当前位置:首页 > 报告详情

Increasing Energy Efficiency of Server Cooling Over Traditional Methods with a Deep Reinforcement Learning Agents running on an OCP Compliant BMC platforms.pdf

上传人: 张** 编号:161456 2024-05-05 17页 1.43MB

word格式文档无特别注明外均可编辑修改,预览文件经过压缩,下载原文更清晰!
三个皮匠报告文库所有资源均是客户上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作商用。
本文介绍了一种基于深度强化学习算法的动态服务器风扇速度控制系统,该系统相较于传统风扇控制方法能显著提高能源效率。该模型运行在一个符合OCP规范的BMC平台上的ML引擎中。系统通过直接收集传感器数据,绕过主机操作系统,实现快速的热预测和风扇速度校准。TCU作为符合OCP DC-SCM标准的BMC,通过多种连接收集所有机箱组件的数据,为最优风扇控制提供丰富的数据集。系统利用TCU/BMC上的DTM-ML模型,通过专用的ML引擎实现及时的推断和风扇速度控制。硬件安全功能保护DTM-ML模型,避免主机操作系统上的潜在漏洞。系统采用CPU和GPU性能监控计数器主动管理热力学,并根据工作负载需求进行预测。DRL模型通过与环境的互动,学习复杂的策略,并从感官输入中直接学习规则,提高能源效率。该系统在数据中心的冷却和工业控制方面取得了成功,实现了高达40%的风扇功耗节省。
"AI如何提升服务器冷却效率?" "深度强化学习在数据中心冷却中的应用前景如何?" "如何通过AI实现服务器风扇的智能控制以节省能源?"
客服
商务合作
小程序
服务号
折叠