====== Методики моделирования энергопотребления ======

===== Значение энергопотребления центров обработки данных =====

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.  

Основные драйверы роста нагрузки:
  * Искусственный интеллект.
  * Интернет вещей.
  * Цифровое производство.  

<WRAP important>
* ЦОДы являются крайне энергоёмкими объектами.
* Увеличение потребления энергии в глобальном масштабе ставит задачи устойчивого управления.
</WRAP>

===== Тенденции спроса на услуги ЦОД =====

Для оценки спроса используют макроуровневые показатели, позволяющие фиксировать направление развития отрасли.  

Основные индикаторы:
  * **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%.  

<WRAP info>
* Макроуровневые показатели дают устойчивую картину развития отрасли.  
* Облачные и гипермасштабные центры вытесняют традиционные ЦОД.  
</WRAP>

===== Подходы к моделированию энергопотребления =====

Исторически применяются два метода:  

^ 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>

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*.  

<WRAP info>
* Bottom-up позволяет точно учитывать оборудование.  
* Используется PUE как универсальный коэффициент для сопоставления.  
</WRAP>

==== Экстраполяционные подходы ====

Метод основывается на базовых значениях энергопотребления, которые экстраполируются с использованием прогнозируемых коэффициентов роста.

Формулы:

<WRAP center>
$$
E^{DC}_{i+n} = E^{DC}_i \times (1 + CAGR)^n
$$
</WRAP>

<WRAP center>
$$
E^{DC}_{i+n} = E^{DC}_i \times (1 + GR_p)^n \times (1 - GR_{eff})^n
$$
</WRAP>

Где:  
  * \(CAGR\) — среднегодовой темп роста энергопотребления ЦОД.  
  * \(GR_p\) — темп роста глобального IP-трафика.  
  * \(GR_{eff}\) — фактор эффективности.  

<WRAP important>
* Экстраполяция менее точна, так как использует ограниченное число параметров.  
* Слабо объясняет взаимосвязь технологических изменений и потребления энергии.  
</WRAP>

==== 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 |


===== Ключевые идеи =====

<WRAP tip>
* 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>