Learning-Enabled Adaptive Power Capping Scheme for Cloud Data Centers

doi:10.1109/TSG.2025.3598070

Learning-Enabled Adaptive Power Capping Scheme for Cloud Data Centers

2025-08-12

0

PRE

AI

DOI：10.1109/TSG.2025.3598070

原文链接

原文求助

摘要

En 中文

数字经济的快速发展和人工智能的崛起，使云计算数据中心转变为具有巨大能耗和碳排放的基础设施，亟需有效的能源管理。然而，现有方法面临信息不完整、参数不确定和动态环境等挑战，阻碍了其现实应用。本文提出了一种面向云计算数据中心的适应性功率限制框架。通过动态设定能耗上限，可重塑数据中心的功率负载以匹配电价或其他市场信号。为此，我们将功率限制问题建模为部分可观测马尔可夫决策过程。随后，我们开发了一种不确定性感知的基于模型的强化学习（MBRL）方法，以感知云计算数据中心的运行环境并优化功率限制决策。通过将两阶段不确定性感知优化算法融入MBRL，提升了其适应不断变化环境的能力。此外，我们推导了在有限迭代次数下所提方案的最优性差距，确保了复杂和不确定场景下的有效决策。数值实验使用基于阿里巴巴真实生产轨迹构建的云计算数据中心运行环境模拟器，验证了所提方法的有效性，表明其作为云计算数据中心高效能源管理方案的潜力。

Keyword:

Data center

power capping

energy management

uncertainty

model-based reinforcement learning

Learning-Enabled Adaptive Power Capping Scheme for Cloud Data Centers

摘要

期刊

机构

引用论文