云數(shù)據(jù)中心基于Hopfield神經(jīng)網(wǎng)絡的服務器節(jié)能方法及裝置制造方法
【專利摘要】一種云數(shù)據(jù)中心基于Hopfield神經(jīng)網(wǎng)絡的服務器節(jié)能裝置，該裝置包括：數(shù)據(jù)存儲部分，用于存儲服務器組的監(jiān)控數(shù)據(jù)和節(jié)能策略信息；控制部分，用于負責業(yè)務控制，所述業(yè)務控制包括監(jiān)控數(shù)據(jù)的生成與獲取，節(jié)能策略的匹配和實施；節(jié)能策略訓練部分，用于基于所述監(jiān)控數(shù)據(jù)對Hopfield神經(jīng)網(wǎng)絡進行訓練，生成節(jié)能策略信息。本申請還公開了相應的方法。本申請有效改進了大多數(shù)節(jié)能策略設置單一、不夠精確合理，不能很好地調節(jié)數(shù)據(jù)中心能耗的問題。
【專利說明】云數(shù)據(jù)中心基于Hopfield神經(jīng)網(wǎng)絡的服務器節(jié)能方法及裝置

【技術領域】
[0001]本發(fā)明涉及云計算操作系統(tǒng)中的管理監(jiān)控模塊，具體涉及云數(shù)據(jù)中心基于Hopfield神經(jīng)網(wǎng)絡的服務器節(jié)能方法及裝置。

【背景技術】
[0002]根據(jù)維基百科的定義，云計算(Cloud Computing),是一種基于互聯(lián)網(wǎng)的計算方式，通過這種方式，共享的軟硬件資源和信息可以按需求提供給計算機和其他設備。
[0003]云計算是繼1980年代大型計算機到客戶端-服務器的大轉變之后的又一種巨變。用戶不再需要了解“云”中基礎設施的細節(jié)，不必具有相應的專業(yè)知識，也無需直接進行控制。云計算描述了一種基于互聯(lián)網(wǎng)的新的IT服務增加、使用和交付模式，通常涉及通過互聯(lián)網(wǎng)來提供動態(tài)易擴展而且經(jīng)常是虛擬化的資源。
[0004]云計算逐漸被行業(yè)認可，云數(shù)據(jù)中心操作系統(tǒng)逐漸實現(xiàn)并付諸于實踐，在社會生產(chǎn)和生活領域中起到越來越重要的作用。基于云計算操作系統(tǒng)構建的大規(guī)模云數(shù)據(jù)中心中設備數(shù)量龐大，監(jiān)控管理過程復雜，如何有效的實現(xiàn)云數(shù)據(jù)中心的高效節(jié)能是一個值得研究的問題。
[0005]目前大多數(shù)節(jié)能策略在設置時僅僅考慮溫度觸發(fā)或是功率觸發(fā)，沒有對服務器的實時負載信息如CPU、內(nèi)存、網(wǎng)絡帶寬、磁盤1等進行綜合分析與考慮，策略設置單一，存在著節(jié)能效果不好，系統(tǒng)整體功耗偏高的問題。


【發(fā)明內(nèi)容】

[0006]為了解決上述技術問題，本發(fā)明提供了云數(shù)據(jù)中心基于Hopfield神經(jīng)網(wǎng)絡的服務器節(jié)能方法及裝置，為云數(shù)據(jù)中心服務器組關聯(lián)基于大規(guī)模服務器負載監(jiān)控數(shù)據(jù)訓練得出的Hopfield神經(jīng)網(wǎng)絡節(jié)能策略模型，實現(xiàn)云數(shù)據(jù)中心負載更為準確、高效的調控，提高數(shù)據(jù)中心節(jié)能效果和資源整體利用率。
[0007]一種云數(shù)據(jù)中心基于Hopfield神經(jīng)網(wǎng)絡的服務器節(jié)能裝置，該裝置包括:
