ИНТЕЛЛЕКТУАЛЬНОЕ УПРАВЛЕНИЕ ПАРАМЕТРАМИ МИКРОКЛИМАТА В ЦЕНТРЕ ОБРАБОТКИ ДАННЫХ

Центры обработки данных (ЦОД) в современном мире представляют собой критически значимые объекты информационной инфраструктуры. Эффективными технологическими инструментами их развития и совершенствования становятся перечисленные в программе "Цифровая экономика Российской Федерации" основные цифровые технологии: искусственный интеллект, методы машинного обучения и Большие Данные [6].

В современных ЦОД искусственный интеллект и машинное обучение применяют для решения следующих задач: сокращение времени простоя за счет прогнозирования рисков возникновения нештатных ситуаций, оптимизация режимов работы серверов и систем хранения данных, снижение энергозатрат, повышение эффективности комплексов охлаждения и оптимизация температурных режимов в машинных залах, рациональное использование ресурсов эксплуатационного персонала.

Повышение эффективности систем охлаждения и оптимизация температурных режимов в серверных и ЦОДах представляет собой сложный технологический процесс (ТП) подверженный воздействию окружающей среды (температура, давление, влажность и др.). Большое количество климатических данных, не имеющих между собой линейной связи, сильно усложняет процесс поиска и анализа, наиболее критичных в плане генерации избыточного тепла точек в ЦОД.

Анализ научно-технической литературы по системам управления микроклиматом, позволил сделать вывод о том, что в небольших ЦОД применяются традиционные системы управления микроклиматом - посредством датчиков и механических преобразователей, а выбор стратегии и режима управления осуществляется администратором ЦОД. Основные достоинства таких систем простота конструкции и дешевизна, а также большая ремонтопригодность. К основным недостаткам относится низкая точность поддержания заданных параметров, вследствие чего необходим постоянный контроль и высокое энергопотребление. Такой подход не обеспечивает достаточный уровень автоматизации процесса и обуславливает зависимость качества процесса от субъективного принятия решения администратора.

В настоящее время наиболее перспективным представляется использование интеллектуального управления параметрами микроклимата на основе нейросетевых технологий, что позволит повысить качество управления за счет автоматизации ТП, и, следовательно, показатели технологического процесса, снизить расход энергетических ресурсов.

Исходя из вышеизложенного, тема исследований является значимым и актуальным направлением развития интеллектуальных систем управлением параметрами микроклимата в ЦОД.

Объект исследования: автоматизация информационных процессов сбора, анализа и обработки информации о параметрах микроклимата.

Предмет исследования: интеллектуальная система управления параметрами микроклимата в центре обработки данных.

Практическая значимость работы представлена:

1.Рекомендациями по разработке структуры нейросетевого регулятора.

2.Методикой выбора архитектуры и алгоритма обучения нейросети.

3. Разработкой обучающей выборки.

4.Моделирование работы нейронной сети в среде Deductor Academic.

5. Направлениями дальнейших исследований.

Предлагаемая структура нейросетевого регулятора с целью автоматизации ТП включает в себя следующие функциональные блоки: базу данных (рабочую память), блок обучения, блок обученной НС в дискретные моменты времени, блок принятия решений.

В последнее время в качестве решения проблемы обработки большого количества данных используются нейронные сети. Они позволяют создавать прогнозы на основе ранее обнаруженных связей между различными параметрами. Данное преимущество нейронных сетей позволит улучшить адаптационные способности системы к малейшим изменениям параметров.

В приведенных исследованиях на первом этапе в качестве задач, решаемых нейронной сетью определены: получение значений температуры и влажности воздуха внутри ЦОД в дискретные моменты времени и прогнозирование их значений. Изменение именно этих двух параметров может означать начало серьезных проблем в функционировании ЦОД. При высокой влажности и температуре оборудование быстрее изнашивается, а также создаются критические ситуации, когда может произойти аварийное завершение работы оборудования.

Для выбранной предметной области исследований, определена структура нейронной сети с одним скрытым слоем и двумя выходными параметрами, представленная на рисунке 1.

Рисунок 1. Схема нейронной сети

Число скрытых слоев выбрано экспериментально реализацией различных архитектур нейронной сети и анализом ошибок обучения.

В качестве входных данных выбраны требования к микроклимату согласно СН 512-78 (п.3) и статистические данные работы оборудования ЦОД и внешние условия [2].

Набор данных , подаваемый на входной слой нейронной сети, описан в таблице 1.

Таблица 1.

Входные и выходные параметры

Входные параметры не должны быть линейно независимы, однако это позволит сократить время обучение модели и снизить вероятность ее переобучения [1]. В качестве алгоритма обучения выбран алгоритм обратного распространения ошибки [4,5].

Количество нейронов в скрытом слое определялось из теоремы Арнольда - Колмогорова - Хехт-Нильсена и должно находится в интервале, определяемом по выражениям (1,2) [7]:

где  – количество нейронов в скрытом слое.

Прямое распространение для данной модели будет выглядеть следующим образом:

где  – нейрон в скрытом слое;  – матрица, представляющая собой синаптические веса;  – множество входных параметров.

Прототип нейронной сети протестирован в среде Deductor Academic [3]. Фрагмент разработанной обучающей выборки представлен на рисунке 2.

Рисунок 2. Фрагмент набора входных данных

Граф нейронной сети представлен на рисунке 3.

Рисунок 3. Граф нейросети

Нейронная сеть имеет 12 входов, 1 скрытый слой, 23 нейрона в скрытом слое и 2 выхода. В качестве активационной функции была выбрана сигмоида с показателем крутизны 0,8.

Результаты тестирования обученной нейросети представлены на рисунке 4.

Рисунок 4. Тест нейронной сети

Анализ полученных результатов показал, что требуемыми были значения 15,27 и 14,32 для температуры и влажности воздуха соответственно. Нейросеть рассчитала 15,29 и 14,49. Это означает, что нейросеть имеет ошибку немного более, чем 1% по выходным значениям. Такой показатель ошибки является несущественным в рамках данный задачи, что в свою очередь свидетельствует о целесообразном использовании предложенной структуре нейронной сети в рамках разработки системы интеллектуального управления микроклиматом в ЦОД.

Дальнейшие направления исследований направлены на выбор оборудования, программных и аппаратных средств для разработки приложений системы интеллектуального управления микроклиматом на основе нейросетевого регулятора. На базе выбранной среды программирования будет разработан программный код для программирования микроконтроллеров.

Эффективность предложенных технических решений интеллектуального управления микроклиматом ЦОД планируется провести на основе анализа количественных и качественных показателей работы, разработанного нейросетевого и нечеткого регулятора [4].