Это старая версия документа!
Содержание
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 и тренды спроса
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).
Рост спроса отражает не только объёмы трафика, но и структурные изменения: переход от традиционных дата-центров к облачным и гипермасштабным ЦОДам, где энергоэффективность выше.
Подходы к моделированию
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.
Bottom-up метод
Модель суммирует энергопотребление всех категорий оборудования и умножает результат на коэффициент энергоэффективности (PUE):
𝐸 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 ∑
( i ∑
E ij server
+ i ∑
E ij storage
+ i ∑
E ij network
))⋅PUE j
Где:
$E^{server}_{ij}$ — 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.
Ключ к достоверности bottom-up моделей — корректный выбор типов пространств и категорий оборудования.
Пример типизации (таблица 2.1):
| Тип пространства | Класс серверов | Устройства хранения | Сеть |
|---|---|---|---|
| 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
Использует базовые значения энергопотребления и прогнозные коэффициенты:
Через CAGR:
𝐸 𝑖 + 𝑛 𝐷 𝐶 = 𝐸 𝑖 𝐷 𝐶 ⋅ ( 1 + 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 ⋅ ( 1 + 𝐺 𝑅 𝐼 𝑃 ) 𝑛 ⋅ ( 1 − 𝐺 𝑅 𝑒 𝑓 𝑓 ) 𝑛 E i+n DC
=E i DC
⋅(1+GR IP
) n ⋅(1−GR eff
) n
Преимущество — простота и малые требования к данным. Ограничение — отсутствие технологической детализации и высокая чувствительность к выбранным параметрам.
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.
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.