[0008]數(shù)據(jù)存儲部分，用于存儲服務器組的監(jiān)控數(shù)據(jù)和節(jié)能策略信息；
[0009]控制部分，用于負責業(yè)務控制，所述業(yè)務控制包括監(jiān)控數(shù)據(jù)的生成與獲取，節(jié)能策略的匹配和實施；
[0010]節(jié)能策略訓練部分，用于基于所述監(jiān)控數(shù)據(jù)對Hopfield神經(jīng)網(wǎng)絡進行訓練，生成節(jié)能策略信息。
[0011]優(yōu)選地，節(jié)能策略訓練部分包括Hopfield神經(jīng)網(wǎng)絡節(jié)能策略訓練模塊，用于基于大規(guī)模的監(jiān)控數(shù)據(jù)對Hopfield神經(jīng)網(wǎng)絡進行訓練，生成節(jié)能策略信息，其中，所述Hopfield神經(jīng)網(wǎng)絡模型的輸出設定為三種節(jié)能策略:高負載節(jié)能策略、中高負載節(jié)能策略和中低負載節(jié)能策略。
[0012]優(yōu)選地，數(shù)據(jù)存儲部分包括:
[0013]節(jié)能策略存儲模塊，用于存儲Hopfield神經(jīng)網(wǎng)絡節(jié)能策略訓練模塊生成的節(jié)能策略信息；
[0014]監(jiān)控數(shù)據(jù)存儲模塊，用于存儲實時監(jiān)控數(shù)據(jù)。
[0015]優(yōu)選地,監(jiān)控數(shù)據(jù)為四維輸入向量P = {c，m, S，η},其中，c, m, S，η分別表示CPU負載比例、內(nèi)存負載比例、磁盤1負載比例、網(wǎng)絡帶寬負載比例。
[0016]優(yōu)選地，控制部分包括:
[0017]系統(tǒng)整體監(jiān)控控制模塊，用于對服務器組的負載進行實時監(jiān)控，對監(jiān)控數(shù)據(jù)進行讀取和寫入操作；根據(jù)設定的服務器組的負載閾值，判斷需要實施節(jié)能策略時，向節(jié)能策略配置管理模塊發(fā)送配置節(jié)能策略的控制信息；
[0018]節(jié)能策略配置管理模塊，用于根據(jù)所述控制信息，從所述數(shù)據(jù)存儲模塊獲取當前的實時監(jiān)控數(shù)據(jù)，作為已訓練好的Hopfield神經(jīng)網(wǎng)絡模型的輸入，匹配生成所述服務器組當前的節(jié)能策略，向節(jié)能策略實施模塊發(fā)送節(jié)能策略實施的控制信息，所述控制信息包括當前的節(jié)能策略；
[0019]節(jié)能策略實施模塊，用于接收節(jié)能策略配置管理模塊發(fā)送的節(jié)能策略實施的控制信息，根據(jù)當前的節(jié)能策略，對服務器組中的服務器設備進行具體的操作，以達到云數(shù)據(jù)中心節(jié)能的目的。
[0020]一種云數(shù)據(jù)中心基于Hopfield神經(jīng)網(wǎng)絡的服務器節(jié)能方法，該方法包括:
[0021]實時監(jiān)控服務器組的負載，獲得監(jiān)控數(shù)據(jù)；
[0022]根據(jù)設定的服務器組的負載閾值，判斷需要實施節(jié)能策略時，根據(jù)所述監(jiān)控數(shù)據(jù)匹配得到所述服務器組當前的節(jié)能策略；
[0023]根據(jù)所述當前的節(jié)能策略對所述服務器組實施節(jié)能操作。
[0024]優(yōu)選地，該方法還包括:
[0025]所述監(jiān)控數(shù)據(jù)為四維輸入向量P = {c, m, S，η},其中，C，m, S，η分別表示CPU負載比例、內(nèi)存負載比例、磁盤1負載比例、網(wǎng)絡帶寬負載比例。
