Различия

Показаны различия между двумя версиями страницы.

--- topics:02:models [2025/09/28 17:05] – 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).
-  * **Серверные нагрузки и инстансы** — с 57 млн (2010) до 372 млн (2018); прогноз 567 млн к 2021.
-  * **Хранилища** — от 20 ЗБ (2018) до 150 ЗБ к 2025 (оценка IDC/Seagate).
-<WRAP info round>
+Основные драйверы роста нагрузки:
-Рост спроса отражает не только объёмы трафика, но и **структурные изменения**: переход от традиционных дата-центров к облачным и гипермасштабным ЦОДам, где энергоэффективность выше.
+  * Искусственный интеллект.
+  * Интернет вещей.
+  * Цифровое производство.
+<WRAP important>
+* ЦОДы являются крайне энергоёмкими объектами.
+* Увеличение потребления энергии в глобальном масштабе ставит задачи устойчивого управления.
 </WRAP>
-===== Подходы к моделированию =====
+===== Тенденции спроса на услуги ЦОД =====
-На глобальном уровне применяются два метода:
-  * **Снизу вверх (bottom-up)** — детализированный учёт парка оборудования и инфраструктуры.
-  * **Экстраполяция (top-down)** — расчёты по макроиндикаторам и трендам спроса.
-Оба метода используются в комбинации: первый даёт базу и детализацию, второй — позволяет строить прогнозы при дефиците данных.
+Для оценки спроса используют макроуровневые показатели, позволяющие фиксировать направление развития отрасли.
-===== Bottom-up метод =====
+Основные индикаторы:
-Модель суммирует энергопотребление всех категорий оборудования и умножает результат на коэффициент энергоэффективности (PUE):
+  * **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%.
-<code latex>
+<WRAP info>
-E^{DC}=\Bigg(\sum_{j}(\sum_{i}E^{server}_{ij}+\sum_{i}E^{storage}_{ij}+\sum_{i}E^{network}_{ij})\Bigg)\cdot PUE_j
+* Макроуровневые показатели дают устойчивую картину развития отрасли.
-</code>
+* Облачные и гипермасштабные центры вытесняют традиционные ЦОД.
+</WRAP>
-Где:
+===== Подходы к моделированию энергопотребления =====
-  * $E^{server}_{ij}$ — энергия серверов в пространстве *j*.
-  * $E^{storage}_{ij}$ — энергия систем хранения.
-  * $E^{network}_{ij}$ — энергия сетевых устройств.
-  * $PUE_j$ — коэффициент Power Usage Effectiveness для данного пространства.
-<WRAP tip round>
+Исторически применяются два метода:
-Ключ к достоверности bottom-up моделей — корректный выбор **типов пространств и категорий оборудования**.
+^ Подход              ^ Преимущества                                         ^ Ограничения                               ^
+| Bottom-up           | Точная детализация, учёт оборудования и инфраструктуры | Высокая трудоёмкость, дорогие исследования |
+| Экстраполяция       | Простота, доступность статистики                     | Высокая неопределённость, ограниченная объяснительная сила |
+==== Bottom-up подход ====
+Оценка энергопотребления строится на основе данных о серверах, системах хранения, сетевых устройствах и инфраструктуре.
+Общая модель:
+<WRAP center>
+$$
+E^{DC} = \left( \sum_{i,j} E^{server}_{ij} + \sum_{i,j} E^{storage}_{ij} + \sum_{i,j} E^{network}_{ij} \right) \times PUE_j
+$$
 </WRAP>
-**Пример типизации (таблица 2.1):**
+Где:
+  * \(E^{DC}\) — общее потребление энергии ЦОД (кВт⋅ч/год).
+  * \(E^{server}_{ij}\) — 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*.
-^ Тип пространства ^ Класс серверов ^ Устройства хранения ^ Сеть ^
+<WRAP info>
-| Серверный шкаф (<9 м²) | Массовый сегмент (<$25k) | HDD | 100 Мбит/с |
+* Bottom-up позволяет точно учитывать оборудование.
-| Серверная (9–93 м²) | Массовый сегмент (<$25k) | HDD | 1 Гбит/с |
+* Используется PUE как универсальный коэффициент для сопоставления.
-| Локализованный ЦОД (46–186 м²) | Средний сегмент ($25k–250k) | SSD | 10 Гбит/с |
+</WRAP>
-| 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 =====
+==== Экстраполяционные подходы ====
-Использует базовые значения энергопотребления и прогнозные коэффициенты:
-*Через CAGR:*
+Метод основывается на базовых значениях энергопотребления, которые экстраполируются с использованием прогнозируемых коэффициентов роста.
-<code latex>
+Формулы:
-E_{i+n}^{DC}=E_i^{DC}\cdot (1+\text{CAGR})^n
-</code>
-*Через рост трафика и эффективность:*
+<WRAP center>
+$$
+E^{DC}_{i+n} = E^{DC}_i \times (1 + CAGR)^n
+$$
+</WRAP>
-<code latex>
+<WRAP center>
-E_{i+n}^{DC}=E_i^{DC}\cdot (1+GR_{IP})^n \cdot (1-GR_{eff})^n
+$$
-</code>
+E^{DC}_{i+n} = E^{DC}_i \times (1 + GR_p)^n \times (1 - GR_{eff})^n
+$$
+</WRAP>
-<WRAP alert round>
+Где:
-Преимущество — простота и малые требования к данным.
+  * \(CAGR\) — среднегодовой темп роста энергопотребления ЦОД.
-Ограничение — отсутствие технологической детализации и высокая чувствительность к выбранным параметрам.
+  * \(GR_p\) — темп роста глобального IP-трафика.
+  * \(GR_{eff}\) — фактор эффективности.
+<WRAP important>
+* Экстраполяция менее точна, так как использует ограниченное число параметров.
+* Слабо объясняет взаимосвязь технологических изменений и потребления энергии.
 </WRAP>
-===== Сравнение методов =====
+==== Типовые категории устройств ====
+^ 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 |
-^ 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 =====
+===== Ключевые идеи =====
-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>
+<WRAP tip>
-**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.
+* 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>