接矩阵对应行的时空有向拓扑邻接序列，按照其行索引顺序进行一维排列，组合构成时空有向拓扑邻接向量；

5.根据权利要求1所述的多任务神经网络风液混合分级冷却智能调控方法，其特征在于，通过预设的转移熵算法计算各目标机柜的机柜功耗时序序列矩阵之间表征功耗时序波动的定向信息转移量的具体计算公式为：

6.根据权利要求1的所述多任务神经网络风液混合分级冷却智能调控方法，其特征在于，得到特征空间正交基矩阵的具体步骤为：

7.根据权利要求1所述的多任务神经网络风液混合分级冷却智能调控方法，其特征在于，得到热失衡度指标的计算公式为：

8.根据权利要求7所述的多任务神经网络风液混合分级冷却智能调控方法，其特征在于，第一风液调控指令具体包括：

9.根据权利要求7所述的多任务神经网络风液混合分级冷却智能调控方法，其特征在于，第二风液调控指令具体包括：

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-9中任意一项所述的方法。