(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111131700.0 (22)申请日 2021.09.26 (71)申请人 西安交通大 学 地址 710049 陕西省西安市咸宁西路28号 (72)发明人 伍卫国　康益菲　崔舜　马春苗　 朱肖肖　王思敏　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 代理人 高博 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/08(2020.01) (54)发明名称 一种基于两段式LSTM的数据中心温度预测 方法及系统 (57)摘要 本发明公开了一种基于两段式LSTM的数据 中心温度预测方法及系统， 使用K ‑mean算法进行 服务器聚类得到训练数据； 针对服务器 资源占用 率建立最短时间周期的资源占用预测模型； 建立 针对服务器入风口温度的最长时间周期的温度 预测模型构成两段式LS TM预测模型， 将资源占用 预测模型的预测结果作为温度预测模型输入的 一部分， 使用训练数据训练两段式LS TM预测模型 直至收敛， 将服务器CP U利用率、 服务器入风口温 度历史数据， 空调出风口历史数据输入收敛后的 两段式LSTM预测模型中， 输出预测温度。 本发明 通过服务器聚类降低服务器间差异导致的模型 退化， 并通过两段式LS TM预测模型匹配不同来源 数据的不同变化规律， 提高数据中心温度预测的 精度。 权利要求书2页 说明书11页 附图1页 CN 113962142 A 2022.01.21 CN 113962142 A 1.一种基于两段式LSTM的数据中心温度预测方法， 其特征在于， 定义温度序列A和温度 序列B， 根据 温度对服务器入风口温度历史数据， 基于sDTW距离计算公式， 使用K ‑mean算法 进行服务器聚类， 得到各个 类簇的数据作为训练数据； 针对服务器资源占用率建立一个最短时间周期的资源占用预测模型； 再建立一个针对 服务器入风口温度的最长时间周期的温度预测模型， 构成两段式LSTM预测模型， 将资源占 用预测模型的预测结果作为 温度预测模 型输入的一部 分， 使用训练数据训练两段式LSTM预 测模型直至收敛， 将服务器CPU利用率、 服务器入风口温度历史数据， 空调出风口历史数据 输入收敛后的两段式LSTM预测模型中， 输出 预测温度。 2.根据权利要 求1所述的方法， 其特征在于， 温度序列A为A＝{a1， a2，…， ai，…， aN}， 温度 序列B为B＝{b1， b2，…， bj，…， bM}， 下标表示时间点。 3.根据权利要求2所述的方法， 其特征在于， 温度序列A和温度序列B的两个数据点之间 的距离M(ai， bj)为： M(ai， bj)＝E(ai， bj) 其中， E(ai， bj)为ai与bj的欧式距离， L(aN， bM)是以aN和bM为结束点的序列的距离； L(a1， b1)＝M(a1， b1)， γ是一个常数。 4.根据权利要求1所述的方法， 其特 征在于， 使用K ‑mean算法进行服 务器聚类具体为： 随机初始化k个聚类中心； 计算每个服务器的入风口温度数据与 聚类中心之间的sDTW 距离； 每个服务器的入风口温度数据属于距离最近的聚类中心代表的类； 求每个类中服务 器的入风口温度数据的平均值作为此类的聚类中心； 重复以上步骤至聚类中心 不变或超过 迭代阈值； 每 个类中包含的服务器作为 一个类簇， 数据共同用于训练一个预测模型。 5.根据权利要求1所述的方法， 其特征在于， 两段式LSTM预测模型中， 第一段LSTM预测 模型用于捕捉时间常数最小的CPU利用率变化数据， 第二段LSTM预测模型中引入卷积神经 网络用于捕捉时间常数最大的其 余变量的变化数据。 6.根据权利要求5所述的方法， 其特征在于， 第一段LSTM预测模型将服务器的CPU历史 利用率作为输入， 输出预测视野后的服务器CPU利用率， 第一段LSTM预测模型的预测表示 为： u(t+ph)＝f1(u(t‑ts)， u(t‑ts+1)，…， u(t)) 其中， u(t+ph)为服务器t+ph时刻的CPU利用率， f1为第一段LSTM模型的非线性映射， u (t‑ts)为服务器t ‑ts时刻的CPU利用率， u(t ‑ts+1)为服务器t ‑ts+1时刻的CP U利用率， u(t) 为服务器t时刻的CPU利用率。 7.根据权利 要求1所述的方法， 其特征在于， 第二段LSTM预测模型将第一段LSTM预测模 型的输出， 服务器的历史入风口温度、 服务器上下两个服务器的历史入风口温度、 CRAC历史 设定温度作为输入， 输出服 务器预测视野后的入风口温度。 8.根据权利要求7所述的方法， 其特征在于， 首先将服务器的历史入风口温度、 服务器权　利　要　求　书 1/2 页 2 CN 113962142 A 2上下两个服务器的历史入风口温度输入到一个卷积核 大小为3， 卷积核 数目为timesteps整 数倍的1D ‑CNN中， 以捕捉 温度问的空间关系， 然后将1D ‑CNN网络的输出、 第一段LSTM预测模 型的输出和CRAC历史设定温度合并作为LSTM网络的输入， 将第一段LSTM预测模 型的输出复 制扩展至 长timesteps的向量， 将1D ‑CNN网络的输出变形成为长timesteps的向量。 9.根据权利要求8所述的方法， 其特 征在于， 第二段LSTM的预测表示 为 其中， (t+ph)为服务器t+ph时刻的入风口温度， f2为第二段LSTM的非线性映射， fcnn为 CNN模型的非线性映射， u1(t+ph)， u2(t+ph)，…， uts(t+ph)为ts个第一段LSTM模型的温度预 测结果， T(t ‑ts+1)为服务器t ‑ts+1时刻的入风口温度， T(t ‑ts+2)为服务器t ‑ts+2时刻的 入风口温度， T(t)为服务器t时刻的入风口温度， T+1(t‑ts+1)为上方服务器t ‑ts+1时刻的入 风口温度， T+1(t‑ts+2)为上方服务器t ‑ts+2时刻的入风口温度， T+1(t)为上方服务器t时刻 的入风口温度， T‑1(t‑ts+1)为下方服务器t ‑ts+1时刻的入风口温度， T‑1(t‑ts+2)为下方服 务器t‑ts+2时刻的入风口温度， T‑1(t)为下方服务器t时刻的入风口温度， c(t ‑ts+1)为空调 t‑ts+1时刻的出风口温度， c(c ‑ts+2)为空调t ‑ts+2时刻的出风口温度， c(t)为空调t时刻 的出风口温度。 10.一种基于 两段式LSTM的数据中心温度预测系统， 其特 征在于， 包括： 聚类模块， 定义温度序列A和温度序列B， 根据温度对服务器入风口温度历史数据， 基于 sDTW距离计算公式， 使用K ‑mean算法进行服 务器聚类， 得到各个 类簇的数据作为训练数据； 预测模块， 针对服务器资源占用率建立一个最短时间周期的资源占用预测模型； 再建 立一个针对服务器入风口温度的最长时间周期的温度预测模型， 构成两段式LSTM预测模 型， 将资源占用预测模型 的预测结果作为温度预测模型输入的一部分， 使用聚类模块得到 的训练数据训练两段式LSTM预测模型直至收敛， 将服务器CPU利用率、 服务器入风口温度历 史数据， 空调出风口历史数据输入收敛后的两段式LSTM预测模型中， 输出 预测温度。权　利　要　求　书 2/2 页 3 CN 113962142 A 3