AI 用于1U服務(wù)器多熱源散熱風(fēng)扇節(jié)能可行性研究
研究背景
隨著科技的成長，需要被存儲、傳送、計算等的資料也愈來愈龐大，為了方便管理與規(guī)模發(fā)展，設(shè)置各式高密度服務(wù)器的設(shè)施作為數(shù)據(jù)中心，而未來隨著物聯(lián)網(wǎng)、云存儲、大數(shù)據(jù)、人工智能和5G等領(lǐng)域的加速發(fā)展，對身為數(shù)據(jù)和信息處理平臺的數(shù)據(jù)中心，其需求也將越來越大，而數(shù)據(jù)中心在運行時會產(chǎn)生高密度的廢熱，這些廢熱主要是由每一柜中的數(shù)個服務(wù)器所產(chǎn)生，因此若未能有效地進(jìn)行散熱，容易導(dǎo)致系統(tǒng)過熱無法正常運行，因此對數(shù)據(jù)中心的服務(wù)器性能的穩(wěn)定性、高速運算中的可靠度、資訊傳送的安全性以及攸關(guān)整體成本的能源損耗，由此可知服務(wù)器系統(tǒng)的相依性與復(fù)雜性日益增加。
根據(jù)美國2014年數(shù)據(jù)中心使用電力占比[1]，能源損耗中有40%用于散熱服務(wù)器所產(chǎn)生的熱量，因此減少冷卻系統(tǒng)的能耗成為近年來非常重要的研究，除了可以更有效率的使用能源之外，還能大幅度減少能源成本。而這也顯示數(shù)據(jù)中心在未來勢必要在服務(wù)器性能上的需求以及減緩能源成本兩者之中取得平衡。
研究方法
1.深度強化學(xué)習(xí)
本研究采用的是深度強化學(xué)習(xí)中的深度確定性策略梯度演算法，該演算法基于馬可夫決策過程，透過環(huán)境與代理人不斷反覆的互動，并將每一次的互動記錄下來存入資料庫中，累積一定數(shù)量的資料量后，便隨機批量抽取資料庫中的資料去進(jìn)行訓(xùn)練。而在演算法模型訓(xùn)練過程中含有兩個神經(jīng)網(wǎng)絡(luò)，分別為目標(biāo)和評估神經(jīng)網(wǎng)絡(luò)，評估神經(jīng)網(wǎng)絡(luò)在每次的損失梯度會更新一次參數(shù)，而目標(biāo)神經(jīng)網(wǎng)絡(luò)則是在每次的計算中僅會緩慢的更新，相對于評估神經(jīng)網(wǎng)絡(luò)，可將其視為一個固定的參考點，幫助評估神經(jīng)網(wǎng)絡(luò)在計算中能夠更穩(wěn)定的收斂。最后則是去更新actor神經(jīng)網(wǎng)絡(luò)參數(shù)，借此方法去優(yōu)化actor神經(jīng)網(wǎng)絡(luò)，幫助代理人在不同情況下找到一個合適的操作點作為決策。
而代理人與環(huán)境互動過程中，為使代理人了解系統(tǒng)內(nèi)部的狀況，因此需要透過一些指標(biāo)參數(shù)使代理人認(rèn)識目前服務(wù)器內(nèi)的情況，因此這邊主要分為三大類作為指標(biāo)，分別為熱源特征、環(huán)境與內(nèi)部配置，以及風(fēng)扇配置，這三個組合中都有數(shù)個參數(shù)指標(biāo)作為觀測特征值的參考，而在本研究中代表動作值的為風(fēng)扇當(dāng)前轉(zhuǎn)速的工作周期作為輸出動作。
代理人與環(huán)境經(jīng)過一次互動后會產(chǎn)生一個獎勵值，該值為根據(jù)互動結(jié)果給予獎勵評估動作的優(yōu)劣，同時也作為訓(xùn)練critic神經(jīng)網(wǎng)絡(luò)的重要參考依據(jù)，進(jìn)而影響代理人最終行為方向。因此為了有效進(jìn)行散熱控制，本研究中影響散熱量的鰭片效率和熱傳面積在散熱設(shè)計中已被固定，后續(xù)的控制上無法改變；而熱傳系數(shù)則受到風(fēng)扇所帶動的流量影響，且從風(fēng)扇定律可得知，風(fēng)扇轉(zhuǎn)速為影響系統(tǒng)功耗的重要因素，同時也是影響能耗的最大指標(biāo)；最后則是有效溫度差會受風(fēng)扇轉(zhuǎn)速的影響，而本研究中須將熱源溫度控制在正常運作范圍內(nèi)，避免元件過熱損毀前提下提升服務(wù)器的節(jié)能空間，藉由獎勵值給予代理人評估動作。
2.服務(wù)器暫態(tài)環(huán)境模擬
