Методики моделирования энергопотребления

ЦОДы — критически важная инфраструктура цифровой экономики. Рост трафика, вычислительных инстансов и объёмов хранения делает энергопотребление ключевым объектом планирования и оптимизации.

1. Драйверы нагрузки (макроиндикаторы)

IP-трафик

2010 — 1,1 ЗБ/год
2016 — 6,8 ЗБ/год
2021 — 20,6 ЗБ/год (CAGR ~25%)
Доля «больших данных»: 12% → 20% (2016→2021)

Серверные нагрузки и инстансы

2010 — 57,5 млн
2018 — 371,7 млн
2021 — 566,6 млн (CAGR ~15%)
Сдвиг: традиц. ЦОД → облачные/гипермасштабные (~94% к 2021)

Объёмы хранения

2018 — ~20 ЗБ
2025 — ~150 ЗБ (рост ×7,5)
CAGR установленных объёмов до 2021 — ~31%

2. Подходы к моделированию

2.1 Детализированный («снизу вверх», bottom-up)

Аддитивная модель по ИТ-группам и типам помещений с учётом PUE.

$$ E^{DC}=\Bigg(\sum_{j}\big(\sum_{i}E^{server}_{ij}+\sum_{i}E^{storage}_{ij}+\sum_{i}E^{network}_{ij}\big)\Bigg)\cdot PUE_{j} $$

* *$E^{DC}$* — энергопотребление ЦОД (кВт·ч/год) * *$E^{server}_{ij}, E^{storage}_{ij}, E^{network}_{ij}$* — потребление серверов, хранилищ и сетевых устройств для класса *i* в пространстве типа *j* * *$PUE_j$* — коэффициент Power Usage Effectiveness соответствующего пространства

Плюсы

Высокая точность и объяснительная сила
Привязка к технологиям, конфигурациям и операциям

Минусы

Большие требования к данным (часто закрытые источники)
Более высокая стоимость и трудоёмкость

Ориентировочные категории для расчёта:

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

2.2 Экстраполяции по индикаторам

Вариант 1 — по среднегодовому темпу роста (CAGR):

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

Вариант 2 — с разложением по спросу (например, IP-трафик) и улучшению эффективности:

$$ E^{DC}_{i+n}=E^{DC}_{i}\cdot(1+GR_{IP})^{n}\cdot(1-GR_{eff})^{n} $$

Плюсы

Простота и скорость
Небольшие требования к данным

Минусы

Высокая неопределённость
Слабая связь с технологическими и операционными факторами
Ограниченная пригодность для разработки политики и инженерных решений

3. Сопоставление подходов

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

* Рост трафика, вычислений и хранения напрямую давит на энергопотребление. * Bottom-up даёт точные и объяснимые оценки, но требует данных и ресурсов. * Экстраполяции полезны для быстрых прогнозов, но чувствительны к параметрам. * PUE — базовая метрика для учёта доли инженерной инфраструктуры. * Комбинация подходов: bottom-up для базовой точки, экстраполяции — для сценариев. * Выбор метода зависит от цели: политика/инженерия → bottom-up; быстрый тренд → экстраполяция.