关键词：数据中心 温度预测 长短期记忆网络 服务器入口温度 

摘要：大数据和云计算时代推动数据中心规模迅速扩大,有调查研究显示,国内数据中心年耗电量超过全社会用电量的1.5%,且在数据中心运行时高达10%的机柜运行温度高于设备可靠性的允许范围。温度监测和预测对于防止服务器过热而停机和提高数据中心的能源效率至关重要。文中提出了一种基于长短期记忆网络(LSTM)的温度预测算法,该算法使用数据中心温度监控数据和服务器实际运行参数生成时间序列训练集来训练神经网络模型并预测服务器入口温度。为了降低预测模型的训练时间,基于热局部性原理提出了一种联合建模框架,显著降低了在线温度预测建模的复杂性。在一个有15台服务器的测试台上进行了实验验证,结果表明该方法可以准确地预测动态工作负载的服务器的入口温度演变。

计算机技术与发展杂志要求:

{1}参考文献著录格式请参照国家标准《文后参考文献著录规则》(GB7714-87)。

{2}鼓励首发，反对抄袭、剽窃等侵犯他人著作权的行为。由此给本刊造成不良后果的，本刊将追究责任。

{3}本刊稿件从发表之日起，如无电子版、网络版、有声版等方面特殊说明，即视作投稿者同意授权本刊电子版、网络版、有声版等的复制权、汇编权、发行权、翻译权、信息网络传播权及其转授权等专著权。

{4}中文题名一般不超过20个汉字，一般不使用副题名，中英文题名含义一致。

{5}投稿请填写真实有效的详细地址、邮政编码、联系电话及E-mail，以便联系。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社