25、多目标优化与机器学习在数据中心管理中的应用

多目标优化与机器学习在数据中心管理中的应用

多目标优化

在优化问题中，为确保精英策略，会将当前代的子代和父代种群合并，以选择下一代的交配池。种群随后按非支配性进行排序。具体步骤如下：
1. 按顺序填充每个前沿 $F_j$（从低到高）的种群，直到种群规模超过父代种群的阈值大小。
2. 如果包含前沿 $F_j$ 中的个体后，总种群超过 $N$，则按拥挤距离降序选择前沿 $F_j$ 中的个体，直到达到规模为 $N$ 的种群，这样就完成了下一代交配池的创建。

以云计算数据中心为例，云计算能让我们托管具有不同资源需求和服务级别目标的工作负载，还能实现资源高效共享，降低运营成本。但资源的可变性会带来热失衡、资源过度或供应不足、性能损失和可靠性问题。要实现高效的数据中心管理，需满足多维约束，这些约束可能是动态且相互冲突的。

该数据中心的运营约束可分为四个目标函数：
|目标函数|描述|调节方式|
| ---- | ---- | ---- |
|降低热应力 ($F_T$)|当一个或多个设备接近节流限制或产生热点或冷点时会出现热应力|调节风扇速度、输入气流或资源利用率|
|满足功率目标 ($F_P$)|由外部管理代理根据公平使用和最大功率可用性设定功率目标|通过资源利用率、风扇速度或托管不超过功率需求且相对其他工作负载无噪音的工作负载来调节|
|满足性能保证 ($F_S$)|由应用程序定义的适应度矩阵，用于衡量服务级别目标|通过调节资源利用率或托管相对其他工作负载无噪音的工作负载来实现|
|满足资源利用率目标 ($F_U$)|强制实现该目标以最大化单位机架空间内的服务器使用率，减少空闲时间|通过在不同核心中合理分配工作负