[논문]다중 기계 학습을 활용한 데이터 센터의 냉방 에너지 절감 시스템에 관한 연구

장현철

[국내논문] 다중 기계 학습을 활용한 데이터 센터의 냉방 에너지 절감 시스템에 관한 연구
A Study on the Cooling Energy Saving System for Data Centers Using Multi-Machine Learning 원문보기

장현철 (고려대학교 컴퓨터정보통신대학원 빅데이터 융합학과)

최근 클라우드 시스템 환경이 점차 늘어남에 따라 데이터 센터(IDC) 구축이 점차 늘어나가고 있다. 데이터 센터는 최근 부각하고 있는 4 차 산업 영역에서 사물 인터넷(IoT), 자율주행차 등 에서 처리될 대용량 데이터로 인한 이를 처리하는 중요한 역할을 담당하고 있다. 데이터센터 운영에는 대량의 에너지가 필요하다. 수 많은 컴퓨터에서 발생하는 열에너지를 처리하기 위하여 대량의 전력 냉방 에너지를 소비하고 있다. 냉방 공조 운영은 데이터 센터 운영에 중요한 역할을 한다. 이유는 많은 컴퓨터를 가동하는 비용보다 부대 시설로 운영되는 냉방 에너지를 보다 많이 소비하는 현상까지 발생하고 있다. 이에 최근 데이터 센터 냉방 공조 운영을 효율화하는 것에 연구를 맞추고 있다. 본 논문에서는 냉방 공조 운영 효율화 하도록 하기 위해서 다중 기계 학습을 활용한 데이터 센터의 냉방 에너지 절감 시스템을 제안하고자 한다. 기존의 단수 알고리즘을 활용하여 머신 러닝의 모델구현 방식이 아닌 다중의 기계 학습을 통하여 최적화된 모델을 일일 배치로 생성하여 예측을 하는 시스템이다. 본 시스템을 통하여 사전에 최적화된 냉방 운영을 하여 기존 데이터 센터의 운영되는 과다 냉방을 감축 시켜 에너지를 절감해주는 기능을 제공한다. 본 논문 시스템 연구 결과는 폭발적으로 늘어가고 있는 데이터 센터의 에너지 효율화에 기여할 수 있고, 클라우드 사업에서 경쟁력을 줄 수 있는 운영 시스템 방안을 제시한다.

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 시스템은 PUE 최적 관리를 위하여 AI 기반의 기술인 머신 러닝을 활용하여 냉방 에너지 절약하는 시스템 구축을 제안한다 . 이 시스템 운영 방식은 그림 1 과 같이 진행이 된다.

제안 방법

그리고 또한 일일 배치 방식으로 학습 진행하여 모델을 생성하여 최신의 센서 정보를 바탕으로 데이터를 수집하여 최종적으로 모델을 학습시키는 방식을 취하고 있다. 2 가지 방식을 통하여 최종적으로 데이터 센터에서 발생하는 열에너지를 효율화하기 위한 시스템을 제시한다.
예를 들면 12 가지의 알고리즘 방식으로 훈련 데이터를 통하여 학습시켜서 12가지의 알고리즘 방식으로 모델을 생성하고 생성된 모델을 시험 데이터에 MAPE 방식으로 계산하여 오차율을 확인하고 이 중에서 가장 효과적인 모델을 선정하는 방식으로 시스템은 구현되고 있다. 그리고 또한 일일 배치 방식으로 매일 같이 모델을 학습을 진행하여 새로 생성된 정보를 획득하여 정보 모델을 생성하여 진행한다.
그림 3 은 데이터 전처리 단계에 대한 설명으로 장비 센서로부터 수집 되는 데이터 “전력 사용량”(항온항습기 분전반, IT 분전반, LN 분전반), “온도”(항온항습기 환기 온도, 항온항습기 설정 온도, 서버 렉별 실내온도, 냉각탑 공급 온도, 냉각탑 환수 온도, 외기 온도), ”습도”(항온항습기 환기 습도, 항온항습기 설정 습도, 서버 렉별 실내 습도, 외기 습도) 과 같은 크게 3 가지 형태의 정보를 받아 이상치 제거, 결측 정보를 처리하여 최종 분석 SET 형태로 구성한다.
본 프로젝트 시스템은 다중의 모델을 통하여 우수한 모델을 자동화하여 선정하는 방식을 제안하여 하나의 단수 알고리즘만을 제공하는 방식이 아닌 다중의 모델 중 우수한 모델을 선정하여 예측 모델을 선정하는 기능을 제시한다. 그리고 또한 일일 배치 방식으로 학습 진행하여 모델을 생성하여 최신의 센서 정보를 바탕으로 데이터를 수집하여 최종적으로 모델을 학습시키는 방식을 취하고 있다.
이때 훈련 데이터를 훈련 시키는 과정에 Caret 패키지를 활용하여 다중의 알고리즘을 훈련시킨다. 이때 훈련 과정에서 MAPE(Mean Absolute Percentage Error)를 통하여 성능의 정확도를 측정한다.