[0026]優(yōu)選地，所述根據(jù)監(jiān)控數(shù)據(jù)匹配得到服務器組當前的節(jié)能策略，包括:
[0027]將獲取的監(jiān)控數(shù)據(jù)作為已訓練好的Hopfield神經(jīng)網(wǎng)絡模型的輸入，匹配生成所述該服務器組當前的節(jié)能策略。
[0028]優(yōu)選地，所述Hopfield神經(jīng)網(wǎng)絡模型基于大規(guī)模的監(jiān)控數(shù)據(jù)訓練而成；其中，所述Hopfield神經(jīng)網(wǎng)絡模型的輸出設定為三種節(jié)能策略:高負載節(jié)能策略、中高負載節(jié)能策略和中低負載節(jié)能策略。
[0029]優(yōu)選地，對所述服務器組實施節(jié)能操作，包括以下操作中的一種或多種:關鍵業(yè)務遷移、服務器開機/關機。
[0030]本發(fā)明實施例通過為云數(shù)據(jù)中心服務器組關聯(lián)設置基于大規(guī)模服務器負載樣本數(shù)據(jù)訓練得出的Hopfield神經(jīng)網(wǎng)絡節(jié)能策略模型，將非線性的神經(jīng)網(wǎng)絡模型應用于數(shù)據(jù)中心節(jié)能策略的輸出，提出了對于云數(shù)據(jù)中心服務器組準確、高效的節(jié)能方案，有效改進了大多數(shù)節(jié)能策略設置單一、不夠精確合理，不能很好地調節(jié)數(shù)據(jù)中心能耗的問題。

【專利附圖】

【附圖說明】
[0031]此處所說明的附圖用來提供對本發(fā)明的進一步理解，構成本申請的一部分，本發(fā)明的示意性實施例及其說明用于解釋本發(fā)明，并不構成對本發(fā)明的不當限定。在附圖中:
[0032]圖1是本發(fā)明實施例云數(shù)據(jù)中心基于Hopfield神經(jīng)網(wǎng)絡的服務器節(jié)能裝置示意圖；
[0033]圖2是Hopfield神經(jīng)網(wǎng)絡申旲型不意圖；
[0034]圖3是本發(fā)明實施例云數(shù)據(jù)中心基于Hopfield神經(jīng)網(wǎng)絡的服務器節(jié)能方法流程圖。

【具體實施方式】
[0035]Hopfield網(wǎng)絡是神經(jīng)網(wǎng)絡發(fā)展歷史上一個重要的里程碑。由物理學家J.J.Hopfield教授于1982年提出，是一種單層反饋神經(jīng)網(wǎng)絡。
[0036]Hopfield神經(jīng)網(wǎng)絡擁有聯(lián)想記憶功能，建立訓練樣本后，當輸入一個近似樣本會輸出該樣本。本發(fā)明實施例正是運用了 Hopfield神經(jīng)網(wǎng)絡這一特性。
[0037]本發(fā)明實施例區(qū)別于其他節(jié)能的方法之處在于:在節(jié)能策略設置時，通過對云數(shù)據(jù)中心服務器運行中的實時負載信息的各個方面進行實時監(jiān)控和綜合分析，同時利用Hopfield神經(jīng)網(wǎng)絡模型對獲取的大規(guī)模監(jiān)控數(shù)據(jù)樣本進行訓練學習的基礎上得出相應的節(jié)能策略模型。
[0038]下面結合附圖及具體實施例對本發(fā)明進行詳細說明。
