基于制造技術

本發明專利技術涉及服務器技術領域，具體提供一種基于

【技術實現步驟摘要】
基于LSTM的服務器動態管理方法、系統、終端及存儲介質


[0001]本專利技術屬于服務器
，具體涉及一種基于
LSTM
的服務器動態管理方法
、
系統
、
終端及存儲介質
。

技術介紹

[0002]一些相關技術嘗試采用長短期記憶網絡（
LSTM
）等機器學習模型來預測未來的負載和環境溫度
。
通過實時收集
CPU、
內存
、SSD
的負載數據和溫度傳感器的環境溫度數據預測服務器的運行參數，然后基于預測的運行參數生成報警提示信息
。
[0003]這種管理方式仍然是不同參數之間的孤立監測，缺乏基于不同參數項的協同，無法實現對服務器的快速響應管理
。

技術實現思路

[0004]針對現有技術的上述不足，本專利技術提供一種基于
LSTM
的服務器動態管理方法
、
系統
、
終端及存儲介質，以解決上述技術問題
。
[0005]第一方面，本專利技術提供一種基于
LSTM
的服務器動態管理方法，包括：定期采集服務器功耗和溫度，得到功耗時序和溫度時序；利用預先訓練好的
LSTM
模型基于功耗時序和溫度時序預測理論功耗值和理論溫度值；基于所述理論功耗值和理論溫度值，當前實際功耗和溫度，以及預先設定的調控策略，對服務器部件功率以及散熱系統功率進行調控
。
[0006]在一個可選的實施方式中，定期采集服務器功耗和溫度，得到功耗時序和溫度時序，包括：定期采集服務器的關鍵部件的功耗和溫度，所述關鍵部件包括
CPU、
內存
、
硬盤；將定期采集的同一關鍵部件的數據按采集時間先后進行排序，得到時序數據；計算多個關鍵部件在相同時間節點的功耗之和，得到功耗時序；從多個關鍵部件的溫度數據時序中篩選出相同時間節點的最大值，將不同時間節點的最大值順序排列，得到溫度時序
。
[0007]在一個可選的實施方式中，所述
LSTM
模型的構建方法，包括：構建
LSTM
模型，所述
LSTM
模型包括輸入層，用于將類別特征轉換為稠密向量的嵌入層，用于通過卷積核捕捉溫度數據的局部時間模式的時序卷積層，由前向和后向兩個
LSTM
子層組成的雙向
LSTM
層，注意力機制層，添加在各層之間的殘差連接，全連接層，
Adam
優化器；其中，輸入層連接嵌入層，將類別特征輸入到嵌入層，并與原始溫度序列數據結合；嵌入層連接時序卷積層，對合并后的數據進行卷積操作；時序卷積層卷積后的數據輸入到雙向
LSTM
層；
LSTM
的輸出被注意力機制層加權；在輸入層與雙向
LSTM
層
、
雙向
LSTM
層與全連接層之間添加殘差連接；注意力機制層連接全連接層，加權后的數據輸入到全連接層進行最終預測
。
[0008]在一個可選的實施方式中，所述
LSTM
模型的訓練方法包括：收集服務器的歷史功耗數據和歷史溫度數據；將歷史功耗數據按時間先后排序得到歷史功耗時序，將歷史功耗時序保存為第一數據集；將歷史溫度數據按時間先后排序得到歷史溫度時序，將歷史溫度時序保存為第二數據集；利用第一數據集訓練
LSTM
模型，得到功耗預測模型；利用第二數據集訓練
LSTM
模型，得到溫度預測模型
。
[0009]在一個可選的實施方式中，所述
LSTM
模型的訓練方法包括：將數據集分割為訓練集
、
驗證集和測試集，對訓練數據進行數據清洗和歸一化；提取訓練數據的特征和對外部環境因素進行類別編碼；選擇損失函數和優化器；輸入預處理后的訓練集數據至
LSTM
模型進行訓練，并使用驗證集判斷停止狀態條件；利用測試集評估模型預測性能
。
[0010]在一個可選的實施方式中，利用預先訓練好的
LSTM
模型基于功耗時序和溫度時序預測理論功耗值和理論溫度值，包括：將功耗時序輸入功耗預測模型，得到理論功耗值；將溫度時序輸入功耗預測模型，得到理論溫度值
。
[0011]在一個可選的實施方式中，基于所述理論功耗值和理論溫度值，當前實際功耗和溫度，以及預先設定的調控策略，對服務器部件功率以及散熱系統功率進行調控，包括：利用關聯規則算法挖掘功耗與溫度的關聯關系，并基于所述關聯關系為理論功耗值生成校驗溫度值，計算理論溫度值與校驗溫度值的誤差值；若誤差值超過預設的誤差閾值，則將校驗溫度值與理論溫度值的加權和設置為新的的理論溫度值；若理論功耗值小于實際功耗值，且實際溫度值或理論溫度值超過溫度閾值，則降低服務器部件功率；若理論功耗值大于實際功耗值，理論溫度值大于實際溫度值，且理論溫度值超過溫度閾值，則將液冷系統的功率調至全功率；若理論功耗值大于實際功耗值，理論溫度值和實際溫度值均超過溫度閾值，則將液冷系統的功率調至全功率，并將服務器的邊緣部件的功率調低，所述邊緣部件包括風扇控制芯片
