數(shù)據(jù)中心內(nèi)服務(wù)器能耗數(shù)據(jù)采集及特征分析

周 清，張諝晟，沈子鈺，李 云

（1.南京郵電大學(xué)計算機(jī)學(xué)院，南京210023；2.江蘇省大數(shù)據(jù)安全與智能處理重點實驗室，南京210023）

引 言

數(shù)據(jù)中心是基于網(wǎng)絡(luò)的為用戶提供計算和存儲服務(wù)的大型基礎(chǔ)設(shè)施，它由服務(wù)器、存儲器和網(wǎng)絡(luò)交換機(jī)組等IT設(shè)備構(gòu)成，同時還配備了制冷設(shè)備保持機(jī)房恒溫恒濕。數(shù)據(jù)中心內(nèi)各項設(shè)備的全天候運行造成了巨大的能耗［1］，但提供計算服務(wù)的服務(wù)器群中約15%的服務(wù)器卻處于空閑狀態(tài)，而處于忙碌狀態(tài)的服務(wù)器中約75%其CPU使用率不足20%［2］。為了構(gòu)建綠色節(jié)能的數(shù)據(jù)中心，高能耗低能效問題正受到廣泛的關(guān)注與研究。現(xiàn)有的研究工作大多從提高能效的角度出發(fā)，設(shè)計服務(wù)器群的任務(wù)流調(diào)度算法［3-4］，對運行在服務(wù)器群上的用戶任務(wù)做負(fù)載均衡，從而充分利用每臺服務(wù)器的計算資源。

服務(wù)器能耗數(shù)據(jù)的獲取有兩種途徑：（1）獲得云數(shù)據(jù)中心服務(wù)提供商的授權(quán)，通過該途徑可以獲取真實場景下的服務(wù)器各項性能指標(biāo)和能耗數(shù)據(jù)，但研究人員很難獲得相關(guān)授權(quán)且研究成果中也不能泄漏數(shù)據(jù)集的詳細(xì)信息。（2）搭建仿真環(huán)境模擬數(shù)據(jù)中心內(nèi)服務(wù)器的運行狀態(tài)，宋杰等［5］在單機(jī)環(huán)境中采集了與CPU相關(guān)的指標(biāo)和能耗數(shù)據(jù)，并建立了CPU與服務(wù)器能耗之間的計算關(guān)系，但單機(jī)環(huán)境并不能體現(xiàn)客戶端與數(shù)據(jù)中心內(nèi)服務(wù)器的交互關(guān)系，而且CPU也不能反映網(wǎng)絡(luò)、內(nèi)存和磁盤等其他類型指標(biāo)對能耗的影響；Li等［6］搭建了仿真環(huán)境，采集數(shù)據(jù)后使用自動編碼器對服務(wù)器能耗建立了預(yù)測模型，但搭建仿真環(huán)境的細(xì)節(jié)并沒有表述清楚，并且只選用了World Cup 98［7］和Clark net［8］網(wǎng)絡(luò)請求日志模擬網(wǎng)絡(luò)I/O密集型任務(wù)，而沒有考慮對CPU密集型任務(wù)的模擬。

特征選擇是機(jī)器學(xué)習(xí)中至關(guān)重要的預(yù)處理步驟，用于剔除不相關(guān)特征以降低數(shù)據(jù)維度和建模復(fù)雜度。傳統(tǒng)的特征選擇有［9］：過濾式（Filter）、包裹式（Wrapper）和嵌入式（Embedding）。由于過濾式不依賴于特定模型并且處理速度較快，因此在實際問題中更為常用。為獲得具有可解釋性的特征分析，基于因果關(guān)系的特征選擇受到了越來越多的關(guān)注。因果特征選擇以因果馬爾科夫假設(shè)為基礎(chǔ)，將原始特征空間構(gòu)建成貝葉斯網(wǎng)絡(luò)，在該網(wǎng)絡(luò)中借助條件獨立性測試尋找目標(biāo)變量的馬爾可夫邊界，以此剔除冗余特征、構(gòu)建因果特征子集［10］。因果特征選擇常用于肺癌［11］等疾病的診斷與分析，為醫(yī)療人員溯源病因提供幫助。現(xiàn)有的很多研究工作針對服務(wù)器能耗進(jìn)行了特征分析，Meisner等［12］認(rèn)為能耗由CPU主導(dǎo)；Economou等［13］進(jìn)一步考慮到內(nèi)存和網(wǎng)絡(luò)對能耗的影響；Davis等［14］總結(jié)前人的研究工作后提出了一套通用的能耗特征集合，并驗證了該集合的有效性。但這些靜態(tài)的特征分析無法反映用戶任務(wù)的動態(tài)變化，也不能捕捉到用戶任務(wù)的特點。

