Различия

Показаны различия между двумя версиями страницы.

--- topics:02:models [2025/09/28 17:05] – создано admin
+++ topics:02:models [2025/09/28 17:31] (текущий) – [Типовые категории устройств] admin
@@ Строка 1: / Строка 1: @@
 ====== Методики моделирования энергопотребления ======
-Рост цифровой экономики приводит к резкому увеличению нагрузки на центры обработки данных (ЦОД). Чтобы прогнозировать последствия и управлять энергоэффективностью, используются модели энергопотребления. Они позволяют связать рост трафика и вычислительных нагрузок с фактическими затратами электроэнергии, выявить риски и определить меры для оптимизации.
+===== Значение энергопотребления центров обработки данных =====
-===== Значение и тренды спроса =====
+Рост цифровизации привёл к экспоненциальному увеличению спроса на услуги обработки, хранения и передачи данных. ЦОДы стали ключевой инфраструктурой цифровой экономики, а энергоёмкость этих объектов вызывает устойчивый интерес к вопросам мониторинга и управления энергопотреблением.
-ЦОДы обрабатывают всё больше данных, а энергопотребление растёт параллельно.
-Ключевые макроиндикаторы:
-IP-трафик ЦОДов — к 2021 году достиг 20,6 ЗБ/год (рост в 25% CAGR с 2016).
+Основные драйверы роста нагрузки:
+  * Искусственный интеллект.
+  * Интернет вещей.
+  * Цифровое производство.
-Серверные нагрузки и инстансы — с 57 млн (2010) до 372 млн (2018); прогноз 567 млн к 2021.
+<WRAP important>
+* ЦОДы являются крайне энергоёмкими объектами.
+* Увеличение потребления энергии в глобальном масштабе ставит задачи устойчивого управления.
+</WRAP>
-Хранилища — от 20 ЗБ (2018) до 150 ЗБ к 2025 (оценка IDC/Seagate).
+===== Тенденции спроса на услуги ЦОД =====
-<WRAP info round> Рост спроса отражает не только объёмы трафика, но и **структурные изменения**: переход от традиционных дата-центров к облачным и гипермасштабным ЦОДам, где энергоэффективность выше. </WRAP>
+Для оценки спроса используют макроуровневые показатели, позволяющие фиксировать направление развития отрасли.
-===== Подходы к моделированию =====
+Основные индикаторы:
-На глобальном уровне применяются два метода:
+  * **Глобальный IP-трафик ЦОД.**
+    - 2010: 1.2 ZB/год.
+    - 2016: 6.8 ZB/год.
+    - 2021: прогноз 20.6 ZB/год (CAGR 25%).
+  * **Big Data.** В 2016 году занимали 12% всего трафика, к 2021 году доля достигла 20%.
+  * **Количество серверных нагрузок и вычислительных экземпляров.**
+    - 2010: 57.5 млн.
+    - 2018: 371.7 млн. (рост в 6 раз за 8 лет).
+    - 2021: прогноз 566.6 млн. (CAGR 15%).
+  * **Структура размещения.**
+    - 2010: 79% вычислений — традиционные ЦОД.
+    - 2018: 89% — облачные и гипермасштабные ЦОД.
+    - 2021: только 6% в традиционных ЦОД.
+  * **Ёмкость хранения данных.**
+    - 2018: 20 ZB.
+    - Прогноз 2025: 150 ZB (рост в 7.5 раза).
+    - CAGR хранения до 2021: 31%.
-Снизу вверх (bottom-up) — детализированный учёт парка оборудования и инфраструктуры.
+<WRAP info>
+* Макроуровневые показатели дают устойчивую картину развития отрасли.
+* Облачные и гипермасштабные центры вытесняют традиционные ЦОД.
+</WRAP>
-Экстраполяция (top-down) — расчёты по макроиндикаторам и трендам спроса.
+===== Подходы к моделированию энергопотребления =====
-Оба метода используются в комбинации: первый даёт базу и детализацию, второй — позволяет строить прогнозы при дефиците данных.
