排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
本文研究如何利用机器学习方法来降低数据中心电能使用效率(power usage effectiveness,PUE)指标.现阶段以Google公司为代表的工业界使用的神经网络模型考虑的特征数量较少,且仅考虑单一特征变化对PUE指标的影响,缺少对特征之间耦合特性的分析.此外,机器学习方法对数据集的质量和数量要求都很高,并且落地实施过程和结论判断皆容易受到噪声干扰,整体难度较大.现阶段学术界和工业界尚缺少对具体优化案例的详细阐述.本文对现阶段利用神经网络模型优化PUE指标的方法进行改进,增加了特征维数,提高了预测精度,取得了超出Google公司PUE模型预测精度的结果.利用历史样本轨道,使用统计方法近似得出特征之间的耦合特性,并代入灵敏度分析中,得到更加精确的分析结果.提出基于灵敏度分析的冷却系统参数设计优化方案;利用腾讯华北某数据中心的海量数据和现场条件,实施制冷系统参数设定优化的实验,实验效果证明了优化方案的有效性. 相似文献
2.
通信网络流量建模和排队性能分析问题对网络服务质量管理、带宽调度优化等具有重要的意义和作用.该问题也是华为公司2019年提出的通信领域十大挑战问题之一.基于和华为公司合作的研究项目,本文主要研究路由器输出端口的网络流量建模和排队性能分析问题.区别于传统的话音业务流、高速网络业务流强度变化显著,存在相关性和突发性,需要研究表达能力更强的网络流量模型.本文首先设计了基于批马尔可夫到达过程(batch Markov arrival process, BMAP)的网络流量模型拟合算法.其次,基于路由器输出端口的网络业务流服务传输机制,本文建立了加权公平队列(weighted fair queueing, WFQ)服务机制下的BMAP/PH/1排队系统模型,推导了该网络流量排队模型的系统状态平稳分布及其排队性能指标(平均队长,时延等).最后,利用华为公司测试网络流量样本数据,对本文建立的网络流量模型及其参数拟合算法进行了数值实验,对比分析了网络流量排队性能的理论和仿真结果.实验效果证明了本文研究的网络流量模型和排队性能分析方法的有效性. 相似文献
1