数据中心冷却通道的研究进展

简介:

日前,数据中心行业三位资深的专家在数据中心执行圆桌会议上讨论关于数据中心冷热通道遏制技术的进展情况。这三名经验丰富的数据中心管理人员分别是Aligned数据中心的雅各布·卡尔马克,FORTRUST公司罗伯特·麦克拉里和RagingWire数据中心的詹姆斯·利奇。行业媒体DataCenter Frontier的创始人兼主编主持瑞奇·米勒主持了这项讨论。

通道气流遏制系统作为数据中心制冷策略

DataCenterFrontier:气流遏制是用于优化数据中心冷却的既定战略。您如何评价采取通道遏制技术?在超大规模企业和多租户市场之间有什么不同?

罗伯特·麦克拉里:这里的关键是:在低效率的数据中心中,冷热空气随时混合,而并不是其IT设备和硬件的冷却散热是低效的,因为相当于重复了两次的工作。而气流遏制系统和气流动力学是优化数据中心冷却绝对策略。对IT硬件和硬件的内部提供冷却,是最有效和最有效的方法。而如果冷却气流去了其他地方,则会导致效率低下。

我们应该在开始设计和建设数据中心时,考虑专为长期经营的资金、能源效率和资源。我们这样做是要考虑到客户使用的IT硬件,提供市电的方式、冷却技术等各种因素,而每一件事都必须优化,以便能够适应最终用户运营的硬件。当以往我们设计数据中心的时候,并没考虑到最终用户或IT设备栈的设计,而我们必须开始这样做。

詹姆斯·利奇:我们看到在数据中心冷却的话题从节约转变成通道遏制的策略。

过去的五年中,数据中心提供商和数据中心技术供应商之间冷却的话题是利用当地的气候条件优势进行数据中心的设计和规划,提高冷却系统先进的性能。最常见的例子是当外界温度和湿度的允许的时候,使用自由空气进行冷却。

这次对话的话题是数据中心供应商和数据中心拥有者有针对性的设计和实施遏制系统,以满足客户的独特要求。这种讨论通常是基于计算流体力学分析(CFD),来了解数据中心设施和客户计算环境的空气流动情况。目前,最常用的方法是采用高架天花板和良好的空气流通和热通道气流遏制系统(烟囱),将热空气强制排出天花板较低的老旧数据中心。

超大规模数据中心和企业,以及多租户遏制采用冷却系统之间的差异主要是由数据中心的设计和应用的性质来驱动的。

超大规模数据中心往往针对冷却系统内置的明确一致的系统配置进行优化,在这些环境中,人们可以看到液体冷却、底盘冷却、机架冷却,和后门换热器技术。

企业数据中心通常必须支持遗留系统,例如小型计算机和大型主机,这些设备都有专门的冷却要求。这些设施往往是陈旧的(使用时间超过10年),可能没有一直维护或升级,随着时间的推移,这些设备在支持更高密度的部署方面将面临挑战。而人们往往看到在这些环境中的热通道气流遏制系统将为这些遗留系统进行冷却。

多租户托管的数据中心通常是新的硬件设备(使用时间少于10年),并且随着时间的推移进行更新升级,以支持更高密度的部署。托管数据中心提供者应该与他们的客户紧密合作,以支持针对其独特的环境封闭系统。

雅各布·卡尔马克:许多数据中心运营商利用新的遏制技术升级现有数据中心的成本过高。当涉及到减少能源消耗时,其浪费的电力转化成为更低的服务利润率。

超大规模数据中心运营商和一些领先的企业用户都敏锐地意识到这一点,并投入资金,以确保他们的数据中心进行了优化,用最少的浪费提供最大的输出。

多租户经营者往往影响最大,因为他们对运行的设备和数据中心内运行的应用程序控制能力较弱。对他们来说,采用通道遏制技术是一个挑战。

我们认识到这个障碍,并在数据中心设计中采用了成熟的散热专利技术,采用该技术的数据中心的电力和水的消耗仅为采用传统冷却技术的数据中心的85%。其结果是,我们能够保证为客户提供的PUE值为1.15。对于我们的一些大客户而言,其节省的成本将是巨大的。
本文转自d1net(转载)

