一轉眼，2020年就到來了。對于數據中心產業(yè)來說，2020年將是充滿希望和收獲的一年，同時也是在綠色節(jié)能方面壓力更大的一年。與數年前各地熱烈歡迎“高科技”產業(yè)的盛況相反，如今的數據中心“高能耗”產業(yè)名聲在外。如何平衡高速數字化發(fā)展對數據中心的需求，和數據中心給能源、環(huán)保帶來的壓力，是產業(yè)亟需解決的問題。

從社會能耗的角度看，包括我國在內的世界各國都在倡導低PUE的綠色中心建設。去年年初，工信部等三部門聯手發(fā)布了《關于加強綠色數據中心建設的指導意見》，推動全國數據中心向節(jié)能綠色發(fā)展。在這前后，北京、上海、深圳等核心大城市紛紛出臺了相關的產業(yè)政策，嚴控數據中心PUE數值，最低標準已經達到了1.30（深圳地區(qū)甚至有1.25的相關指標），這對現今的數據中心設計、建設和運維是不折不扣的重大挑戰(zhàn)。

從數據中心本身來看，能源支出一直是數據中心運營成本的大頭。根據2015年至2019年期間進行的相關研究表明，數據中心電力成本大約占運營成本的35％至40％。如果對一個典型的大型數據中心能耗進行整體分析便可以發(fā)現，IT系統之外的能源消耗占比大的就是制冷系統。因此，破解用電瓶頸、降低數據中心能耗的關鍵在于提升制冷系統效率。

降低PUE值本意就是削減IT系統之外的能源消耗，如果數據中心的PUE由1.80（2017年全球平均水平）下降到1.30，則意味著IT系統之外的能耗降低了62.5%，整體電力成本則削減了28%。從這里可以看出，控制PUE無疑是節(jié)省成本最有效、直觀的途徑。

“PUE”靠得住么？

而對于“唯PUE”論，行業(yè)內也開始了有了不同的聲音。眾所周知，PUE是衡量數據中心非IT系統能耗占比的一個數值。通過良好設計與建設的數據中心，采用合適的散熱方案，以及精細化運維，理論PUE數值可以降到1.1甚至更少。不過在實際運營中，大部分數據中心是無法達到理論PUE值的。機架空載、業(yè)務波動、氣溫變化等等均可能影響到數據中心的PUE值。

按PUE計算的數據中心制冷功耗的平均比例

IT核心系統用電不能缺少，辦公、照明等系統耗電比例較低，所以降低PUE本質上就是降低制冷系統的能耗。但制冷系統的調整對于整個數據中心溫度的影響并非線性的，簡單的減少制冷系統功率，對于數據中心這樣的復雜體系來說，可能造成不可預估的后果。

IT系統運行需要一個適宜的溫度，目前大部分數據中心服務器溫度都控制的很嚴格，遠低于國家標準以及行業(yè)組織的推薦值。之所以如此，是因為在某些因素影響下，當大部分服務器處在合理溫度區(qū)間內時，部分服務器卻會偶然出現過熱的情況。而一旦溫度超出了服務器的工作極限，就必然面臨出錯、宕機等故障。

與此同時，還要考慮到IT系統在不同溫度下工作的效能問題。機房溫度提升1℃，不等于服務器就同樣提高1℃并且照常運行。相反，可能觸發(fā)服務器本身的散熱、保護系統等，比如服務器、機柜風扇從待機到運行。最終結果是服務器的效率沒有提升，機柜的整體功耗卻有增長。這樣看來，PUE是否還有降低空間需要更加復雜的整體測算。

最后一個問題是，PUE本身只是一個計算數字，最終決定PUE是否“靠譜”的其實是運維人員本身。雖然運維人員可以掌握機房各方面的信息，但在各種復雜信息的干擾下，任何微小的調整，都會對機房這個非線性系統帶來不可預估的后果。當然，運維工程師也可以考慮通過一套完備的公式來預測調整效果，但目前看，還沒有這樣可以完善囊括機房所有影響因素的計算公式，人力也無法時刻準確關注如此復雜的環(huán)境變化。

所以，目前數據中心對PUE以及制冷系統的調整，還處在經驗以及“拍腦袋”共用的“混沌”狀態(tài)。而數據中心數十年的發(fā)展歷史告訴我們，人工運維失誤，永遠是導致數據中心系統宕機的第一因素。

這時，就需要AI來救場了。

iCooling應需而生

廊坊，北臨京都，東接天津，素有“京津走廊明珠”之稱，很多影響京津冀的產業(yè)核心也往往落地于此。華為公有云的北方基地、華北地區(qū)數據樞紐-廊坊云數據中心即建設在這里。目前，華為廊坊云數據中心已投產4500個容量IT負載為36兆瓦的機架，可容納近10萬臺服務器，巨額電力消耗帶來的運營成本居高不下。

華為廊坊云數據中心在下一個十年中容量將增長10倍，并將能夠容納100萬個服務器單元。屆時的電力需求將有10倍甚至更多的增長，不僅華為每年要為此付出數額巨大的電費，也會給園區(qū)供電帶來難以預估的壓力。

