(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210649578.4 (22)申请日 2022.06.10 (71)申请人 湖南工商大 学 地址 410205 湖南省长 沙市岳麓 大道569号 (72)发明人 李闯　朱单　文艳华　何成文　 刘纯洋　 (74)专利代理 机构 长沙轩荣专利代理有限公司 43235 专利代理师 李崇章 (51)Int.Cl. G06F 9/50(2006.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 边缘数据中心服务器能耗预测方法、 系统、 设备及介质 (57)摘要 本发明实施例中提供了一种边缘数据中心 服务器能耗预测方法、 系统、 设备及介质， 属于数 据处理技术领域， 具体包括： 在运行不同负载任 务下实时监控和采集目标服务器对应的系统数 据； 分别从每个系统数据中提取与能耗相关的特 征数据集； 通过随机森 林算法计算每个特征数据 集中每个特征参数的重要性， 并将 重要性大于阈 值的特征参数形成特征子集； 分别将每个特征子 集输入时序卷积神经网络模型进行训练， 生成每 个负载任务对应的能耗模型； 根据目标服务器当 前的负载任务， 选择对应的能耗模 型预测该服务 器的能耗值。 通过本发明的方案， 基于随机森林 算法筛选特征参数并结合时序卷积神经网络建 立能耗模型， 提高了预测效率和精准度。 权利要求书2页 说明书10页 附图4页 CN 114721835 A 2022.07.08 CN 114721835 A 1.一种边 缘数据中心服 务器能耗预测方法， 其特 征在于， 包括： 步骤1， 在运行不同负载任务下实时监控和采集目标服 务器对应的系统数据； 步骤2， 分别从每 个所述系统数据中提取与能耗相关的特 征数据集； 步骤3， 通过随机森林算法计算每个所述特征数据集中每个特征参数的重要性， 并将重 要性大于阈值的特 征参数形成特征子集； 步骤4， 分别将每个所述特征子集输入时序 卷积神经网络模型进行训练， 生成每个负载 任务对应的能耗模型； 步骤5， 根据所述目标服务器当前的负载任务， 选择对应的能耗模型预测该服务器的能 耗值。 2.根据权利要求1所述的方法， 其特征在于， 所述负载任务包括CPU密集型任务、 内存密 集型任务、 I/O密集型任务和混合型任务。 3.根据权利要求1所述的方法， 其特 征在于， 所述 步骤4之前， 所述方法还 包括： 利用预设公式对所述特 征子集进行归一 化。 4.根据权利要求3所述的方法， 其特 征在于， 所述预设公式为： ， 其中， 和 分别表示所述系统数据中最小值和最大值， 表示原始特征值， 表示归一 化后的值， 为输入的特 征个数。 5.根据权利要求1所述的方法， 其特 征在于， 所述 步骤3具体包括： 步骤3.1， 选择每颗决策树相应的袋外数据并计算 其误差， 记为 ； 步骤3.2， 随机地对袋外数据所有样本的特征 加入噪声干扰， 再次计算它的袋外数据 误差， 记为 ； 步骤3.3， 假设随机森林中有 颗树， 则对于特 征 的重要性 为： ； 步骤3.4， 将重要性大于所述阈值的特 征参数形成特征子集。 6.根据权利要求1所述的方法， 其特征在于， 所述时序卷积神经网络为ResNet架构， 并 由残差连接、 因果卷积和膨胀卷积组成。 7.一种边 缘数据中心服 务器能耗预测系统， 其特 征在于， 包括： 采集模块， 用于在运行不同负载任务下实时监控和采集目标服 务器对应的系统数据； 提取模块， 用于分别从每 个所述系统数据中提取与能耗相关的特 征数据集； 计算模块， 用于通过随机森林算法计算每个所述特征数据集中每个特征参数的重要 性， 并将重要性大于阈值的特 征参数形成特征子集； 训练模块， 用于分别将每个所述特征子集输入时序卷积神经网络模型进行训练， 生成 每个负载任务对应的能耗模型； 预测模块， 用于根据所述目标服务器当前的负载任务， 选择对应的能耗模型预测该服 务器的能耗 值。权　利　要　求　书 1/2 页 2 CN 114721835 A 28.一种电子设备， 其特 征在于， 所述电子设备包括： 至少一个处 理器； 以及， 与所述至少一个处 理器通信连接的存 储器； 其中， 所述存储器存储有可被所述至少一个处理器执行的指令， 所述指令被所述至少一个处 理器执行， 以使所述至少一个处理器能够执行前述权利要求1 ‑6中任一项所述的边缘数据 中心服务器能耗预测方法。 9.一种非暂态计算机可读存储介质， 其特征在于， 该非暂态计算机可读存储介质存储 计算机指令， 该计算机指令用于使该计算机执行前述权利要求1 ‑6中任一项所述的边缘数 据中心服 务器能耗预测方法。权　利　要　求　书 2/2 页 3 CN 114721835 A 3