[0039]本發(fā)明實施例的基本思想:基于Hopfield神經(jīng)網(wǎng)絡訓練得出的節(jié)能策略模型，將監(jiān)控數(shù)據(jù)作為節(jié)能策略模型的輸入，輸出得到相應的節(jié)能策略并實施。這是一種具有自適應性的節(jié)能策略，由于節(jié)能策略模型經(jīng)過學習訓練，所以得出的節(jié)能策略就更加貼近實際的需求。本發(fā)明實施例為云數(shù)據(jù)中心中服務器節(jié)能實施提供一種更為有效、合理的方式。
[0040]本發(fā)明實施例云數(shù)據(jù)中心基于Hopfield神經(jīng)網(wǎng)絡的服務器節(jié)能裝置的模塊圖如附圖1所示，包括:
[0041]I)節(jié)能策略訓練部分
[0042]節(jié)能策略訓練部分，用于基于大規(guī)模的監(jiān)控數(shù)據(jù)對Hopfield神經(jīng)網(wǎng)絡進行訓練，生成節(jié)能策略信息。這一部分是在線下，即非系統(tǒng)運行時進行的，包括:
[0043]Hopfield神經(jīng)網(wǎng)絡節(jié)能策略訓練模塊，用于基于監(jiān)控數(shù)據(jù)訓練學習節(jié)能策略，生成節(jié)能策略信息。Hopfield神經(jīng)網(wǎng)絡模型的輸入為監(jiān)控數(shù)據(jù)，這里，每一個監(jiān)控數(shù)據(jù)為四維輸入向量P= {c, m, S，η},分別表示CPU負載比例(％)、內(nèi)存(memory)負載比例、磁盤(disk)1負載比例、網(wǎng)絡(net)帶寬負載比例；Hopfield神經(jīng)網(wǎng)絡模型的輸出設定為三種節(jié)能策略:高負載節(jié)能策略、中高負載節(jié)能策略和中低負載節(jié)能策略；Hopfield神經(jīng)網(wǎng)絡模型設定為3層結構，分別為輸入層(4個神經(jīng)元)、中間層(4個神經(jīng)元)和輸出層(2個神經(jīng)元)。每個神經(jīng)元代表一個向量的維度信息，其中，輸入層的4個神經(jīng)元就是監(jiān)控數(shù)據(jù)四維輸入向量P的各個維度信息，中間層得到的數(shù)據(jù)是采用已有的Hopfield神經(jīng)網(wǎng)絡計算下的數(shù)據(jù)，輸出層的2個神經(jīng)元可以分別是O和1，作為判斷采用那種節(jié)能策略的邏輯值。節(jié)能策略根據(jù)實際的需求設置，在對大量的監(jiān)控數(shù)據(jù)學習之后，Hopfield神經(jīng)網(wǎng)絡節(jié)能策略訓練模塊根據(jù)設置會生成節(jié)能策略信息。節(jié)能策略的具體操作包括:關鍵業(yè)務遷移、服務器開關機等。針對不同的節(jié)能策略，對于關鍵業(yè)務遷移、服務器開關機的操作實施的范圍有所不同。
[0044]2)數(shù)據(jù)存儲部分
[0045]數(shù)據(jù)存儲部分用于存儲服務器組的實時監(jiān)控數(shù)據(jù)，和前述Hopfield神經(jīng)網(wǎng)絡節(jié)能策略訓練模塊生成的節(jié)能策略信息，包括:
[0046]節(jié)能策略存儲模塊，用于存儲Hopfield神經(jīng)網(wǎng)絡節(jié)能策略訓練模塊生成的節(jié)能策略信息；
[0047]監(jiān)控數(shù)據(jù)存儲模塊，用于存儲實時監(jiān)控數(shù)據(jù)；
[0048]其中，箭頭表示傳遞的數(shù)據(jù)流或控制流。
[0049]3)控制部分
[0050]控制部分負責業(yè)務控制，如監(jiān)控數(shù)據(jù)的生成與獲取，節(jié)能策略的匹配生成、實施等，包括:
