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^{DC}=\Bigg(\sum_{j}(\sum_{i}E^{server}_{ij}+\sum_{i}E^{storage}_{ij}+\sum_{i}E^{network}_{ij})\Bigg)\cdot 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}^{DC}=E_i^{DC}\cdot (1+\text{CAGR})^n

*Через рост трафика и эффективность:*

E_{i+n}^{DC}=E_i^{DC}\cdot (1+GR_{IP})^n \cdot (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.