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.

* ЦОДы являются крайне энергоёмкими объектами. * Увеличение потребления энергии в глобальном масштабе ставит задачи устойчивого управления.

Тенденции спроса на услуги ЦОД

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

Основные индикаторы:

Глобальный IP-трафик ЦОД.
1. 2010: 1.2 ZB/год.
2. 2016: 6.8 ZB/год.
3. 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.
1. 2010: 57.5 млн.
2. 2018: 371.7 млн. (рост в 6 раз за 8 лет).
3. 2021: прогноз 566.6 млн. (CAGR 15%).
Структура размещения.
1. 2010: 79% вычислений — традиционные ЦОД.
2. 2018: 89% — облачные и гипермасштабные ЦОД.
3. 2021: только 6% в традиционных ЦОД.
Ёмкость хранения данных.
1. 2018: 20 ZB.
2. Прогноз 2025: 150 ZB (рост в 7.5 раза).
3. CAGR хранения до 2021: 31%.

* Макроуровневые показатели дают устойчивую картину развития отрасли. * Облачные и гипермасштабные центры вытесняют традиционные ЦОД.

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:

$$ E^{DC} = \left( \sum_{i,j} E^{server}_{ij} + \sum_{i,j} E^{storage}_{ij} + \sum_{i,j} E^{network}_{ij} \right) \times PUE_j $$

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*.

* Bottom-up позволяет точно учитывать оборудование. * Используется PUE как универсальный коэффициент для сопоставления.

Экстраполяционные подходы

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

Формулы:

$$ E^{DC}_{i+n} = E^{DC}_i \times (1 + CAGR)^n $$

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

Где:

$CAGR$ — среднегодовой темп роста энергопотребления ЦОД.
$GR_p$ — темп роста глобального IP-трафика.
$GR_{eff}$ — фактор эффективности.

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

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

* 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.