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器學習和人工智能來進一步改進數(shù)據(jù)中心能效的。
業(yè)界一般用PUE（電能使用效率）來衡量數(shù)據(jù)中心的能效，PUE=數(shù)據(jù)中心總設備能耗/IT設備能耗，其基準值為2，越接近1表明能效越高。Google之前的PUE已經(jīng)達到了驚人的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)絡讓其數(shù)據(jù)中心能效更上一層樓。據(jù)Kava介紹，該項目屬于Google的20%項目。他們每30秒就計算一次PUE，還不斷跟蹤IT設備能耗、機外氣溫以及制冷和機械設備的設置情況等。而Google數(shù)據(jù)中心團隊成員Jim Gao對這些數(shù)據(jù)非常熟悉，他意識到這些數(shù)據(jù)還可以進一步利用。于是Gao通過機器學習對這些數(shù)據(jù)進行研究，并建立起模型來預測并進一步改進數(shù)據(jù)中心能效。
結果表明，該模型的預測準確率達到了99.6%（參見下圖）。如果高的準確率意味著Google對數(shù)據(jù)中心下一步的能量需求情況了如指掌，從而可以通過設置調整進一步提升能效。Kava舉了一個例子。幾個月前，他們有幾臺服務器要下線幾天，其結果是數(shù)據(jù)中心能效會有所降低。但利用Gao的模型他們臨時調整了制冷設置，從而降低了那段時間對PUE的影響。
上述情況下Google進行電力基礎設施升級要重新調整40%的服務器流量，但是通過PUE仿真與專家知識的結合，團隊選定了一套新的運營參數(shù)，從而將PUE再降了0.02。不要小看這個值，考慮到Google有成千上萬臺服務器，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)絡對復雜系統(tǒng)建模具有優(yōu)勢，因為神經(jīng)網(wǎng)絡不需要用戶預設模型的交互特征，而是在特征中尋找模式和交互，然后自動生成最佳匹配模型。
該神經(jīng)網(wǎng)絡研究的因素包括了服務器總負載，水泵、冷卻塔、冷水機組、干式冷卻器、運行中的冷水注水泵數(shù)量；冷卻塔水溫、濕球溫度、戶外濕度、風速、風向等。Google利用傳感器部署了億萬個數(shù)據(jù)點來收集這些基礎設施和電能使用信息。不過令人略為驚訝的是，Google只用一臺服務器就能跑這個神經(jīng)網(wǎng)絡了。
Gao在白皮書中寫道，Google數(shù)據(jù)中心的實際測試表明，機器學習是利用傳感器數(shù)據(jù)對數(shù)據(jù)中心能效建模的一種有效方法，可帶來顯著的成本節(jié)省。不過國內(nèi)較為粗放式管理的數(shù)據(jù)中心恐怕短時間內(nèi)難以效仿。
