Google的數(shù)據(jù)中心以高能效著稱。但是他們還不滿足，在今天的Data Centers Europe 2014上，Google數(shù)據(jù)中心副總裁Joe kava介紹了自己的公司是如何利用機(jī)器學(xué)習(xí)和人工智能來(lái)進(jìn)一步改進(jìn)數(shù)據(jù)中心能效的。

　　業(yè)界一般用PUE（電能使用效率）來(lái)衡量數(shù)據(jù)中心的能效，PUE=數(shù)據(jù)中心總設(shè)備能耗/IT設(shè)備能耗，其基準(zhǔn)值為2，越接近1表明能效越高。Google之前的PUE已經(jīng)達(dá)到了驚人的1.12，這說明其用于制冷與配電等的消耗已經(jīng)很少。

　　但是Google決定利用神經(jīng)網(wǎng)絡(luò)讓其數(shù)據(jù)中心能效更上一層樓。據(jù)Kava介紹，該項(xiàng)目屬于Google的20%項(xiàng)目。他們每30秒就計(jì)算一次PUE，還不斷跟蹤IT設(shè)備能耗、機(jī)外氣溫以及制冷和機(jī)械設(shè)備的設(shè)置情況等。而Google數(shù)據(jù)中心團(tuán)隊(duì)成員Jim Gao對(duì)這些數(shù)據(jù)非常熟悉，他意識(shí)到這些數(shù)據(jù)還可以進(jìn)一步利用。于是Gao通過機(jī)器學(xué)習(xí)對(duì)這些數(shù)據(jù)進(jìn)行研究，并建立起模型來(lái)預(yù)測(cè)并進(jìn)一步改進(jìn)數(shù)據(jù)中心能效。

　　結(jié)果表明，該模型的預(yù)測(cè)準(zhǔn)確率達(dá)到了99.6%（參見下圖）。如果高的準(zhǔn)確率意味著Google對(duì)數(shù)據(jù)中心下一步的能量需求情況了如指掌，從而可以通過設(shè)置調(diào)整進(jìn)一步提升能效。Kava舉了一個(gè)例子。幾個(gè)月前，他們有幾臺(tái)服務(wù)器要下線幾天，其結(jié)果是數(shù)據(jù)中心能效會(huì)有所降低。但利用Gao的模型他們臨時(shí)調(diào)整了制冷設(shè)置，從而降低了那段時(shí)間對(duì)PUE的影響。

　　上述情況下Google進(jìn)行電力基礎(chǔ)設(shè)施升級(jí)要重新調(diào)整40%的服務(wù)器流量，但是通過PUE仿真與專家知識(shí)的結(jié)合，團(tuán)隊(duì)選定了一套新的運(yùn)營(yíng)參數(shù)，從而將PUE再降了0.02。不要小看這個(gè)值，考慮到Google有成千上萬(wàn)臺(tái)服務(wù)器，乘上巨大的能耗就是可觀的節(jié)能效果。

　　Gao在今天發(fā)布的白皮書上解釋了自己的做法。他說神經(jīng)網(wǎng)絡(luò)對(duì)復(fù)雜系統(tǒng)建模具有優(yōu)勢(shì)，因?yàn)樯窠?jīng)網(wǎng)絡(luò)不需要用戶預(yù)設(shè)模型的交互特征，而是在特征中尋找模式和交互，然后自動(dòng)生成最佳匹配模型。

　　該神經(jīng)網(wǎng)絡(luò)研究的因素包括了服務(wù)器總負(fù)載，水泵、冷卻塔、冷水機(jī)組、干式冷卻器、運(yùn)行中的冷水注水泵數(shù)量；冷卻塔水溫、濕球溫度、戶外濕度、風(fēng)速、風(fēng)向等。Google利用傳感器部署了億萬(wàn)個(gè)數(shù)據(jù)點(diǎn)來(lái)收集這些基礎(chǔ)設(shè)施和電能使用信息。不過令人略為驚訝的是，Google只用一臺(tái)服務(wù)器就能跑這個(gè)神經(jīng)網(wǎng)絡(luò)了。

　　Gao在白皮書中寫道，Google數(shù)據(jù)中心的實(shí)際測(cè)試表明，機(jī)器學(xué)習(xí)是利用傳感器數(shù)據(jù)對(duì)數(shù)據(jù)中心能效建模的一種有效方法，可帶來(lái)顯著的成本節(jié)省。不過國(guó)內(nèi)較為粗放式管理的數(shù)據(jù)中心恐怕短時(shí)間內(nèi)難以效仿。