3、大数据中的事件检测与数据中心电力优化

大数据中的事件检测与数据中心电力优化

1. 数据中心电力优化

在数据中心运营中，电力成本是一项重要开支。通过对不同算法的模拟研究发现，利用深度学习预测地理分布式数据中心（DC）的电力消耗，为响应服务（RS）参与地理分布式DC提供了新机遇。

以下是不同算法下不同地区的总电力成本对比：
| 地区 | Baseline | Power - Aware | Cost - Aware | PARS | CARS |
| ---- | ---- | ---- | ---- | ---- | ---- |
| Manitoba | 1.19E6 | - | - | - | - |
| Quebec | 1.25E6 | - | - | - | - |
| Ontario | 1.35E6 | - | - | - | - |
| Minnesota | 1.1E6 | - | - | - | - |

从图中可以看出不同算法在不同地区的电力成本差异。同时，关于电力成本节约百分比的研究表明，随着R（代表DC电力管理的灵活性）增加，ΠR的影响也会增加，更高的R和更高的ΠR能带来更多成本节约。

采用的方法是利用深度学习建立电力预测模型，并制定两个著名的全局负载均衡（GLB）策略，为基于前馈、反向传播卷积神经网络（CNN）的模型获取训练数据。实验结果显示，该方法平均可降低地理分布式云22%的电力成本。

mermaid流程图如下：

graph LR
    A[收集数据] --> B[建立深度学习电力预测模型]