隨著機(jī)器學(xué)習(xí)的興起，時序預(yù)測領(lǐng)域內(nèi)的最新研究工作都借助機(jī)器學(xué)習(xí)模型對多元時間序列進(jìn)行建模預(yù)測。Galicia等［15-16］基于Spark框架和決策樹（Decision tree，DT）提出了一種針對多元時間序列的建模流程。Bai等［17］深入對比了卷積神經(jīng)網(wǎng)絡(luò)（Convolution neural network，CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent neural network，RNN）在序列建模任務(wù)上的性能，并提出了能捕捉更長歷史模式的時序卷積網(wǎng)絡(luò)（Temporal convolution network，TCN）。

目前服務(wù)器能耗數(shù)據(jù)領(lǐng)域仍存在以下3個問題：

（1）為了提高數(shù)據(jù)中心能效的同時保證用戶任務(wù)的完成，任務(wù)流調(diào)度算法的設(shè)計依賴于用戶任務(wù)的特征分析與服務(wù)器未來能耗的預(yù)測結(jié)果，因此若能捕捉到用戶任務(wù)的特點并提供準(zhǔn)確的能耗預(yù)測結(jié)果將有助于提高任務(wù)流調(diào)度算法的優(yōu)越性。

（2）由于涉及公司商業(yè)機(jī)密與用戶個人隱私，國內(nèi)外的云數(shù)據(jù)中心服務(wù)提供商不會公開服務(wù)器的各項性能指標(biāo)和能耗數(shù)據(jù)，相對應(yīng)的用戶任務(wù)也不會透露，因此沒有公開的服務(wù)器能耗數(shù)據(jù)集供研究人員使用。

（3）不同類型的用戶任務(wù)會使不同的服務(wù)器性能指標(biāo)成為關(guān)鍵特征，例如CPU密集型任務(wù)和網(wǎng)絡(luò)I/O密集型任務(wù)的關(guān)鍵特征就有很大不同。但現(xiàn)有的過濾式特征選擇構(gòu)建的特征子集內(nèi)會存在冗余特征，這些冗余特征無法反映用戶任務(wù)的特點，會對運維人員判斷用戶任務(wù)類型產(chǎn)生誤導(dǎo)，因此過濾式特征選擇不能滿足運維人員的需求。

針對上述問題，本文首先提出了一套模擬數(shù)據(jù)中心內(nèi)服務(wù)器運行情況的仿真環(huán)境架構(gòu)；隨后基于該架構(gòu)，本文以FFmpeg和World Cup 98兩種Benchmark為例，分別模擬CPU密集型和網(wǎng)絡(luò)I/O密集型任務(wù)采集服務(wù)器能耗數(shù)據(jù)集；最后本文將基于因果關(guān)系的特征選擇應(yīng)用到能耗數(shù)據(jù)的特征分析中，并與過濾式特征選擇進(jìn)行了對比實驗，這是因果特征選擇首次應(yīng)用于能耗數(shù)據(jù)的特征分析中。實驗結(jié)果表明，因果特征在75%的情況下取得了最優(yōu)的預(yù)測精度，同時其特征子集大小約為過濾式特征子集大小的1/3到1/6。結(jié)合具體的用戶任務(wù)來看，因果特征子集排除了冗余特征，只保留了最能體現(xiàn)用戶任務(wù)特點的特征，為運維人員設(shè)計服務(wù)器群的任務(wù)流調(diào)度算法提供了具有可解釋性的依據(jù)和指導(dǎo)。

