新数据中心的气流管理注意事项

简介:

如果您认为关于建造新数据中心的气流管理考虑因素的讨论将会引发正常的一些堵漏孔与填充板和地板垫圈,将热通道与冷通道分开,最大限度地降低或消除旁路气流、再循环气流, 部署带有变频器的风扇,智能定位风口地板以及测量服务器进风处的温度的话,那么你将犯了严重的错误。

我不不认为这些做法是不考虑的; 我只是认为这些做法是最初级的。这些做法不属于数据中心设计领域的先进技术或前沿技术,而是被确立为最佳改善气流组织的方式。 根据所有既定的行业标准和指导方针,获益源于对这些气流管理控制是从气流量与温度设定为最低起点,关键在于数据中心PUE以及效益的利用机会。

那么,如果这些最低要求不是今天的主题,建立新的数据中心的气流管理还有哪些要考虑? 让我们从ASHRAE手册“数据处理环境指南”,第4版以及他们所谓的服务器度量来确定数据中心运行环境信息开始、

ASHRAE 7个指标:

  1. 服务器功率与进风温度
  2. 服务器性能与进风温度
  3. 服务器成本与进风温度
  4. 气候数据与服务器进风温度
  5. 服务器腐蚀与湿度水平
  6. 服务器可靠性与进风温度
  7. 服务器声学噪声与进风温度的关系

随着进一步延伸,通过这些指标能能够帮助数据中心在设计气流组织管理方面提供指导。 ASHRAE在对这些定义进行阐述。

接下来,让我们看看该如何考虑它们由此对设计和运营效率产生的影响。

服务器功率与入口温度。

良好的气流组织管理的最主要的优点在于允许数据中心在高温下运行,并允许依据数据中心内不同类型服务器中的温度设定值的最高值设定数据中心温度。

通过对气流组织实施管理,当气流组织管理提供的温度在75°F(22℃)时,能够满足服务器最高进风温度77-79°F(25-26℃)。在气流管理不佳的情况下,气流组织管理提供的温度在55°F(12.8℃)时,很容易导致服务器进风温度范围值77°F—90°F(25℃-32.2)。

尽管如此,我们还是假设气流管理不佳,过冷气流供应过度;随着气流组织管理到位,唯一需要考虑的是提高温度,这也是大多数数据中心运维方面的专家给出的专业建议。

接下来,期待发生什么呢? 早期的这个问题,基于过去总结的实践经验表明,也许会看到PUE在会下降,但是,整个数据中心能耗会增加,由于服务器风扇持续运转,可以通过提高服务器进风温度,达到冷却的效果。

Hewlett-Packard(惠普)在2011年的Uptime研讨会上提出一项此类研究,他们试图获取与执行指定任务相关的所有成本,包括IT设备负载,数据中心电力负载,功率转换损耗,照明等。 他们对四类不同的服务器进风温度进行测试,并测量了PUE与实际工作成本。

随着温度升高,机械设备效率提高,PUE下降; 然而,运营能耗成本与PUE并不成正比。 事实上,如表1所示,在某些时候,PUE与运营实际成本是有分歧的。

本文转自d1net(转载)

