冷却数据中心似乎很简单。你安装了传统的HVAC设备,把空气吹过数据中心,然后就到此为止了,对吗?
嗯,不一定。数据中心冷却是一个复杂的话题,很容易犯错,会降低冷却系统的效率和有效性。
考虑到这一事实,我们来看看以下几个数据中心冷却过程中常见的错误,以及如何避免这些错误的技巧。
1、只考虑风冷
空气冷却是指在数据中心内循环空气以散发服务器和其他设备的热量,这是冷却数据中心的一种传统方法,也是最简单的方法,就前期成本而言是最便宜的方法,因为空气循环设备的安装相对便宜。
但你还应该考虑空气冷却的另一种选择:液体冷却,也就是使用液体进行散热。事实上,液体冷却在帮助数据中心设备散热方面的效率,要比空气冷却高10倍,缺点是液体冷却系统的安装成本要高得多,维护起来也更复杂。
因此,在确定液体冷却是否适合你的时候,需要考虑预算、数据中心硬件产生的热量、以及消散热量的速度。
关键是,认为空气冷却是唯一可用的解决方案,这种想法本身是错误的。在规划如何冷却数据中心时,也请务必考虑液体冷却系统。
2、每个机架放置了过多的服务器
如果使用空气冷却,空气在服务器机架内循环的能力对于有效散热来说,将是至关重要的。每个机架中如果塞入太多的服务器,则有可能阻碍空气的流通。
因此,请考虑如果每个机架装满了会给冷却带来怎样的影响。尽管你想确保不会浪费太多机架空间,但保留一些开放空间(特别是分布在机架中的开放空间)有助于防止可能使空气难以流动的问题,85%或者90%的机架空间利用率是一个比较合理的目标。
3、机架放置不理想
数据中心地板上服务器机架的布置,也会在很大程度上影响空气冷却的效率。有多种方法可以优化机架布局以实现冷却目的,哪种方法最适合你,取决于数据中心设施可以容纳气流的程度。
优化冷却效率的传统策略称为热通道/冷通道。在这种方法下,服务器机架的前部彼此相对,以便从服务器机架后部排出的热空气消散到机架之间的过道中。
如果热空气被简单地吸收到整个数据中心设施中,那么热通道/冷通道通常是最好的冷却方法,但如果你在设施中内置了空气遏制系统,则可以让服务器的背面彼此相对,并将热空气引导到封闭的空间,然后在那里消散。
这里的要点是,你必须考虑整个数据中心设施的设计,以确定如何放置机架。如果你有宽敞的开放空间,热通道/冷通道机架布局是管理冷却的最佳方式,但更先进的数据中心提供了空气遏制方法,为热通道/冷通道布置提供了更有效的替代方案。
4、缺乏散热数据
你在设计冷却系统时期望的性能,可能与实际性能是不一致的。但除非你持续追踪冷却性能,否则你是不会了解这一点的。
这就是为什么监控整个数据中心的温度很重要。通过从设施内的多个位置收集温度数据,你可以知道散热瓶颈在哪——例如,如果服务器机架内空间的收缩导致热空气聚集在不应聚集的地方,则可能会发生这种情况。温度监控还有助于识别设备故障(如风扇损坏)导致冷却效率低下的情况。
5、忘记了屋顶
数据中心的屋顶可能看起来不是数据中心冷却的重要考虑因素,但事实确实如此。屋顶的颜色和材料会影响冷却效率,尤其是在室外温度和阳光照射较高的地区。
出于冷却目的而优化屋顶,并不像优化服务器机架布局等措施那么重要,但在规划冷却策略时,屋顶仍然应该被列入你要考虑的项目清单之中。
结论
数据中心冷却比通常看起来的要复杂。为了正确实施,你必须考虑多种因素,例如使用哪种类型的冷却系统、如何在数据中心内布置设备、以及如何收集有关冷却性能的数据。简单地吹空气来冷却设备可能就能冷却,但这可能并不是最具成本效益、或者最具能源效率的方式。
好文章,需要你的鼓励
IDC数据显示,Arm架构服务器出货量预计2025年将增长70%,但仅占全球总出货量的21.1%,远低于Arm公司年底达到50%市场份额的目标。大规模机架配置系统如英伟达DGX GB200 NVL72等AI处理设备推动了Arm服务器需求。2025年第一季度全球服务器市场达到创纪录的952亿美元,同比增长134.1%。IDC将全年预测上调至3660亿美元,增长44.6%。配备GPU的AI服务器预计增长46.7%,占市场价值近半。
斯坦福与哈佛研究团队通过创新的"层次贝叶斯框架",首次从理性分析角度解释了AI学习策略转换机制。研究发现AI会在"记忆型"和"理解型"两种策略间理性选择,转换规律遵循损失-复杂度权衡原理。该理论框架仅用三个参数就能准确预测AI在不同条件下的行为表现,为AI系统的可控性和可预测性提供了重要理论基础。
AI正在重塑创业公司的构建方式,这是自云计算出现以来最重大的变革。January Ventures联合创始人Jennifer Neundorfer将在TechCrunch All Stage活动中分享AI时代的新规则,涵盖从创意验证、产品开发到团队架构和市场策略的各个方面。作为专注于B2B早期投资的风投合伙人,她将为各阶段创业者提供关键洞察。
这项研究汇集了来自斯坦福大学、苏黎世联邦理工学院、隆德大学、加州大学旧金山分校等多所世界顶尖学府的11位医学专家,共同构建了医学AI领域的首个多模态情境学习评估标准。