1 特征選擇

1.1 過濾式特征選擇

過濾式特征選擇將特征與目標(biāo)變量間的關(guān)系分為強(qiáng)相關(guān)、弱相關(guān)和不相關(guān)，并旨在挑選強(qiáng)相關(guān)特征［18］，衡量特征間相關(guān)性的統(tǒng)計指標(biāo)一般選用皮爾遜相關(guān)系數(shù)（Pearson correlation coefficient）或斯皮爾曼等級相關(guān)系數(shù)（Spearman’s rank correlation coefficient），它們的取值范圍在[-1，1]內(nèi)，其中“-1”表示X和Y完全負(fù)相關(guān)，“0”表示X和Y完全不相關(guān)，“1”表示X和Y完全正相關(guān)。皮爾遜相關(guān)系數(shù)用于衡量變量間的線性關(guān)系，其數(shù)學(xué)描述如下

式中：Cov(X，Y)為X和Y的協(xié)方差，σX和σY分別為X和Y的標(biāo)準(zhǔn)差。斯皮爾曼等級相關(guān)系數(shù)衡量地是變量間的單調(diào)關(guān)系，其數(shù)學(xué)描述如下

1.2 基于因果關(guān)系的特征選擇

盡管過濾式構(gòu)建的特征子集與目標(biāo)變量間具有強(qiáng)相關(guān)性，但特征子集內(nèi)會存在冗余性，即多個特征組合后會蘊(yùn)含其他特征的信息從而使得其他特征成為冗余特征。冗余特征的存在會在一定程度上誤導(dǎo)運維人員對當(dāng)前用戶任務(wù)類型的判斷。而基于因果關(guān)系的特征選擇旨在構(gòu)建與目標(biāo)變量強(qiáng)相關(guān)且非冗余的特征子集，它以因果馬爾可夫假設(shè)為理論基礎(chǔ)，借助于條件獨立性測試，搜索目標(biāo)變量在貝葉斯網(wǎng)中的馬爾可夫邊界，從而構(gòu)建出具有可解釋性的特征子集［19］。根據(jù)因果關(guān)系可以將特征進(jìn)一步細(xì)分為4種類型：強(qiáng)相關(guān)特征、非冗余特征、冗余特征和不相關(guān)特征，圖1展示了這4類特征間的關(guān)系。

圖1 特征類型及其關(guān)系Fig.1 Feature types and their relationship

Hiton-PC:尋找目標(biāo)變量的直接父子結(jié)點。

輸入：訓(xùn)練數(shù)據(jù)集、目標(biāo)變量。

輸出：目標(biāo)變量的直接父子結(jié)點集合。

（1）初始化目標(biāo)變量的直接父子結(jié)點集合為空集；

（2）重復(fù)步驟（3，4）直至特征空間內(nèi)沒有與目標(biāo)變量相關(guān)的特征；

（3）將特征空間中與目標(biāo)變量相關(guān)性最高的特征加入直接父子結(jié)點集合，并從特征空間內(nèi)移除該特征；

（4）檢驗直接父子結(jié)點集合內(nèi)是否存在冗余特征，若存在則移除冗余特征；

（5）返回目標(biāo)變量的直接父子結(jié)點集合。

根據(jù)因果馬爾科夫假設(shè)，將能耗數(shù)據(jù)集的特征空間構(gòu)建成貝葉斯網(wǎng)絡(luò)后，對服務(wù)器能耗有決定性作用的特征在網(wǎng)絡(luò)中表現(xiàn)為能耗的直接父結(jié)點與直接子結(jié)點，直接父結(jié)點是直接導(dǎo)致能耗變化的特征，而直接子結(jié)點是因能耗變化而立即變化的特征。因此本文應(yīng)用了因果特征選擇算法Hiton［20］的一部分，即Hiton-PC算法，過程如前文所示。本文利用Hiton-PC算法尋找服務(wù)器能耗的直接父子結(jié)點，從而構(gòu)建出具有可解釋性的因果特征子集。