[0051]系統(tǒng)整體監(jiān)控控制模塊，用于對服務器組的負載進行實時監(jiān)控，對監(jiān)控數(shù)據(jù)進行讀取和寫入操作；根據(jù)設定的服務器組的負載閾值，判斷是否需要實施節(jié)能策略；若是，則向節(jié)能策略配置管理模塊發(fā)送實施節(jié)能策略的控制信息；
[0052]節(jié)能策略配置管理模塊，用于根據(jù)輸入的監(jiān)控數(shù)據(jù)，基于已訓練好的Hopfield神經(jīng)網(wǎng)絡模型匹配生成當前的節(jié)能策略；還用于根據(jù)獲得的控制信息，將從監(jiān)控數(shù)據(jù)模塊獲取的監(jiān)控數(shù)據(jù)作為已訓練好的Hopfield神經(jīng)網(wǎng)絡模型的輸入，匹配節(jié)能策略存儲模塊中的節(jié)能策略，得到與該服務器組在此時間點匹配的節(jié)能策略；同時，向節(jié)能策略實施模塊發(fā)送節(jié)能策略實施的控制信息；
[0053]節(jié)能策略實施模塊，用于接收節(jié)能策略配置管理模塊發(fā)送的節(jié)能策略實施的控制信息，根據(jù)當前的節(jié)能策略，對服務器組中的服務器設備進行具體的操作，如關鍵業(yè)務遷移、服務器開關機等，以達到云數(shù)據(jù)中心節(jié)能的目的。
[0054]基于上述裝置，本發(fā)明實施例還提出了一種云數(shù)據(jù)中心基于Hopfield神經(jīng)網(wǎng)絡的服務器節(jié)能方法，如圖3所示，包括:
[0055]步驟10:基于大規(guī)模的監(jiān)控數(shù)據(jù)對Hopfield神經(jīng)網(wǎng)絡模型進行訓練，生成節(jié)能策略信息；
[0056]本發(fā)明實施例所涉及的HopfieId神經(jīng)網(wǎng)絡模型的結構如圖2所示，HopfieId神經(jīng)網(wǎng)絡模型的輸入為監(jiān)控數(shù)據(jù)，每一個監(jiān)控數(shù)據(jù)為四維輸入向量P = {C，m，S，η}，分別表示CPU負載比例(% )、內(nèi)存(memory)負載比例、磁盤(disk) 1負載比例、網(wǎng)絡(net)帶寬負載比例；Hopfield神經(jīng)網(wǎng)絡模型的輸出設定為三種節(jié)能策略:高負載節(jié)能策略、中高負載節(jié)能策略和中低負載節(jié)能策略；Hopfield神經(jīng)網(wǎng)絡模型設定為3層結構，分別為輸入層(4個神經(jīng)元)、中間層(4個神經(jīng)元)和輸出層(2個神經(jīng)元)。每個神經(jīng)元代表一個向量的維度信息，其中，輸入層的4個神經(jīng)元就是監(jiān)控數(shù)據(jù)四維輸入向量P的各個維度信息，中間層得到的數(shù)據(jù)是采用已有的Hopfield神經(jīng)網(wǎng)絡計算下的數(shù)據(jù)，輸出層的2個神經(jīng)元可以分別是O和1，作為判斷采用那種節(jié)能策略的邏輯值。經(jīng)訓練得到可用于云數(shù)據(jù)中心節(jié)能策略輸出的神經(jīng)網(wǎng)絡模型。節(jié)能策略的具體操作包括:關鍵業(yè)務遷移、服務器開關機等。
[0057]步驟20:實時監(jiān)控服務器組的負載，獲得監(jiān)控數(shù)據(jù)；根據(jù)設定的服務器組的負載閾值，判斷是否需要實施節(jié)能策略；若是，執(zhí)行步驟30，否則繼續(xù)判斷；