+Исторически применяются два метода:
-===== Bottom-up метод =====
+^ Подход              ^ Преимущества                                         ^ Ограничения                               ^
-Модель суммирует энергопотребление всех категорий оборудования и умножает результат на коэффициент энергоэффективности (PUE):
+| Bottom-up           | Точная детализация, учёт оборудования и инфраструктуры | Высокая трудоёмкость, дорогие исследования |
+| Экстраполяция       | Простота, доступность статистики                     | Высокая неопределённость, ограниченная объяснительная сила |
-𝐸
+==== Bottom-up подход ====
-𝐷
-𝐶
-=
-(
-∑
-𝑗
-(
-∑
-𝑖
-𝐸
-𝑖
-𝑗
-𝑠
-𝑒
-𝑟
-𝑣
-𝑒
-𝑟
-+
-∑
-𝑖
-𝐸
-𝑖
-𝑗
-𝑠
-𝑡
-𝑜
-𝑟
-𝑎
-𝑔
-𝑒
-+
-∑
-𝑖
-𝐸
-𝑖
-𝑗
-𝑛
-𝑒
-𝑡
-𝑤
-𝑜
-𝑟
-𝑘
-)
-)
-⋅
-𝑃
-𝑈
-𝐸
-𝑗
-E
-DC
-=(
-j
-∑
-(
+Оценка энергопотребления строится на основе данных о серверах, системах хранения, сетевых устройствах и инфраструктуре.
-i
-∑
-E
+Общая модель:
-ij
-server
-+
+<WRAP center>
-i
+$$
-∑
+E^{DC} = \left( \sum_{i,j} E^{server}_{ij} + \sum_{i,j} E^{storage}_{ij} + \sum_{i,j} E^{network}_{ij} \right) \times PUE_j
+$$
+</WRAP>
-E
+Где:
-ij
+  * \(E^{DC}\) — общее потребление энергии ЦОД (кВт⋅ч/год).
-storage
+  * \(E^{server}_{ij}\) — потребление серверов класса *i* в пространстве *j*.
+  * \(E^{storage}_{ij}\) — потребление систем хранения.
+  * \(E^{network}_{ij}\) — потребление сетевых устройств.
+  * \(PUE_j\) — коэффициент эффективности использования энергии для пространства *j*.
-+
+<WRAP info>
-i
+* Bottom-up позволяет точно учитывать оборудование.
-∑
+* Используется PUE как универсальный коэффициент для сопоставления.
+</WRAP>
-E
+==== Экстраполяционные подходы ====
-ij
-network
-))⋅PUE
+Метод основывается на базовых значениях энергопотребления, которые экстраполируются с использованием прогнозируемых коэффициентов роста.
-j
+Формулы:
-Где:
+<WRAP center>
+$$
+E^{DC}_{i+n} = E^{DC}_i \times (1 + CAGR)^n
+$$
+</WRAP>
-$E^{server}_{ij}$ — энергия серверов в пространстве j.
+<WRAP center>
+$$
+E^{DC}_{i+n} = E^{DC}_i \times (1 + GR_p)^n \times (1 - GR_{eff})^n
+$$
+</WRAP>
-$E^{storage}_{ij}$ — энергия систем хранения.
+Где:
+  * \(CAGR\) — среднегодовой темп роста энергопотребления ЦОД.
+  * \(GR_p\) — темп роста глобального IP-трафика.
+  * \(GR_{eff}\) — фактор эффективности.
-$E^{network}_{ij}$ — энергия сетевых устройств.
+<WRAP important>
+* Экстраполяция менее точна, так как использует ограниченное число параметров.
+* Слабо объясняет взаимосвязь технологических изменений и потребления энергии.
+</WRAP>
-$PUE_j$ — коэффициент Power Usage Effectiveness для данного пространства.