2 仿真環(huán)境搭建與數(shù)據(jù)采集

2.1 仿真環(huán)境的硬件和軟件配置

本文提出的仿真環(huán)境中，硬件設(shè)備包括3臺服務(wù)器、1臺路由器和1件電源分配單元（Power distribution unit，PDU）。3臺服務(wù)器分別作為服務(wù)端、客戶端和監(jiān)控端，詳細(xì)配置如表1所示。服務(wù)端模擬數(shù)據(jù)中心內(nèi)提供計算資源的服務(wù)器，客戶端模擬向數(shù)據(jù)中心請求服務(wù)的用戶電腦，監(jiān)控端模擬數(shù)據(jù)中心內(nèi)負(fù)責(zé)監(jiān)控并存儲數(shù)據(jù)的服務(wù)器。路由器負(fù)責(zé)構(gòu)建服務(wù)器之間的通信網(wǎng)絡(luò)，PDU負(fù)責(zé)給服務(wù)端供電。軟件配置方面，所有服務(wù)器的操作系統(tǒng)均為CentOS，服務(wù)端配置了collectd，監(jiān)控端配置了OpenTSDB。collectd是Unix守護(hù)程序，用于收集并傳輸服務(wù)器的性能指標(biāo)，通過內(nèi)置的不同探針可以采集到CPU、內(nèi)存、磁盤等類型的指標(biāo)。OpenTSDB是基于Hbase實現(xiàn)的分布式時序數(shù)據(jù)庫，與關(guān)系型數(shù)據(jù)庫不同，OpenTSDB根據(jù)時間戳存儲數(shù)據(jù)。

表1 服務(wù)器配置信息Table 1 Server configuration information

2.2 FFmpeg和World Cup 98任務(wù) 簡介

數(shù)據(jù)中心內(nèi)服務(wù)器通過網(wǎng)絡(luò)與用戶進(jìn)行交互并向用戶提供計算服務(wù)和存儲資源，因此本文選擇FFmpeg和World Cup 98兩種Benchmark分別模擬CPU密集型和網(wǎng)絡(luò)I/O密集型任務(wù)，以此模擬數(shù)據(jù)中心內(nèi)服務(wù)器的運行狀態(tài)。FFmpeg是用于處理音視頻的程序，它對CPU的占用率較高，本文在服務(wù)端持續(xù)運行該程序來模擬CPU密集型任務(wù)。World Cup 98是1998年世界杯官網(wǎng)的Web請求日志，根據(jù)該日志，本文通過客戶端向服務(wù)端發(fā)送Web請求，服務(wù)端解析并處理請求后將結(jié)果返回給客戶端來模擬網(wǎng)絡(luò)I/O密集型任務(wù)。

2.3 仿真環(huán)境架構(gòu)和數(shù)據(jù)采集流程

本文提出的仿真環(huán)境架構(gòu)如圖2所示，3臺服務(wù)器通過以太網(wǎng)線直連到路由器上，服務(wù)端的電源線連接到PDU上，由PDU給服務(wù)端供電，PDU通過串行線連接到監(jiān)控端。具體的數(shù)據(jù)采集流程如下所述：

圖2 仿真環(huán)境架構(gòu)Fig.2 Architecture of simulation environment

（1）客戶端發(fā)起Web請求，請求服務(wù)端運行FFmpeg或World Cup 98以模擬CPU密集型或網(wǎng)絡(luò)I/O密集型任務(wù)。