대상 데이터

그림 3 은 데이터 전처리 단계에 대한 설명으로 장비 센서로부터 수집 되는 데이터 “전력 사용량”(항온항습기 분전반, IT 분전반, LN 분전반), “온도”(항온항습기 환기 온도, 항온항습기 설정 온도, 서버 렉별 실내온도, 냉각탑 공급 온도, 냉각탑 환수 온도, 외기 온도), ”습도”(항온항습기 환기 습도, 항온항습기 설정 습도, 서버 렉별 실내 습도, 외기 습도) 과 같은 크게 3 가지 형태의 정보를 받아 이상치 제거, 결측 정보를 처리하여 최종 분석 SET 형태로 구성한다. 이를 통하여 분석 SET 을 기초 통계를 통하여 현황 분석을 진행하였고 날짜, 온 습도와 전력사용량 간의 상관 분석을 통하여 데이터간의 상관 관계를 분석하여 최종적으로 120 개 변수를 선정하여 모델의 학습 정보로 구성하였다. 분석 데이터 셋에서 미래 예측 데이터 셋을 만드는 과정은 이월 대체 (LOCF-Last Observation Carried Forward)[6] 기법을 활용하여 미래 예측 데이터 셋을 만든다.

이론/모형

이를 활용한 이유는 직관적으로 백분율(%)로 표현이 되기에 오차 정도를 시각적으로 시스템적으로 계산이 효율적이며 해석하기가 쉽다. 따라서 모델의 성능평가에는 MAPE 를 활용하여 진행하였다.
이를 통하여 분석 SET 을 기초 통계를 통하여 현황 분석을 진행하였고 날짜, 온 습도와 전력사용량 간의 상관 분석을 통하여 데이터간의 상관 관계를 분석하여 최종적으로 120 개 변수를 선정하여 모델의 학습 정보로 구성하였다. 분석 데이터 셋에서 미래 예측 데이터 셋을 만드는 과정은 이월 대체 (LOCF-Last Observation Carried Forward)[6] 기법을 활용하여 미래 예측 데이터 셋을 만든다. LOCF 는 최종 MISSING 시점에서 마지막 관측치를 앞으로 보낸다 라는 의미로 다른 말로 마지막 값으로 결측되는 값을 대체한다라는 의미로 현재 프로젝트 시스템에서는 최초 예측 전력량을 예측하기 위해서는 온습도의 변화도 중요한 요소이므로 이를 확인하기 위해서는 예측 데이터 셋이 필요하여 이 방법을 선택하여 미래 예측 데이터 셋을 사용하였다.

성능/효과

본 프로젝트의 기술적인 운영 방식은 머신 러닝을 활용하여 최적의 운영을 위하여 효율적인 권장 온도를 예측하여 PUE 을 최적화 시키며, 동적 최적 모델 선정 방법으로 모델을 생성하여 데이터 수집에 따라 일일 단위로 모델을 학습하여 생성하는 방식으로 진행되고 있다는 점이 기존 산업계와 학계와의 차이점이다.

후속연구

향후 과제로써 데이터 셋을 만드는 과정에서 머신러닝을 활용하여 미래 예측 정보를 대치하는 방식과 보다 빠른 시스템 구현을 위하여 시스템 메모리 관리 부분을 추가적으로 연구하며 다양한 구조의 데이터 센터 구조에서도 바로 도입을 할 수 있는 방안에 대하여 향후 연구하여 본 연구 시스템에서 보안 점들을 향후 과제에서는 향상 시킬 예정이다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

[국내논문] 다중 기계 학습을 활용한 데이터 센터의 냉방 에너지 절감 시스템에 관한 연구
A Study on the Cooling Energy Saving System for Data Centers Using Multi-Machine Learning 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 다중 기계 학습을 활용한 데이터 센터의 냉방 에너지 절감 시스템에 관한 연구 A Study on the Cooling Energy Saving System for Data Centers Using Multi-Machine Learning 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 다중 기계 학습을 활용한 데이터 센터의 냉방 에너지 절감 시스템에 관한 연구
A Study on the Cooling Energy Saving System for Data Centers Using Multi-Machine Learning 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper