众所周知,数据中心需要消耗大量电力,将数据中心连接到能够提供足够电力的能源是当今行业面临的最大挑战之一。
然而,获取充足的电力供应只是成功的一半。同样重要的是确保数据中心可用的能源能够得到充分利用。
当无法充分利用时,数据中心就会受到滞留电力的困扰——这可以说是数据中心设计师和运营商为维持IT基础设施持续扩张而必须克服的最大但却被忽视的挑战之一。
什么是滞留电力
在数据中心中,滞留电力是指设施可用但未使用的能源。换句话说,滞留电力代表总分配电力与实际消耗之间的差距。
例如,假设一个数据中心的电网连接设计为供应100兆瓦的电力。然而,由于运营效率低下,它只使用了80兆瓦。在这种情况下,该数据中心有20兆瓦的滞留电力。
滞留电力的成因
各种情况都可能导致数据中心消耗的电力少于为其配置的电力量。滞留电力的常见原因包括:
空闲IT设备:服务器在空闲时通常消耗较少的能源。因此,如果服务器托管的工作负载大部分时间都不活跃,服务器可能不会消耗分配给它们的所有能源。
IT基础设施规模不足:数据中心包含的服务器可能少于设计支持的数量——要么是因为企业选择不部署数据中心设计师预期的那么多服务器,要么是因为机架设计或布局效率低下等问题限制了设施能够支持的服务器总数。在这两种情况下,结果都是数据中心使用的能源少于分配的数量。
冷却能力有限:如果数据中心没有足够的冷却能力,它能够支持的总基础设施规模和工作负载将受到限制,导致能源可用性超过使用量的情况。
过度配置的备用容量:数据中心设计师通常会提供一定量的备用能源容量,以确保设施在峰值需求期间不会耗尽电力。如果他们设计的余量过高——例如,他们计划比预期数据中心需要的电力多30%——数据中心最终会有大量滞留电力。
为什么滞留电力是个问题
滞留电力对数据中心行业构成挑战,因为现有数据中心中滞留的能源越多,可用于支持数据中心扩张的能源就越少。
这是因为滞留电力不能轻易重新分配给另一个设施。
如果能源提供商承诺向一个数据中心供应100兆瓦的电力,它不能简单地将该容量的未使用部分重新分配给不同的数据中心,因为存在第一个设施在其实际能源使用增加回100兆瓦时会遇到问题的风险。
滞留电力也可能造成经济浪费。它迫使数据中心运营商为他们不需要的能源容量付费。
识别和缓解滞留电力
确定数据中心是否存在滞留电力问题相当简单。运营商可以将流经设施中央电表(假设有的话)的总能源与配置容量进行比较。
然而,挑战在于弄清楚滞留电力的确切原因。来自中央电表的数据在这方面不是很有用,因为它没有显示哪些设备使用了多少电力,也没有解释为什么服务器级或机架级的电力消耗低于预期。
获得这种类型的可见性需要通过个别配电单元(PDU)、分支电路、基板管理控制器(BMC)或其他提供数据中心能源使用精细视图的设备来监控能源使用。有了这些洞察,数据中心运营商可以确定需要进行哪些更改来使能源消耗与可用性保持一致。
因此,对精细电力监控的投资是值得的。这不仅仅是跟踪和优化单个服务器或工作负载的电力消耗。这也关乎避免整个数据中心的滞留电力。
跟踪数据中心的冷却能力也有助于缓解滞留电力问题,特别是在冷却系统的设计容量低于实际输出的数据中心中。
如果服务器机房运行温度高于预期,并且因此限制了服务器总数,这表明提高冷却系统效率——或扩展冷却系统——将有助于解决整体滞留电力问题。
Q&A
Q1:什么是数据中心滞留电力?
A:滞留电力是指数据中心设施可用但未使用的能源,代表总分配电力与实际消耗之间的差距。例如,数据中心电网连接设计为供应100兆瓦电力,但实际只使用80兆瓦,那么就有20兆瓦的滞留电力。
Q2:滞留电力会带来什么问题?
A:滞留电力限制了数据中心的扩张能力,因为这些未使用的能源不能轻易重新分配给其他设施。同时也造成经济浪费,迫使数据中心运营商为不需要的能源容量付费。
Q3:如何识别和解决数据中心滞留电力问题?
A:运营商可以通过比较中央电表的总能源流量与配置容量来识别问题。解决方法包括通过配电单元、分支电路等设备进行精细电力监控,跟踪冷却能力,以及优化服务器利用率和基础设施配置。
好文章,需要你的鼓励
在技术快速发展的时代,保护关键系统越来越依赖AI、自动化和行为分析。数据显示,2024年95%的数据泄露源于人为错误,64%的网络事件由员工失误造成。虽然先进的网络防御技术不断发展,但人类判断仍是最薄弱环节。网络韧性不仅是技术挑战,更是人员和战略需求。建立真正的韧性需要机器精确性与人类判断力的结合,将信任视为战略基础设施的关键要素,并将网络韧性提升为国家安全的核心组成部分。
南洋理工大学团队开发了Uni-MMMU基准测试,专门评估AI模型的理解与生成协同能力。该基准包含八个精心设计的任务,要求AI像人类一样"边看边想边画"来解决复杂问题。研究发现当前AI模型在这种协同任务上表现不平衡,生成能力是主要瓶颈,但协同工作确实能提升问题解决效果,为开发更智能的AI助手指明了方向。
自计算机诞生以来,人们就担心机器会背叛创造者。近期AI事件包括数据泄露、自主破坏行为和系统追求错误目标,暴露了当前安全控制的弱点。然而这种结果并非不可避免。AI由人类构建,用我们的数据训练,在我们设计的硬件上运行。人类主导权仍是决定因素,责任仍在我们。
360 AI Research团队发布的FG-CLIP 2是一个突破性的双语精细视觉语言对齐模型,能够同时处理中英文并进行精细的图像理解。该模型通过两阶段训练策略和多目标联合优化,在29个数据集的8类任务中均达到最先进性能,特别创新了文本内模态对比损失机制。团队还构建了首个中文多模态评测基准,填补了该领域空白,为智能商务、安防监控、医疗影像等应用开辟新可能。