（2）路由器將用戶請求轉(zhuǎn)發(fā)到服務(wù)端。

（3）服務(wù)端接收到用戶請求后，執(zhí)行用戶任務(wù)。在服務(wù)端運行期間，collectd采集服務(wù)端的各項性能指標(biāo)，如CPU空閑時間、網(wǎng)絡(luò)傳輸報文總數(shù)、系統(tǒng)已使用的物理RAM量等，并將這些數(shù)據(jù)定期發(fā)送給路由器。

（4）路由器收到collectd采集的數(shù)據(jù)后轉(zhuǎn)發(fā)給監(jiān)控端內(nèi)的OpenTSDB進(jìn)行存儲。

（5）PDU給服務(wù)端供電，監(jiān)控端內(nèi)的自定義能耗采集腳本通過串行線定期讀取PDU的能耗數(shù)據(jù)，并存儲在OpenTSDB中。

2.4 數(shù)據(jù)采集與預(yù)處理

由于數(shù)據(jù)中心內(nèi)服務(wù)器的主要職責(zé)是提供計算存儲資源和網(wǎng)絡(luò)通信，因此本文選定CPU、內(nèi)存、磁盤、網(wǎng)絡(luò)和進(jìn)程這5種類型的服務(wù)器指標(biāo)作為特征，這些特征的命名方式及物理意義如表2所示，其他各類型中斷處理的指標(biāo)由于比較瑣碎，因此沒有在表2中記錄。

表2 特征命名及物理意義Table 2 Feature naming and physical meaning

基于本文提出的仿真環(huán)境架構(gòu)和數(shù)據(jù)采集流程，本文設(shè)置collectd和自定義能耗采集腳本的采集頻率均為1 s，根據(jù)表2列出的指標(biāo)和其他瑣碎指標(biāo)構(gòu)建了共159個特征，得到的原始數(shù)據(jù)集統(tǒng)計信息如表3所示，其中ffmpeg是使用FFmepg模擬CPU密集型任務(wù)得到的數(shù)據(jù)集，wc98-44和wc98-67分別是使用World Cup 98第7周和第10周日志模擬網(wǎng)絡(luò)I/O密集型任務(wù)得到的數(shù)據(jù)集。

表3 原始數(shù)據(jù)集統(tǒng)計信息Table 3 Statistics of raw dataset

由于數(shù)據(jù)采集過程中存在白噪聲并且預(yù)測下一秒的能耗值不能提供充足的信息給運維人員，因此本文對原始數(shù)據(jù)集進(jìn)行了窗口大小為60 s的不重疊平均平滑操作，處理后的數(shù)據(jù)集統(tǒng)計信息如表4所示。本文將對處理后的數(shù)據(jù)集進(jìn)行特征分析與對比實驗。

表4 處理后的數(shù)據(jù)集統(tǒng)計信息Table 4 Statistics of processed dataset

3 實驗與分析

3.1 問題定義

由于數(shù)據(jù)中心內(nèi)服務(wù)器的各項性能指標(biāo)與能耗數(shù)據(jù)是按時間順序采集，因此能耗預(yù)測歸屬于多元時間序列預(yù)測問題。結(jié)合時序預(yù)測問題的定義［21］，本文給出能耗預(yù)測問題的數(shù)學(xué)描述：以zt∈RN表示t時刻采集到的服務(wù)器N項指標(biāo)（包括能耗值），zt[i]∈R表示t時刻采集到的服務(wù)器第i項指標(biāo)，給定長度為P的歷史數(shù)據(jù)序列X={zt1，zt2，…，ztP}，目標(biāo)是預(yù)測下一時間戳的能耗值Y={ztP+1[power]}。

實驗有兩個目的：（1）結(jié)合具體用戶任務(wù)，與過濾式特征子集進(jìn)行對比，驗證因果特征子集的合理性；（2）結(jié)合具體時序預(yù)測模型，分別使用過濾式和基于因果關(guān)系的特征子集進(jìn)行訓(xùn)練和測試，驗證因果特征子集的有效性。

