Это старая версия документа!
Содержание
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.
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%.
* 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 𝐷 𝐶 E DC — общее потребление энергии ЦОД (кВт⋅ч/год).
𝐸 𝑖 𝑗 𝑠 𝑒 𝑟 𝑣 𝑒 𝑟 E ij server
— потребление серверов класса i в пространстве j.
𝐸 𝑖 𝑗 𝑠 𝑡 𝑜 𝑟 𝑎 𝑔 𝑒 E ij storage
— потребление систем хранения.
𝐸 𝑖 𝑗 𝑛 𝑒 𝑡 𝑤 𝑜 𝑟 𝑘 E ij network
— потребление сетевых устройств.
𝑃 𝑈 𝐸 𝑗 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:
𝐶 𝐴 𝐺 𝑅 CAGR — среднегодовой темп роста энергопотребления ЦОД.
𝐺 𝑅 𝑝 GR p
— темп роста глобального IP-трафика.
𝐺 𝑅 𝑒 𝑓 𝑓 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 | Серверный класс | Системы хранения | Скорость портов коммутаторов |
|---|---|---|---|
| Серверная комната (<100 ft²) | Volume server (<$25,000) | HDD | 100 Mbps |
| Серверная (100–1,000 ft²) | Volume server (<$25,000) | HDD | 1,000 Mbps |
| Локализованный ЦОД (500–2,000 ft²) | Midrange server ($25–250k) | SSD | 10 Gbps |
| Средний ЦОД (2,000–20,000 ft²) | Midrange server ($25–250k) | SSD | ≥40 Gbps |
| Крупный ЦОД (20,000–40,000 ft²) | High-end server (>$250k) | Архивные ленты | ≥40 Gbps |
| Гипермасштабный (>40,000 ft²) | 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.