+==== Типовые категории устройств ====
-<WRAP tip round> Ключ к достоверности bottom-up моделей — корректный выбор **типов пространств и категорий оборудования**. </WRAP>
+^ Тип ЦОД (площадь, м²)    ^ Серверный класс       ^ Системы хранения   ^ Скорость портов коммутаторов ^
+| Серверная комната (<10 м²)      | Volume server (<$25,000)    | HDD               | 100 Mbps |
+| Серверная (10–90 м²)            | Volume server (<$25,000)    | HDD               | 1,000 Mbps |
+| Локализованный ЦОД (50–190 м²)  | Midrange server ($25–250k)  | SSD               | 10 Gbps |
+| Средний ЦОД (190–1 860 м²)       | Midrange server ($25–250k)  | SSD               | ≥40 Gbps |
+| Крупный ЦОД (1 860–3 720 м²)     | High-end server (>$250k)    | Архивные ленты    | ≥40 Gbps |
+| Гипермасштабный (>3 720 м²)      | High-end server (>$250k)    | Архивные ленты    | ≥40 Gbps |
-Пример типизации (таблица 2.1):
-^ Тип пространства ^ Класс серверов ^ Устройства хранения ^ Сеть ^
+===== Ключевые идеи =====
-| Серверный шкаф (<9 м²) | Массовый сегмент (<$25k) | HDD | 100 Мбит/с |
-| Серверная (9–93 м²) | Массовый сегмент (<$25k) | HDD | 1 Гбит/с |
-| Локализованный ЦОД (46–186 м²) | Средний сегмент ($25k–250k) | SSD | 10 Гбит/с |
-| ЦОД среднего уровня (186–1858 м²) | Средний сегмент | SSD | ≥40 Гбит/с |
-| Облачный ЦОД (1858–3716 м²) | Высокопроизводительные | Ленточные архивы | ≥40 Гбит/с |
-| Гипермасштабный (>3716 м²) | Высокопроизводительные | Ленточные архивы | ≥40 Гбит/с |
-===== Экстраполяция =====
+<WRAP tip>
-Использует базовые значения энергопотребления и прогнозные коэффициенты:
+* Энергопотребление ЦОД — один из ключевых факторов устойчивого развития.
+* Основные драйверы спроса: рост IP-трафика, big data, облачные вычисления и рост хранения.
+* Bottom-up метод наиболее точен, но трудоёмок.
+* Экстраполяция проста, но менее надёжна.
+* Показатели PUE и CAGR — ключевые метрики для оценки.
+* Переход к облачным и гипермасштабным ЦОД радикально меняет энергопрофиль отрасли.
+</WRAP>
-Через CAGR:
-𝐸
-𝑖
-+
-𝑛
-𝐷
-𝐶
-=
-𝐸
-𝑖
-𝐷
-𝐶
-⋅
-(
-+
-CAGR
-)
-𝑛
-E
-i+n
-DC
-=E
-i
-DC
-⋅(1+CAGR)
-n
-Через рост трафика и эффективность:
-𝐸
-𝑖
-+
-𝑛
-𝐷
-𝐶
-=
-𝐸
-𝑖
-𝐷
-𝐶
-⋅
-(
-+
-𝐺
-𝑅
-𝐼
-𝑃
-)
-𝑛
-⋅
-(
-−
-𝐺
-𝑅
-𝑒
-𝑓
-𝑓
-)
-𝑛
-E
-i+n
-DC
-=E
-i
-DC
-⋅(1+GR
-IP
-)
-n
-⋅(1−GR
-eff
-)
-n
-<WRAP alert round> Преимущество — простота и малые требования к данным. Ограничение — отсутствие технологической детализации и высокая чувствительность к выбранным параметрам. </WRAP>
-===== Сравнение методов =====
-^ Подход ^ Плюсы ^ Минусы ^
-| Bottom-up | Детализация, технологическая база, высокая точность | Требует много данных, дорогие исследования |
-| Экстраполяция | Простота, быстрый прогноз на макроуровне | Большая неопределённость, слабая объяснительная сила |
-===== Итог =====
-Обе методики дополняют друг друга. Bottom-up создаёт базу и обосновывает расчёты, а экстраполяция позволяет быстро оценивать историческую динамику и сценарные прогнозы. В практике глобальной аналитики чаще всего применяются гибридные модели, которые используют сильные стороны обоих подходов.
-<WRAP success round> **Ключевой вывод:** устойчивое развитие ЦОДов невозможно без системного моделирования энергопотребления. Bottom-up даёт детализацию, экстраполяция — стратегический взгляд. Их сочетание обеспечивает надёжные прогнозы для планирования и политики в области энергоэффективности. </WRAP>