3.2 實驗設(shè)置

特征選擇方面：首先，由于數(shù)據(jù)集和時序相關(guān)，因此訓(xùn)練集和測試集是由處理后的數(shù)據(jù)集按時間順序以8∶2的比例劃分而來。其次，根據(jù)訓(xùn)練集剔除訓(xùn)練集和測試集中方差為0的常量特征。最后，使用皮爾遜相關(guān)系數(shù)、斯皮爾曼等級相關(guān)系數(shù)和Hiton-PC算法進(jìn)行特征選擇，本文設(shè)定閾值為0.8，若某特征和能耗間的皮爾遜相關(guān)系數(shù)或斯皮爾曼等級相關(guān)系數(shù)的絕對值大于等于該閾值，則該特征與能耗是強(qiáng)相關(guān)的，Hiton-PC算法中用于搜索冗余特征的條件特征子集大小設(shè)置為3。

時序預(yù)測方面：結(jié)合本文3.1節(jié)對于能耗預(yù)測問題的定義，本文設(shè)定時序預(yù)測的目標(biāo)是根據(jù)前10 min的歷史數(shù)據(jù)預(yù)測后1 min的能耗，即給定長度為10的歷史數(shù)據(jù)序列X={ztλ+1，ztλ+2，…，ztλ+10}，目標(biāo)是預(yù)測下一時間戳的能耗值Y={ztλ+11[power]}，其中λ是任意起始時間戳。

機(jī)器學(xué)習(xí)模型方面：本文選用DT、隨機(jī)森林（Random forest，RF）、長短期記憶網(wǎng)絡(luò)（Long shortterm memory network，LSTM）和時序卷積網(wǎng)絡(luò)（Temporal convolution network，TCN）這4個常用于序列建模 任務(wù)的模型，其中DT和RF使用Sklearn［22］實現(xiàn)，LSTM和TCN使用Pytorch［23］實現(xiàn)，LSTM和TCN以學(xué)習(xí)率0.01訓(xùn)練300次。為保證可復(fù)現(xiàn)性，所有模型的隨機(jī)數(shù)種子設(shè)置為7。

評價指標(biāo)方面：本文選用平均絕對誤差（Mean absolute error，MAE）和歸一化均方根誤差（Normalized root mean squared error，nRMSE）衡量模型的預(yù)測精度，以yi表示第i個樣本的能耗值，y?i表示預(yù)測的能耗值，n表示樣本數(shù)，σy表示y的標(biāo)準(zhǔn)差，那么MAE和nRMSE的數(shù)學(xué)描述為

3.3 實驗結(jié)果及分析

表5 展示了不同特征選擇算法在3個數(shù)據(jù)集上構(gòu)建的特征子集大小，其中特征子集Chaos是根據(jù)Davis等［14］提出的通用能耗特征集合構(gòu)建。由表5可知，Hiton-PC算法構(gòu)建的因果特征子集最小，約為過濾式特征子集大小的1/3～1/6。由于條件特征子集大小為3，因此Hiton-PC算法的平均時間復(fù)雜度為Ο(|N|?|PC|3)，N為原始特征數(shù)，PC為因果特征子集大小。

表5 特征子集大小Table 5 Size of feature subset

以CPU密集型任務(wù)為例，表6列舉了Hiton-PC算法在ffmpeg數(shù)據(jù)集上構(gòu)建的因果特征子集，其中cpu-0-idle、cpu-2-idle和cpu-3-idle分別表示第0/2/3核CPU的空閑時間，第i核CPU的運行總時間記為cpu-i-time，而CPU的空閑時間與CPU的使用率緊密相關(guān)，由于