節(jié)能減排，控制成本是亟需解決的問題。華為廊坊云數據中心采用了目前所有常見的先進節(jié)能措施，包括行級精密空調、高效供配電，冷熱通道隔離等。在最新的方案還將部署間接蒸發(fā)式自然冷卻（IEC）系統——這是一種新型的自然冷卻（間接蒸發(fā)）系統，可以高效的利用外部冷源，大幅降低制冷系統的電力消耗。

如前文所說，傳統的制冷系統管理雖然久經驗證，但高度依賴運維人員的經驗，從整體看缺乏靈活性和精確性。為了保障服務器的安全運行，大多數機房溫度冗余范圍很大，必然導致能效降低。而復雜的體系，也限制了運維調整空間，只能在幾個固定模式之間切換，無法根據系統的實際用量做出精確的調整。

為了解決這一問題，華為引入了基于AI的系統控制方案——iCooling。

“驗證”引領“普惠”

華為并不是第一個利用AI來控制制冷系統的，谷歌在過去十年中一直嘗試使用DeepMind AI讓AI系統負責部分數據中心的用電來減少數據中心的能源費用。據谷歌透露，截止2014年，AI幫助其數據中心的平均PUE達到1.12，此后幾年均保持并降低了這一平均值，每年因此可節(jié)省40%的制冷費用。按照PUE 1.12計算，不考慮辦公、照明系統的情況下，相當于節(jié)省了近4.8%的電力支出。

在國內，華為無疑是在這條探索的道路上走的最遠的一個，并且取得了令人滿意的階段性成果。2018年5月，華為iCooling解決方案首次被部署在華為廊坊云數據中心的1500個機架上。目前該試點區(qū)域（1500個機架）的年平均PUE已降低至1.3以下，節(jié)省了8％的電力消耗。

AI調控機房環(huán)境，就原理來說與運維工程師的做法并無二致，同樣是通過調整制冷系統比如出風溫度來影響整個機房的溫度。只不過對于人類來說難以同時監(jiān)控并且做出應對大量系統參數的變化，AI處理起來不過是舉手之勞。真正的難點在于，當調整了其中一個參數時，系統中的其它參數將做出如何改變，又應該如何配合。在目前的運維體系中沒有現成的公式或算法可參考。

大數據與AI的結合，是尋找這種算法的利器。通過使用海量的歷史數據來訓練AI神經網絡，讓AI通過機器學習算法，分析PUE與數據中心內具體組件生成的數據之間的聯系，以發(fā)現不同設備與不同系統參數對系統整體的影響。最后，通過建立數學模型，以大量傳感器數據作為輸入參數，最終找到實現所需結果的最佳配置。

在華為廊坊云數據中心，iCooling從700多個監(jiān)控點、傳感器中收集數據，分析這些數據與系統PUE數值、能效之間的關聯度，并成功識別出最重要的21類變量。基于這21類變量，華為iCooling訓練深度神經網絡，建立動態(tài)PUE模型。訓練后的PUE模型預測準確性達到了99.5％，誤差僅為0.005。利用該模型，邊緣AI推理平臺（Atlas 200）可在1分鐘內從140萬中初始組合中找出最佳的制冷策略，其準確性和速度已遠超出具經驗的數據中心工程師的能力

打敗“人類”只是第一步，AI下一步目標是提升整個制冷系統的智能化程度。目前通常整個機房的制冷都基于統一的制冷或散熱的設備，不能做到單體控制。即使對機房、供電等部分單獨供冷，也很難做到保證每一個單元都運行在最優(yōu)溫度區(qū)間內。智能化的制冷系統將根據每個單元的需求，自行調節(jié)供冷功率，大化的降低損耗。

當然，AI在數據中心的應用遠不止調整PUE這一個選項。在運維、風險管理、安全管理等方面，AI也將發(fā)揮重大的作用。不過就目前來講，雖然大多數數據中心企業(yè)表現出了對AI的興趣，但缺乏實踐的現狀，讓AI普及的廣度、深度均不及預期。

好在有眾多類似華為這樣的企業(yè)，以自身業(yè)務為基礎，積極推進AI實踐，為業(yè)界提供可參考的案例。如河南聯通中原基地、寧夏移動中衛(wèi)數據中心等項目中也都有了AI節(jié)能方面的應用，樹立了綠色數據中心的新標桿。

相信隨著iCooling以及一系列AI技術在數據中心運營和管理中的作用越來越廣泛，“智能運維”、“無人值守”等概念不再只是被反復提及的“熱詞”。

數據中心只是AI的落腳點之一，在各行各業(yè)中AI均能發(fā)揮出人力所無法達到的作用。例如iCooling還可用于智能樓宇能源管理，可以監(jiān)控和優(yōu)化工業(yè)園區(qū)、大學和校園的用電情況，從能源角度打造真正的“智慧園區(qū)”。只有不斷將類似的技術或者理念深入到生活、生產中的方方面面，AI的普惠之路才真正延伸到人類社會中。