相关文章
|
10月前
|
机器学习/深度学习 存储 传感器
利用机器学习优化数据中心冷却系统
【5月更文挑战第30天】 在数据中心的运行中,冷却系统的能效对整体运营成本有着显著的影响。随着人工智能技术的进步,特别是机器学习(ML)的发展,出现了新的机会来优化数据中心的能源使用效率。本文将探讨如何通过机器学习模型预测数据中心的热负荷,并据此动态调整冷却策略,以实现能耗最小化。我们将介绍所采用的数据集、预处理方法、模型选择、训练过程以及最终实施的策略。结果表明,基于机器学习的预测系统能够有效降低数据中心的能源消耗,并为可持续运营提供支持。
|
10月前
|
机器学习/深度学习 监控 算法
利用机器学习优化数据中心冷却系统
【5月更文挑战第30天】在数据中心的运营成本中,冷却系统占据了相当一部分。为了提高能效和降低成本,本文提出了一种基于机器学习的方法来优化数据中心的冷却系统。通过对大量历史数据的分析和挖掘,我们设计了一个预测模型,用于实时监控和调整数据中心的温度。实验结果表明,该方法可以有效降低能耗,提高数据中心的运行效率。
|
10月前
|
机器学习/深度学习 存储 人工智能
利用机器学习优化数据中心能效的策略研究
【5月更文挑战第30天】 在信息技术日益发展的当下,数据中心作为其支撑的基础设施之一,承担着处理和存储海量数据的重要任务。随着数据中心规模的扩张和计算需求的增加,如何在保证性能的同时降低能耗成为了业界关注的焦点。本文通过引入机器学习技术,探讨了数据中心能效优化的新方法。文中首先概述了数据中心能效的重要性及其面临的挑战,随后详细介绍了机器学习在数据中心能效管理中的应用方式,包括预测模型的构建、能源消耗模式的分析以及动态调整策略的实施。最后,通过一系列实验验证了所提策略的有效性,并与传统方法进行了对比分析。
|
10月前
|
机器学习/深度学习 算法 数据中心
利用机器学习优化数据中心冷却系统
【5月更文挑战第29天】 在数据中心的运营成本中,冷却系统占据了显著的比重。随着能源价格的不断攀升以及可持续发展的需求日益增加,开发高效、节能的冷却技术变得至关重要。本文将探讨如何应用机器学习算法来优化数据中心的冷却系统性能。通过对历史温度和负载数据的分析,我们训练了一个预测模型来动态调整冷却需求,实现按需冷却。结果显示,使用机器学习方法可以有效减少能耗,同时保持适宜的操作环境。
|
10月前
|
机器学习/深度学习 安全 网络安全
利用机器学习优化数据中心能效的研究数字堡垒的构建者:网络安全与信息安全的深层探索
【5月更文挑战第29天】在云计算和大数据时代,数据中心的能效问题成为关键挑战之一。本文通过集成机器学习技术与现有数据中心管理策略,提出了一种新型的智能优化框架。该框架能够实时分析数据中心的能耗模式,并自动调整资源分配,以达到降低能耗的目的。研究结果表明,应用机器学习算法可以显著提升数据中心的能源使用效率,同时保持服务质量。
|
10月前
|
存储 大数据 数据中心
探索现代数据中心的冷却革新
【5月更文挑战第29天】在信息技术不断进步的今天,数据中心作为计算和存储的核心枢纽,其稳定性与效率至关重要。随着处理能力的提升,散热问题日益凸显,成为限制数据中心性能的关键因素之一。本文将深入探讨现代数据中心面临的热管理挑战,并分享一系列前沿的冷却技术与实践,旨在为构建更为高效、环保的计算环境提供参考。
|
10月前
|
机器学习/深度学习 数据采集 存储
提升数据中心能效:采用机器学习优化冷却系统
【5月更文挑战第28天】在数据中心的运营成本中,冷却系统的能源消耗占据了显著比例。随着能源价格的不断上涨和可持续发展的需求日益增长,如何降低这一开支成为业界关注的焦点。本文将探讨利用机器学习技术对数据中心冷却系统进行优化的方法。通过分析历史数据和实时监控,机器学习模型能够预测冷却需求并动态调整系统设置,以实现最佳的能效比。这种方法不仅能减少能源消耗,还能提高系统的可靠性和稳定性。
|
10月前
|
机器学习/深度学习 敏捷开发 测试技术
深入理解自动化测试:框架选择与实践挑战利用机器学习技术优化数据中心冷却系统
【5月更文挑战第27天】 在现代软件开发周期中,自动化测试已成为确保产品质量和加快市场投放的关键步骤。本文深入探讨了自动化测试的框架选择问题,并剖析了实施过程中面临的挑战及其解决方案。通过比较不同测试框架的特点,我们旨在为读者提供一套明确的指导原则,帮助他们根据项目需求做出恰当的技术决策。同时,文中还分享了实际案例和最佳实践,以期帮助开发团队克服实施自动化测试时可能遇到的障碍。
|
10月前
|
机器学习/深度学习 传感器 监控
利用机器学习优化数据中心冷却系统
【5月更文挑战第27天】 随着数据中心能耗的不断攀升,尤其是冷却系统的能源消耗占据了相当一部分比例,如何通过智能化手段提高冷却效率成为行业关注焦点。本文提出了一种基于机器学习技术的数据中心冷却系统优化方案,通过实时监控和数据分析,动态调整冷却策略,以达到节能减排的目的。实验结果表明,该方案能有效降低数据中心的PUE值(功率使用效能比),为绿色计算提供可行的技术路径。
|
10月前
|
存储 大数据 数据中心
提升数据中心能效的先进冷却技术
【5月更文挑战第27天】 在信息技术不断进步的今天,数据中心作为计算和存储的核心枢纽,其能源效率已成为评价其可持续性的关键指标。本文将探讨当前数据中心面临的热管理挑战,并展示一系列创新的冷却技术解决方案,旨在提高数据中心的能效,同时确保系统的稳定性和可靠性。通过对比传统冷却方法和新兴技术,我们将分析各种方案的优势、局限性以及实施难度,为数据中心运营者提供科学的决策参考。