Различия

Показаны различия между двумя версиями страницы.

--- topics:02:models [2025/09/28 17:21] – admin
+++ topics:02:models [2025/09/28 17:31] (текущий) – [Типовые категории устройств] admin
@@ Строка 1: / Строка 1: @@
 ====== Методики моделирования энергопотребления ======
-ЦОДы — критически важная инфраструктура цифровой экономики. Рост трафика, вычислительных инстансов и объёмов хранения делает энергопотребление ключевым объектом планирования и оптимизации.
+===== Значение энергопотребления центров обработки данных =====
-===== 1. Драйверы нагрузки (макроиндикаторы) =====
+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.
-<WRAP column 33%>
+Основные драйверы роста нагрузки:
-**IP-трафик**
+  * Искусственный интеллект.
-  * 2010 — 1,1 ЗБ/год
+  * Интернет вещей.
-  * 2016 — 6,8 ЗБ/год
+  * Цифровое производство.
-  * 2021 — 20,6 ЗБ/год (CAGR ~25%)
-  * Доля «больших данных»: 12% → 20% (2016→2021)
+<WRAP important>
+* ЦОДы являются крайне энергоёмкими объектами.
+* Увеличение потребления энергии в глобальном масштабе ставит задачи устойчивого управления.
 </WRAP>
-<WRAP column 33%>
-**Серверные нагрузки и инстансы**
+===== Тенденции спроса на услуги ЦОД =====
-  * 2010 — 57,5 млн
-  * 2018 — 371,7 млн
+Для оценки спроса используют макроуровневые показатели, позволяющие фиксировать направление развития отрасли.
-  * 2021 — 566,6 млн (CAGR ~15%)
-  * Сдвиг: традиц. ЦОД → облачные/гипермасштабные (~94% к 2021)
+Основные индикаторы:
-</WRAP>
+  * **Глобальный IP-трафик ЦОД.**
-<WRAP column 34%>
+    - 2010: 1.2 ZB/год.
-**Объёмы хранения**
+    - 2016: 6.8 ZB/год.
-  * 2018 — ~20 ЗБ
+    - 2021: прогноз 20.6 ZB/год (CAGR 25%).
-  * 2025 — ~150 ЗБ (рост ×7,5)
+  * **Big Data.** В 2016 году занимали 12% всего трафика, к 2021 году доля достигла 20%.
-  * CAGR установленных объёмов до 2021 — ~31%
+  * **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%.
+<WRAP info>
+* Макроуровневые показатели дают устойчивую картину развития отрасли.
+* Облачные и гипермасштабные центры вытесняют традиционные ЦОД.
 </WRAP>
-----
+===== Подходы к моделированию энергопотребления =====
-===== 2. Подходы к моделированию =====
+Исторически применяются два метода:
-==== 2.1 Детализированный («снизу вверх», bottom-up) ====
+^ Подход              ^ Преимущества                                         ^ Ограничения                               ^
+| Bottom-up           | Точная детализация, учёт оборудования и инфраструктуры | Высокая трудоёмкость, дорогие исследования |
+| Экстраполяция       | Простота, доступность статистики                     | Высокая неопределённость, ограниченная объяснительная сила |
-Аддитивная модель по ИТ-группам и типам помещений с учётом PUE.
+==== Bottom-up подход ====
+Оценка энергопотребления строится на основе данных о серверах, системах хранения, сетевых устройствах и инфраструктуре.
+Общая модель:
 <WRAP center>
 $$
-E^{DC}=\Bigg(\sum_{j}\big(\sum_{i}E^{server}_{ij}+\sum_{i}E^{storage}_{ij}+\sum_{i}E^{network}_{ij}\big)\Bigg)\cdot PUE_{j}
+E^{DC} = \left( \sum_{i,j} E^{server}_{ij} + \sum_{i,j} E^{storage}_{ij} + \sum_{i,j} E^{network}_{ij} \right) \times PUE_j
 $$
 </WRAP>
-* *\(E^{DC}\)* — энергопотребление ЦОД (кВт·ч/год)
+Где:
-* *\(E^{server}_{ij}, E^{storage}_{ij}, E^{network}_{ij}\)* — потребление серверов, хранилищ и сетевых устройств для класса *i* в пространстве типа *j*
+  * \(E^{DC}\) — общее потребление энергии ЦОД (кВт⋅ч/год).
