基于BIOS的服务器负载评估方法探索及实践开题报告

全文总字数：3823字

1. 研究目的与意义（文献综述）

近年来，全球数据化发展越来越快，大数据掀起了互联网时代的一次浪潮，众多互联网相关企业为提供更加可靠的互联网服务，开始大力发展数据中心业务。随着数据中心的规模逐步扩大，越来越多的服务器被部署，数据中心的用电量也变得十分夸张。节能减排是当今世界都在宣传的口号，为了减少数据中心的能源使用量，全球各大公司都做出了相应的努力。减少数据中心能耗的研究主要有三个方面：针对服务器设备、针对冷却系统、针对网络系统。针对服务器设备，intel公司为其处理器芯片设计出了一系列的能耗控制方案，例如dvfs 动态电压频率调整、intel cstate技术、speedstep技术等，通过调节cpu或是整个硬件系统的工作状态来实现能耗的降低。针对冷却系统，阿里巴巴千岛湖数据中心和google数据中心都利用自然水资源来辅助冷却，以此节省传统的冷却系统所消耗的电力。针对网络系统，利用虚拟化技术以及网络设备的系统管理，实现在一台服务器设备上为多个用户提供服务，提高利用效率。

机器学习具有高效、智能、高可靠性的特点。为了更加智能化地解决场景识别问题，引入机器学习的方法。通过将已有的数据作为输入对其进行训练，使其能够掌握正确识别、分类、处理的方法，并能够根据经验的积累，不断地进行完善。谷歌数据中心将机器学习方法作用在冷却系统的管理上，依靠冷却系统日志的数据，让机器来自动评估如何控制冷却系统能够获得最佳的能效。作用在冷却系统上需要对整个数据中心进行改造，需要耗费大量的资源，且会受到地理位置的限制。作用在服务器设备上可避免此类问题。采集服务器运行时的数据，判断服务器运行的状态，不依赖其他外部设备。该方法对每台服务器设备都有效，且会根据设备自身运行情况进行优化。同时，也避免了因操作系统的多样性而受到的限制。

数据中心中的服务器设备存在不同的工作类型，为避免只能对特定的操作系统产生效果，选用设置bios的方法，实现在任何操作系统和任何工作场景下都能够有效。经过调研，dvfs动态电压频率调整、intelcstate技术、speedstep技术等，都被集成在了主板的bios中。操作系统和工作场景都会发生变化，但是cpu利用率、主频、电压、内存利用率、内存频率以及散热风扇转速等参数都能够获取，这些参数可以反应服务器设备的工作状态。

2. 研究的基本内容与方案

本论文主要研究如何根据服务器的负载情况判断服务器的运行场景。服务器的负载情况数据可从系统层面获取，也可以从bios层面获取。首先调研目前数据中心服务器会用到的运行场景，总结这些运行场景的负载特征。然后利用机器学习的方法，选用dnn神经网络方案对场景进行分类。将负载情况数据作为输入，运行场景作为输出，实现运行场景的分类。

为了尽可能还原服务器的使用环境，在真正的服务器设备（型号为华为2288h v5）上进行数据采集。服务器区别普通pc，具有更多的cpu核心和线程、更大的内存容量，在真正的服务器设备上采集的数据更具备参考价值。大多数服务器工作在linux系统下，因此选择ubuntu18.04作为操作系统。为了更方便的软件开发环境，后续数据处理以及神经网络的搭建则在安装了ubuntu 18.04的普通pc上进行。

为确保机器学习能够准确的识别场景，首先需要收集数据对其进行训练。在linux系统下，有一些专项性能的基准测试软件，可用来评估服务器设备在该应用下的性能。在服务器设备运行对应场景的基准测试时，采集系统硬件的各项参数，例如cpu利用率、主频、内存使用率、磁盘i/o等。为保证数据的有效性，需要去除数据中的误差数据，使用python中的pandas插件对数据进行预处理操作。如此能够收集到大量的有效数据，保证识别的准确性。

3. 研究计划与安排

第1－3周：查阅相关文献资料，明确研究内容，了解研究所需技术语言和开发工具，初步搭建并熟悉开发环境。确定方案，完成开题报告。翻译英文文献。

第4周：熟悉bios中各项参数的功能，学习dnn神经网络的搭建。

第5周：总结服务器的使用场景和对应特征。学习python中pandas、numpy等插件的使用。

4. 参考文献（12篇以上）

[1] wu j , li j f . ertds: a dynamic cpuscheduler for xen virtualization systems[c]. 2017 international conference onapplied system innovation (icasi). ieee, 2017.

[2] garg, deepak sharma, rajender. lowpower multiplier using dynamic voltage and frequency scaling (dvfs) [c].proceedings of the 2014 international conference on advances in computing,communications and informatics, icacci 2014. 560-564.

[3] rauber t , runger g , stachowski m .model-based optimization of the energy efficiency of multi-threadedapplications[c]. eighth international green sustainable computingconference. 2017.