بهینه سازی مصرف انرژی در مراکز داده ابری با استفاده از یادگیری تقویتی عمیق و پیش بینی بار کاری

مراکز داده ابری به عنوان ستون فقرات اقتصاد دیجیتال مدرن با رشد بی سابقه ای در مصرف انرژی مواجه هستند. افزایش روزافزون محاسبات ابری، داده های بزرگ و برنامه های مبتنی بر هوش مصنوعی فشار قابل توجهی بر زیرساخت های انرژی وارد کرده است. این مقاله به بررسی روش های بهینه سازی مصرف انرژی در مراکز داده ابری با استفاده از ترکیب یادگیری تقویتی عمیق و پیش بینی بار کاری می پردازد. ابتدا چالش های اصلی مصرف انرژی در مراکز داده شامل تجهیزات فناوری اطلاعات، سیستم های سرمایشی و توزیع بار کاری بررسی می شود، سپس معماری یادگیری تقویتی عمیق برای کنترل پویای سیستم های سرمایش و تخصیص منابع معرفی می گردد. در ادامه روش های پیش بینی بار کاری مبتنی بر شبکه های عصبی عمیق مانند حافظه کوتاه مدت طولانی و شبکه های توجه برای مدیریت پیشگیرانه مصرف انرژی ارائه می شود. نتایج مطالعات تجربی نشان می دهد که رویکرد ترکیبی پیشنهادی می تواند مصرف انرژی را تا ۱۵ درصد در زیرسیستم فناوری اطلاعات و تا ۱۱ درصد در سیستم سرمایش کاهش دهد، در حالی که شاخص اثر بخشی توان را تا سطح ۱٫۳۳ بهبود می بخشد. این مقاله همچنین چالش های پیاده سازی این روش ها در محیط های واقعی و مسیرهای تحقیقاتی آتی را مورد بحث قرار می دهد.

کلیدواژه ها:

بهینه سازی مصرف انرژی ، مراکز داده ابری ، یادگیری تقویتی ، عمیق ، پیش بینی بار کاری ، شاخص اثر بخشی توان