[0058]控制部分的系統(tǒng)整體監(jiān)控控制模塊以一定時間間隔(可自主設定)向數(shù)據(jù)存儲部分的監(jiān)控數(shù)據(jù)存儲模塊寫入或讀取數(shù)據(jù)，監(jiān)控數(shù)據(jù)中心的整體負載；并根據(jù)設定的服務器組的負載閾值，判斷是否需要實施節(jié)能策略；若是，則向同屬控制部分的節(jié)能策略配置管理模塊發(fā)送實施節(jié)能策略的控制信息；
[0059]步驟30:根據(jù)監(jiān)控數(shù)據(jù)匹配當前服務器組的節(jié)能策略，對服務器組實施節(jié)能策略。
[0060]控制部分的節(jié)能策略配置管理模塊根據(jù)獲得的控制信息，將從監(jiān)控數(shù)據(jù)模塊獲取的監(jiān)控數(shù)據(jù)作為已訓練好的Hopfield神經(jīng)網(wǎng)絡模型的輸入，匹配節(jié)能策略存儲模塊中的節(jié)能策略，得到與該服務器組在此時間點匹配的節(jié)能策略；同時，向同為控制部分的節(jié)能策略實施模塊發(fā)送節(jié)能策略實施的控制信息；
[0061]控制部分的節(jié)能策略實施模塊根據(jù)獲得的節(jié)能策略實施的控制信息，并基于數(shù)據(jù)存儲部分節(jié)能策略存儲模塊中的該服務器組的關聯(lián)的具體的節(jié)能策略信息，對該服務器組進行節(jié)能操作，如關鍵業(yè)務遷移、服務器開關機等操作，實現(xiàn)云數(shù)據(jù)中心整體的合理、高效f倉泛。
[0062]本領域普通技術人員可以理解上述方法中的全部或部分步驟可通過程序來指令相關硬件完成，所述程序可以存儲于計算機可讀存儲介質中，如只讀存儲器、磁盤或光盤等?？蛇x地，上述實施例的全部或部分步驟也可以使用一個或多個集成電路來實現(xiàn)。相應地，上述實施例中的各模塊/單元可以采用硬件的形式實現(xiàn)，也可以采用軟件功能模塊的形式實現(xiàn)。本申請不限制于任何特定形式的硬件和軟件的結合。
[0063]以上所述，僅為本發(fā)明的較佳實例而已，并非用于限定本發(fā)明的保護范圍。凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內(nèi)。
【權利要求】
1.一種云數(shù)據(jù)中心基于Hopfield神經(jīng)網(wǎng)絡的服務器節(jié)能裝置，其特征在于，該裝置包括: 數(shù)據(jù)存儲部分，用于存儲服務器組的監(jiān)控數(shù)據(jù)和節(jié)能策略信息； 控制部分，用于負責業(yè)務控制，所述業(yè)務控制包括監(jiān)控數(shù)據(jù)的生成與獲取，節(jié)能策略的匹配和實施； 節(jié)能策略訓練部分，用于基于所述監(jiān)控數(shù)據(jù)對Hopfield神經(jīng)網(wǎng)絡進行訓練，生成節(jié)能策略息。
2.如權利要求1所述的裝置，其特征在于， 節(jié)能策略訓練部分包括Hopfield神經(jīng)網(wǎng)絡節(jié)能策略訓練模塊，用于基于大規(guī)模的監(jiān)控數(shù)據(jù)對Hopfield神經(jīng)網(wǎng)絡進行訓練，生成節(jié)能策略信息，其中，所述Hopfield神經(jīng)網(wǎng)絡模型的輸出設定為三種節(jié)能策略:高負載節(jié)能策略、中高負載節(jié)能策略和中低負載節(jié)能策略。
3.如權利要求1所述的裝置，其特征在于，數(shù)據(jù)存儲部分包括: 節(jié)能策略存儲模塊，用于存儲Hopfield神經(jīng)網(wǎng)絡節(jié)能策略訓練模塊生成的節(jié)能策略信息； 監(jiān)控數(shù)據(jù)存儲模塊，用于存儲實時監(jiān)控數(shù)據(jù)。