、
顯示燈控制部件
。
[0012]第二方面，本專利技術提供一種基于
LSTM
的服務器動態管理系統，包括：數據采集模塊，用于定期采集服務器功耗和溫度，得到功耗時序和溫度時序；數據預測模塊，用于利用預先訓練好的
LSTM
模型基于功耗時序和溫度時序預測理論功耗值和理論溫度值；功率調控模塊，用于基于所述理論功耗值和理論溫度值，當前實際功耗和溫度，以及預先設定的調控策略，對服務器部件功率以及散熱系統功率進行調控
。
[0013]在一個可選的實施方式中，數據采集模塊包括：
數據采集單元，用于定期采集服務器的關鍵部件的功耗和溫度，所述關鍵部件包括
CPU、
內存
、
硬盤；數據排序單元，用于將定期采集的同一關鍵部件的數據按采集時間先后進行排序，得到時序數據；功耗處理單元，用于計算多個關鍵部件在相同時間節點的功耗之和，得到功耗時序；溫度處理單元，用于從多個關鍵部件的溫度數據時序中篩選出相同時間節點的最大值，將不同時間節點的最大值順序排列，得到溫度時序
。
[0014]在一個可選的實施方式中，所述
LSTM
模型的構建方法，包括：構建
LSTM
模型，所述
LSTM
模型包括輸入層，用于將類別特征轉換為稠密向量的嵌入層，用于通過卷積核捕捉溫度數據的局部時間模式的時序卷積層，由前向和后向兩個
LSTM
子層組成的雙向
LSTM
層，注意力機制層，添加在各層之間的殘差連接，全連接層，
Adam
優化器；其中，輸入層連接嵌入層，將類別特征輸入到嵌入本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.
一種基于
LSTM
的服務器動態管理方法，其特征在于，包括：定期采集服務器功耗和溫度，得到功耗時序和溫度時序；利用預先訓練好的
LSTM
模型基于功耗時序和溫度時序預測理論功耗值和理論溫度值；基于所述理論功耗值和理論溫度值，當前實際功耗和溫度，以及預先設定的調控策略，對服務器部件功率以及散熱系統功率進行調控
。2.
根據權利要求1所述的方法，其特征在于，定期采集服務器功耗和溫度，得到功耗時序和溫度時序，包括：定期采集服務器的關鍵部件的功耗和溫度，所述關鍵部件包括
CPU、
內存
、
硬盤；將定期采集的同一關鍵部件的數據按采集時間先后進行排序，得到時序數據；計算多個關鍵部件在相同時間節點的功耗之和，得到功耗時序；從多個關鍵部件的溫度數據時序中篩選出相同時間節點的最大值，將不同時間節點的最大值順序排列，得到溫度時序
。3.
根據權利要求1所述的方法，其特征在于，所述
LSTM
模型的構建方法，包括：構建
LSTM
模型，所述
LSTM
模型包括輸入層，用于將類別特征轉換為稠密向量的嵌入層，用于通過卷積核捕捉溫度數據的局部時間模式的時序卷積層，由前向和后向兩個
LSTM
子層組成的雙向
LSTM
層，注意力機制層，添加在各層之間的殘差連接，全連接層，
Adam
優化器；其中，輸入層連接嵌入層，將類別特征輸入到嵌入層，并與原始溫度序列數據結合；嵌入層連接時序卷積層，對合并后的數據進行卷積操作；時序卷積層卷積后的數據輸入到雙向
LSTM
層；
LSTM
的輸出被注意力機制層加權；在輸入層與雙向
LSTM
層
、
雙向
LSTM
層與全連接層之間添加殘差連接；注意力機制層連接全連接層，加權后的數據輸入到全連接層進行最終預測
。4.
根據權利要求1或3所述的方法，其特征在于，所述
LSTM
模型的訓練方法包括：收集服務器的歷史功耗數據和歷史溫度數據；將歷史功耗數據按時間先后排序得到歷史功耗時序，將歷史功耗時序保存為第一數據集；將歷史溫度數據按時間先后排序得到歷史溫度時序，將歷史溫度時序保存為第二數據集；利用第一數據集訓練
LSTM
模型，得到功耗預測模型；利用第二數據集訓練
LSTM
模型，得到溫度預測模型
。5.
根據權利要求4所述的方法，其特征在于，所述
LSTM
模型的訓練方法包括：將數據集分割為訓練集

【專利技術屬性】
技術研發人員：趙偉，
申請(專利權)人：蘇州元腦智能科技有限公司，
類型：發明
國別省市：