2、地理分布式数据中心的备用服务参与方案

地理分布式数据中心的备用服务参与方案

1. 研究背景与贡献

在地理分布式数据中心（DC）的管理中，电力消耗预测和备用服务（RS）参与是重要的研究方向。以往的研究较少关注地理分布式DC的电力预测，也未利用其为RS参与提供机会。本研究的主要贡献如下：
- 利用深度学习为本地DC构建电力预测模型，考虑RS参与地理分布式DC的益处与挑战。
- 鉴于全局负载均衡（GLB）策略与本地DC电力消耗的相关性，通过制定和求解两种知名的GLB策略获取训练数据。
- 不使用历史电力数据，而是基于负载相关的电力使用效率（PUE）准确模型和服务器电力消耗模型计算DC的电力消耗。
- 为预测模型选择一组输入变量，既保证达到可接受的准确性，又避免不必要的复杂性。

2. 系统模型

2.1 地理分布式云结构

云计算架构由松散耦合的云组件组成，基本可分为前端（用户部分）和后端（处理输入负载所需的所有资源）。在地理分布式云中，所有请求先到达前端，然后根据不同的GLB策略将不同部分分配到各个DC。每个DC包含多个服务器、电源单元、冷却系统和网络基础设施。通常，DC中25 - 40%的服务器处于空闲状态。为管理服务器的开关次数，将DC中的服务器总数分为活动集和预留集。电源包括电网和太阳能，冷却系统采用混合模型，包含用于免费冷却的空气侧节能器和基于冷水机的空调。

DC的电力消耗取决于其电力使用效率（PUE），定义为总电力消耗与IT设备电力消耗的比率。在本研究中，PUE是一个与负载相关的因素，用于模拟混合冷却系统的电力消耗，是IT电力消耗和时间的函数：
[PUE_{IT,t} = \frac{P_{IT,t} + Cooling