相关文章
|
7月前
|
机器学习/深度学习 数据挖掘 物联网
【专栏】机器学习如何通过预测性维护、负载预测、动态冷却管理和能源效率优化提升数据中心能效
【4月更文挑战第27天】随着信息技术发展,数据中心能耗问题日益突出,占全球电力消耗一定比例。为提高能效,业界探索利用机器学习进行优化。本文讨论了机器学习如何通过预测性维护、负载预测、动态冷却管理和能源效率优化提升数据中心能效。然而,数据质量、模型解释性和规模化扩展是当前挑战。未来,随着技术进步和物联网发展,数据中心能效管理将更智能自动化,机器学习将在实现绿色高效发展中发挥关键作用。
126 5
|
7月前
|
机器学习/深度学习 运维 算法
利用机器学习优化数据中心的能效管理
【4月更文挑战第30天】在数据中心的运营成本中,能源消耗占据了一个显著的比例。随着能源价格的上升和环境保护意识的增强,如何降低能源消耗成为数据中心管理者们面临的一个重要挑战。本文探讨了一种基于机器学习的方法来优化数据中心的能效管理,通过分析历史数据和实时监测数据,动态调整资源分配和冷却策略,以实现能源消耗的最小化。
|
7月前
|
机器学习/深度学习 资源调度 算法
利用机器学习优化数据中心的能效管理
【5月更文挑战第31天】 在数据中心管理和运营中,能效优化是降低运营成本和减少环境影响的关键。本文提出了一种基于机器学习的方法来动态调整数据中心的资源分配,旨在提高整体能源效率。该方法通过分析历史数据和实时负载信息,预测未来工作负载并相应地调整硬件配置。实验结果表明,与传统的静态管理策略相比,所提出的动态管理策略可以显著降低能耗,同时保持服务质量。
|
7月前
|
机器学习/深度学习 缓存 算法
深入理解操作系统的虚拟内存管理利用机器学习技术优化数据中心能效
【5月更文挑战第25天】 在现代计算机系统中,虚拟内存是允许用户程序逻辑地址空间与物理内存解耦的关键概念。它为每个进程提供了一个独立的、连续的地址空间,通过内存管理单元(MMU)硬件的支持,将程序使用的虚拟地址映射到实际的物理内存地址。这种机制不仅简化了程序的编写和内存的管理,还提供了保护机制,防止不同进程之间的相互干扰。本文将探讨虚拟内存的工作原理、分页系统的实现以及虚拟内存带来的性能影响,并讨论操作系统如何优化内存使用和管理。
|
7月前
|
机器学习/深度学习 存储 算法
利用机器学习优化数据中心的能效管理
【5月更文挑战第23天】在本文中,我们探讨了一种基于机器学习的方法来优化数据中心的能效管理。通过分析历史数据,我们的模型能够预测数据中心的能源需求,并据此调整能源分配,以达到节能和提高能效的目标。这种方法不仅能够降低运营成本,还能减少对环境的影响。
|
7月前
|
机器学习/深度学习 数据采集 算法
利用机器学习优化数据中心的能耗管理
在数据中心管理和运营领域,能耗优化是提高经济效益和环境可持续性的关键。本文提出了一种基于机器学习的方法来优化数据中心的能源消耗,通过实时监控与智能调节系统参数以降低总体能耗。研究采用多种算法对比分析,包括监督式学习、非监督式学习以及强化学习,并在此基础上设计出一套综合策略。该策略不仅提升了能效比(PUE),还保证了系统的高可靠性和性能稳定性。文章的结构首先介绍数据中心能耗管理的重要性,然后详细阐述所提出的机器学习模型及其实现过程,最后通过实验结果验证了方法的有效性。
|
7月前
|
机器学习/深度学习 存储 大数据
利用机器学习优化数据中心的能效管理
【2月更文挑战第17天】 在数据中心的运营过程中,能效管理是维持可持续性和成本效益的关键。本文探讨了一种基于机器学习的方法来优化数据中心的能源使用效率。通过分析历史能耗数据和实时工作负载信息,构建了一个预测模型来指导冷却系统的动态调整,以减少不必要的能源消耗。实验结果表明,该方法能够有效降低能耗,同时保证数据中心的性能和可靠性。
72 2
|
存储 监控 网络协议
「数据中心」数据中心脊页架构:数据中心结构管理、自动化和总结
「数据中心」数据中心脊页架构:数据中心结构管理、自动化和总结
|
运维 调度 数据中心
如何推进IT运维数据中心问题管理
在数据中心的管理中,问题管理通常因为没有事件管理、变更管理那么直接影响服务的可用性而被忽视,使得遗留下来的问题没有被及时解决,也会导致事件的重复发生,从而降低系统和服务的整体可用性
205 0
如何推进IT运维数据中心问题管理
|
机器学习/深度学习 人工智能 算法
机器学习如何改变数据中心管理
数据中心运营商在利用人工智能和机器学习方面有很多选择,而且随着技术变得更加实惠和先进,将会有更多选择。美好的未来就在眼前。
机器学习如何改变数据中心管理