圖1為市面上的服務(wù)器，可以看到服務(wù)器的配置復(fù)雜且空間狹小，因此本研究對服務(wù)器熱傳模型做了簡化，首先假設(shè)服務(wù)器為單一入出口的通道，且沒有因外部流場造成的額外壓差，在此條件下，風(fēng)扇靜壓等于通道總壓降，并忽略強制對流的發(fā)展流影響因素，且散熱器的冷卻行為僅依靠其入口正面面積范圍流入的空氣進(jìn)行冷卻，忽略周圍旁通道的冷卻效應(yīng)，最后則是將其流入的空氣在通過散熱器的過程不會外泄至周圍的旁通道。
除了上述幾點假設(shè)，亦對服務(wù)器內(nèi)的熱源分布規(guī)律進(jìn)行簡化，假設(shè)服務(wù)器內(nèi)的熱源模組分布按照流動方向區(qū)分出不同列，每列串聯(lián)形成上下游，下游入口會繼承上游的出口流體性質(zhì)；同列之間散熱器并排形成多個并聯(lián)的通道關(guān)系。藉由上述的散熱器分布假設(shè)，服務(wù)器內(nèi)的空間切割成多個假想的通道，而在單一流道內(nèi)只能存在一個散熱器，且散熱器無法完全占據(jù)流道截面，來形成旁通現(xiàn)象的幾何配置。而在忽略流道邊側(cè)輪廓的差異下，此幾何模型可近似為Jonsson[2]的研究模型，因此以其壓降與紐森數(shù)經(jīng)驗式來描述散熱器性能。
初步結(jié)果
目前已完成初步的統(tǒng)御控制模型，而在本研究中模型所適用的1U服務(wù)器環(huán)境配置參數(shù)范圍如下表1所示，圖表1則是后續(xù)進(jìn)行模擬服務(wù)器的環(huán)境參數(shù)及配置示意圖，各編號區(qū)塊為一個熱源模組，其中包含發(fā)熱源及散熱器，圖2則是模擬所采用的風(fēng)扇性能。
針對傳統(tǒng)開關(guān)控制方法與演算法控制結(jié)果去進(jìn)行比較。圖2及圖3的模擬結(jié)果可以發(fā)現(xiàn)，雖然這兩種方法皆能有效地去控制溫度，傳統(tǒng)控制方法的能耗為演算法控制的109%，而演算法控制能夠?qū)⒆畲鬅嵩礈囟瓤刂圃谄渖舷薷浇?，以最大有效熱傳溫差進(jìn)行散熱，盡可能減少使用風(fēng)扇來散熱，由此可發(fā)現(xiàn)藉由演算法來進(jìn)行控制，有效幫助達(dá)到較大的節(jié)能成效。
雖然透過演算法的控制已能有效提升節(jié)能效果，但對于節(jié)能的成效還有更進(jìn)步的空間，因此在延續(xù)前一次的架構(gòu)，改變風(fēng)扇的控制方法來比較溫度的控制和節(jié)能的效果。圖4為每次只改變一個風(fēng)扇去進(jìn)行控制結(jié)果，在一開始較無法能馬上回饋給溫度，但在后期對溫度的控制來說是較穩(wěn)定，動蕩幅度較平穩(wěn)；圖5則為將風(fēng)扇分為數(shù)個區(qū)域，而每一個區(qū)域里有數(shù)個風(fēng)扇，每次改變的風(fēng)扇以區(qū)為單位，對于溫度的控制來說是較為即時，但同時因為一次改變較多的風(fēng)扇，對整體流量的影響也會增加，溫度產(chǎn)生較劇烈的震蕩，其節(jié)能的效果則是相對較差的結(jié)果。
結(jié)論
藉由大數(shù)據(jù)的資料庫去進(jìn)行模型訓(xùn)練，有效幫助我們減少設(shè)計服務(wù)器配置的時間成本，且也能夠根據(jù)不同的工作狀態(tài)去給予較合適的動作，降低服務(wù)器在散熱上的能耗。而從目前的研究結(jié)果顯示，透過演算法能夠幫助我們控制熱源的溫度，避免過熱現(xiàn)象的發(fā)生，且能以最大有效溫差去進(jìn)行散熱，再搭配風(fēng)扇去進(jìn)一步的散熱，減少風(fēng)扇的能耗使用率，提升整體系統(tǒng)的節(jié)能空間；后續(xù)將持續(xù)進(jìn)行智能控制的優(yōu)化，并擴充至機柜與機房的應(yīng)用。
本文標(biāo)題：AI 用于1U服務(wù)器多熱源散熱風(fēng)扇節(jié)能可行性研究
本文鏈接：http://www.yangziriver.cn/faq3/718.html [版權(quán)聲明]除非特別標(biāo)注，否則均為本站原創(chuàng)文章，轉(zhuǎn)載時請以鏈接形式注明文章出處。