4.如權利要求1所述的裝置，其特征在于， 監(jiān)控數(shù)據(jù)為四維輸入向量P = {c，m，s，η}，其中，c, m, s, η分別表示CPU負載比例、內(nèi)存負載比例、磁盤1負載比例、網(wǎng)絡帶寬負載比例。
5.如權利要求1或2或3或4所述的裝置，其特征在于，控制部分包括: 系統(tǒng)整體監(jiān)控控制模塊，用于對服務器組的負載進行實時監(jiān)控，對監(jiān)控數(shù)據(jù)進行讀取和寫入操作；根據(jù)設定的服務器組的負載閾值，判斷需要實施節(jié)能策略時，向節(jié)能策略配置管理模塊發(fā)送配置節(jié)能策略的控制信息； 節(jié)能策略配置管理模塊，用于根據(jù)所述控制信息，從所述數(shù)據(jù)存儲模塊獲取當前的實時監(jiān)控數(shù)據(jù)，作為已訓練好的Hopfield神經(jīng)網(wǎng)絡模型的輸入，匹配生成所述服務器組當前的節(jié)能策略，向節(jié)能策略實施模塊發(fā)送節(jié)能策略實施的控制信息，所述控制信息包括當前的節(jié)能策略； 節(jié)能策略實施模塊，用于接收節(jié)能策略配置管理模塊發(fā)送的節(jié)能策略實施的控制信息，根據(jù)當前的節(jié)能策略，對服務器組中的服務器設備進行具體的操作，以達到云數(shù)據(jù)中心節(jié)能的目的。
6.一種云數(shù)據(jù)中心基于Hopfield神經(jīng)網(wǎng)絡的服務器節(jié)能方法，其特征在于，該方法包括: 實時監(jiān)控服務器組的負載，獲得監(jiān)控數(shù)據(jù)； 根據(jù)設定的服務器組的負載閾值，判斷需要實施節(jié)能策略時，根據(jù)所述監(jiān)控數(shù)據(jù)匹配得到所述服務器組當前的節(jié)能策略； 根據(jù)所述當前的節(jié)能策略對所述服務器組實施節(jié)能操作。
7.如權利要求6所述的方法，其特征在于，該方法還包括: 所述監(jiān)控數(shù)據(jù)為四維輸入向量P = Ic，m，s，η}，其中，c，m, s, η分別表示CPU負載比例、內(nèi)存負載比例、磁盤1負載比例、網(wǎng)絡帶寬負載比例。
8.如權利要求6或7所述的方法，其特征在于， 所述根據(jù)監(jiān)控數(shù)據(jù)匹配得到服務器組當前的節(jié)能策略，包括: 將獲取的監(jiān)控數(shù)據(jù)作為已訓練好的00^61(1神經(jīng)網(wǎng)絡模型的輸入，匹配生成所述該服務器組當前的節(jié)能策略。
9.如權利要求8所述的方法，其特征在于， 所述!10沛61(1神經(jīng)網(wǎng)絡模型基于大規(guī)模的監(jiān)控數(shù)據(jù)訓練而成；其中，所述00^61(1神經(jīng)網(wǎng)絡模型的輸出設定為三種節(jié)能策略:高負載節(jié)能策略、中高負載節(jié)能策略和中低負載節(jié)能策略。
10.如權利要求6或7所述的方法，其特征在于， 對所述服務器組實施節(jié)能操作，包括以下操作中的一種或多種:關鍵業(yè)務遷移、服務器開機/關機。
【文檔編號】G06F1/32GK104391560SQ201410507862
【公開日】2015年3月4日 申請日期:2014年9月28日 優(yōu)先權日:2014年9月28日
【發(fā)明者】于輝, 郭鋒, 李新虎 申請人:浪潮(北京)電子信息產(chǎn)業(yè)有限公司