表6 ffmpeg的因果特征子集Table 6 Causal feature subset of ffmpeg data set

數(shù)據(jù)集ffmpeg的因果特征子集說明有3核CPU參與執(zhí)行了該項用戶任務(wù)，反映出該項任務(wù)對于CPU的占用率較高，并且ps-state_stopped反映了處于停止?fàn)顟B(tài)的進(jìn)程產(chǎn)生了很多能耗。結(jié)合先驗知識，由于數(shù)據(jù)集ffmpeg是在服務(wù)端持續(xù)運行FFmpeg模擬CPU密集型任務(wù)采集得到，顯然CPU會產(chǎn)生大量能耗；此外，由于FFmpeg的不間斷運行會導(dǎo)致系統(tǒng)內(nèi)其他任務(wù)的掛起，服務(wù)端為了記錄這些掛起任務(wù)的必要信息也會耗費大量能源，因此Hiton-PC算法構(gòu)建的因果特征子集是合理的，并且充分反映出用戶任務(wù)的特點。而過濾式特征子集內(nèi)除了上述5個特征外，還包含了諸如cpu-0-nice、cpu-0-user和cpu-2-nice等20多個冗余特征；通用的能耗特征集合Chaos是以服務(wù)器為最小單位構(gòu)建的，無法區(qū)分不同的用戶任務(wù)，因此同樣存在冗余特征。

表7 記錄了4個模型在3個數(shù)據(jù)集上分別使用5個特征子集訓(xùn)練后在測試集上的預(yù)測精度?？傮w來看，使用因果特征子集訓(xùn)練的模型在75%的情況下取得了最優(yōu)預(yù)測精度，在另外25%的情況下其預(yù)測精度也在可接受的范圍內(nèi)。結(jié)合表5分析，盡管因果特征子集大小遠(yuǎn)小于過濾式特征子集大小，但預(yù)測精度不減反增，這表明因果特征子集是有效的，不僅大大縮減了特征子集規(guī)模，而且盡可能保留了有效信息。

表7 模型預(yù)測結(jié)果Table 7 Model forecast results

結(jié)合wc98-67數(shù)據(jù)集具體分析，圖3～7是使用不同特征子集訓(xùn)練LSTM的擬合曲線。在能耗曲線前半段，5個特征子集的擬合效果相似。在能耗曲線后半段，能耗開始陡然攀升時，只有因果特征子集較為貼切地跟隨真實曲線變化，而其他特征子集則完全脫離了真實曲線的攀升路徑。這是因為冗余特征在一定程度上干擾了模型，特別是在能耗發(fā)生突變時，這些干擾就會導(dǎo)致預(yù)測結(jié)果的不穩(wěn)定。圖8是對應(yīng)的損失曲線，可以發(fā)現(xiàn)因果特征子集很快收斂，這也得益于因果特征子集剔除了較多的冗余特征。

圖3 基于所有特征的擬合曲線Fig.3 Fitting curves based on all features

圖8 LSTM在wc98-67數(shù)據(jù)集上的損失曲線Fig.8 Loss curves of LSTM on wc98-67 data set

圖4 基于皮爾遜系數(shù)特征的擬合曲線Fig.4 Fitting curves based on Pearson features

圖5 基于斯皮爾曼系數(shù)特征的擬合曲線Fig.5 Fitting curves based on Spearman features

圖6 基于Chaos特征的擬合曲線Fig.6 Fitting curves based on Chaos features

圖7 基于Hiton-PC特征的擬合曲線Fig.7 Fitting curves based on Hiton-PC features

4 結(jié)束語

數(shù)據(jù)中心的高能耗低能效問題亟待解決，為了給運維人員設(shè)計任務(wù)流調(diào)度算法提供幫助，本文提出了一套模擬數(shù)據(jù)中心內(nèi)服務(wù)器運行狀態(tài)的仿真環(huán)境架構(gòu)，并將因果特征選擇應(yīng)用到特征分析中，最后通過對比實驗論證了因果特征選擇有更穩(wěn)定的效果。

在用戶任務(wù)固定的靜態(tài)場景下，因果特征選擇能很好地捕捉到用戶任務(wù)的特點，但為了經(jīng)濟(jì)效益最大化，云數(shù)據(jù)中心服務(wù)提供商會將同一臺服務(wù)器出售給多個用戶分時使用，如何在特征漂移的動態(tài)數(shù)據(jù)流場景下進(jìn)行因果特征選擇是本文未來的研究方向。