-* *\(PUE_j\)* — коэффициент Power Usage Effectiveness соответствующего пространства
+  * \(E^{server}_{ij}\) — 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>
-**Плюсы**
+* Bottom-up позволяет точно учитывать оборудование.
-  * Высокая точность и объяснительная сила
+* Используется PUE как универсальный коэффициент для сопоставления.
-  * Привязка к технологиям, конфигурациям и операциям
-**Минусы**
-  * Большие требования к данным (часто закрытые источники)
-  * Более высокая стоимость и трудоёмкость
 </WRAP>
-**Ориентировочные категории для расчёта:**
+==== Экстраполяционные подходы ====
-  * Шкафы <9 м² — сервера <\$25k, HDD, сеть 100 Мбит/с
-  * Серверные 9–93 м² — сервера <\$25k, HDD, сеть 1 Гбит/с
-  * Средние ЦОДы 186–1 858 м² — сервера \$25–250k, SSD, ≥40 Гбит/с
-  * Облачные/гипермасштабные >3 700 м² — сервера >\$250k, ленточные, ≥40 Гбит/с
-----
+Метод основывается на базовых значениях энергопотребления, которые экстраполируются с использованием прогнозируемых коэффициентов роста.
-==== 2.2 Экстраполяции по индикаторам ====
+Формулы:
-Вариант 1 — по среднегодовому темпу роста (CAGR):
 <WRAP center>
 $$
-E^{DC}_{i+n}=E^{DC}_{i}\cdot(1+\mathrm{CAGR})^{n}
+E^{DC}_{i+n} = E^{DC}_i \times (1 + CAGR)^n
 $$
 </WRAP>
-Вариант 2 — с разложением по спросу (например, IP-трафик) и улучшению эффективности:
 <WRAP center>
 $$
-E^{DC}_{i+n}=E^{DC}_{i}\cdot(1+GR_{IP})^{n}\cdot(1-GR_{eff})^{n}
+E^{DC}_{i+n} = E^{DC}_i \times (1 + GR_p)^n \times (1 - GR_{eff})^n
 $$
 </WRAP>
+Где:
+  * \(CAGR\) — среднегодовой темп роста энергопотребления ЦОД.
+  * \(GR_p\) — темп роста глобального IP-трафика.
+  * \(GR_{eff}\) — фактор эффективности.
 <WRAP important>
-**Плюсы**
+* Экстраполяция менее точна, так как использует ограниченное число параметров.
-  * Простота и скорость
+* Слабо объясняет взаимосвязь технологических изменений и потребления энергии.
-  * Небольшие требования к данным
-**Минусы**
-  * Высокая неопределённость
-  * Слабая связь с технологическими и операционными факторами
-  * Ограниченная пригодность для разработки политики и инженерных решений
 </WRAP>
-----
+==== Типовые категории устройств ====
-===== 3. Сопоставление подходов =====
+^ 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          ^ Когда применять                           ^ Преимущества                           ^ Ограничения                           ^
-| Bottom-up       | Проектная/политическая аналитика, технико-экономические расчёты, аудит энергоэффективности | • Точность • Объяснимость • Технологическая детализация | • Дорого/долго • Нужны детальные и закрытые данные |
-| Экстраполяции   | Быстрая оценка трендов, сценарные прикидки, верхнеуровневые прогнозы                    | • Простота • Низкая трудоёмкость                       | • Неустойчивость к допущениям • Нет причинно-следственных выводов |
-----
+===== Ключевые идеи =====
-===== Ключевые идеи =====
 <WRAP tip>
-* Рост трафика, вычислений и хранения напрямую давит на энергопотребление.
+* Энергопотребление ЦОД — один из ключевых факторов устойчивого развития.
-* Bottom-up даёт точные и объяснимые оценки, но требует данных и ресурсов.
+* Основные драйверы спроса: рост IP-трафика, big data, облачные вычисления и рост хранения.
-* Экстраполяции полезны для быстрых прогнозов, но чувствительны к параметрам.
+* Bottom-up метод наиболее точен, но трудоёмок.
-* PUE — базовая метрика для учёта доли инженерной инфраструктуры.
+* Экстраполяция проста, но менее надёжна.
-* Комбинация подходов: bottom-up для базовой точки, экстраполяции — для сценариев.
+* Показатели PUE и CAGR — ключевые метрики для оценки.
-* Выбор метода зависит от цели: политика/инженерия → bottom-up; быстрый тренд → экстраполяция.
+* Переход к облачным и гипермасштабным ЦОД радикально меняет энергопрофиль отрасли.
 </WRAP>