服务器的散热控制方法和装置、存储介质及电子设备与流程

本技术实施例涉及计算机领域，具体而言，涉及一种服务器的散热控制方法和装置、存储介质及电子设备。

背景技术：

1、目前，服务器散热主要依靠风扇系统，通过调整风扇转速来控制内部温度。但是，现有风扇调控策略存在一些问题，尤其是在噪音控制和散热效率之间找到平衡点方面。传统策略倾向于通过提高转速来快速降温，但这会产生大量噪音，不仅干扰数据中心的工作环境，还可能对维护人员健康造成影响。另一方面，降低噪音的策略可能会牺牲一定的散热效果，增加设备过热的风险，尤其在高负载情况下，可能导致性能下降或系统崩溃。

2、此外，一些智能风扇调控系统虽然使用了温度传感器和动态调整机制，但通常依赖简单的线性控制，比如，在温度传感器检测到当前的温度高于一个阈值时，将风扇转速置于特定的挡位，这种方式基于当前的温度，由于温度实时变化，通常导致风扇转速在短时间内激增，噪音较大。该调风扇转速节方式难以适应复杂多变的运行环境，反应不够快，调控策略单一，不能很好地平衡不同负载和温度下的噪音与散热需求。

3、针对相关技术中，服务器风扇对服务器进行散热的过程中散热效果和风扇噪声的平衡性较差等问题，尚未提出有效的解决方案。

技术实现思路

1、本技术实施例提供了一种服务器的散热控制方法和装置、存储介质及电子设备，以至少解决相关技术中，服务器风扇对服务器进行散热的过程中散热效果和风扇噪声的平衡性较差等问题。

2、根据本技术实施例的一个实施例，提供了一种服务器的散热控制方法，服务器上部署了处理器、待散热部件和服务器风扇，所述方法应用于所述处理器，所述方法包括：

3、在检测到所述服务器当前的温度参数状态为温度异常状态的情况下，获取所述待散热部件对应的温度参数序列，以及所述服务器风扇对应的风扇转速序列，其中，所述温度参数序列记录了所述待散热部件在历史时间段内的温度参数，所述风扇转速序列记录了所述服务器风扇在所述温度参数序列中所记录的各个温度参数下所对应的风扇转速；

4、通过目标预测模型根据所述温度参数序列和所述风扇转速序列对所述服务器风扇的风扇转速进行预测，得到预测风扇转速，其中，所述目标预测模型为使用标注了风扇转速标签的目标训练样本对初始预测模型进行训练得到的，所述目标训练样本包括：温度参数序列样本和风扇转速序列样本，所述风扇转速标签为允许在所述目标训练样本对应的时间段样本之后将所述服务器的所述温度参数状态切换至温度正常状态的风扇转速，所述服务器风扇在所述风扇转速标签下运行时所产生的风扇噪声参数小于噪声阈值；

5、控制所述服务器风扇在所述历史时间段之后按照所述预测风扇转速运行。

6、可选的，所述通过目标预测模型根据所述温度参数序列和所述风扇转速序列对所述服务器风扇的风扇转速进行预测，得到预测风扇转速，包括：

7、将所述温度参数序列和所述风扇转速序列构建为目标参数序列；

8、将所述目标参数序列输入所述目标预测模型，得到所述目标预测模型输出的所述预测风扇转速。

9、可选的，所述目标预测模型包括n个转速预测层和目标全连接层，第n-1个所述转速预测层的输出为第n个所述转速预测层的输入，第n个所述转速预测层的输出为所述目标全连接层的输入，n为大于1的整数，所述将所述目标参数序列输入所述目标预测模型，得到所述目标预测模型输出的所述预测风扇转速，包括：

10、将第t-1个所述转速预测层输出的第t-1个预测转速、第t-1个转速预测辅助值和所述目标参数序列输入第t个所述转速预测层；

11、通过第t个所述转速预测层根据第t-1个所述预测转速、第t-1个所述转速预测辅助值和所述目标参数序列生成第t个预测转速和第t个转速预测辅助值，其中，t为大于或者等于1且小于n的整数，在t取值1时，将预设转速、预设辅助值和所述目标参数序列输入第t个所述转速预测层；在t取值n时，将第t个所述转速预测层输出的第t个所述预测转速输入至所述目标全连接层，并将所述目标全连接层输出的所述预测转速确定为所述预测风扇转速。

12、可选的，所述通过第t个所述转速预测层根据第t-1个所述预测转速 、第t-1个所述转速预测辅助值 和所述目标参数序列 生成第t个预测转速和第t个转速预测辅助值，包括：

13、通过第t个所述转速预测层中的参数合并神经网络 合并第t-1个所述转速预测辅助值和所述目标参数序列，得到合并输出门参数 ；

14、将所述合并输出门参数分别输入第t个所述转速预测层中的第一s型神经网络、第二s型神经网络和第一双曲正切神经网络，得到所述第一s型神经网络输出的遗忘门参数 、所述第二s型神经网络输出的输入门参数 和所述第一双曲正切神经网络输出的第一状态更新参数 ，其中，所述第一s型神经网络和所述第二s型神经网络均为s型神经网络，所述s型神经网络包括全连接层和sigmoid激活函数，所述s型神经网络用于对所述合并输出门参数进行非线性变换以遗忘部分参数特征，所述第一双曲正切神经网络为双曲正切神经网络，所述双曲正切神经网络用于对所述合并输出门参数进行非线性变换；

15、根据第t-1个所述预测转速、所述遗忘门参数、所述输入门参数、所述第一状态更新参数生成第t个所述预测转速 ；

16、根据第t个所述预测转速和所述合并输出门参数生成第t个所述转速预测辅助值。

17、可选的，所述根据第t-1个所述预测转速、所述遗忘门参数、所述输入门参数、所述第一状态更新参数生成第t个所述预测转速，包括：

18、控制第t-1个所述预测转速和所述遗忘门参数执行点乘运算得到第一点乘参数，同时控制所述输入门参数和所述第一状态更新参数执行点乘运算得到第二点乘参数 ；

19、控制所述第一点乘参数和所述第二点乘参数执行逐点相加运算，得到第t个所述预测转速 。

20、可选的，所述根据第t个所述预测转速和所述合并输出门参数生成第t个所述转速预测辅助值，包括：

21、将第t个所述预测转速输入第二双曲正切神经网络，得到所述第二双曲正切神经网络输出的第二状态更新参数，其中，所述第二双曲正切神经网络为双曲正切神经网络，所述双曲正切神经网络用于对所述合并输出门参数进行非线性变换；

22、控制所述第二状态更新参数和所述合并输出门参数执行点乘运算得到第t个所述转速预测辅助值 。

23、可选的，在所述通过目标预测模型根据所述温度参数序列和所述风扇转速序列对所述服务器风扇的风扇转速进行预测，得到预测风扇转速之前，所述方法还包括 ：

24、生成所述目标训练样本；

25、通过所述目标训练样本对所述初始预测模型进行训练直至所述初始预测模型的模型参数收敛得到所述目标预测模型。

26、可选的，所述生成所述目标训练样本，包括 ：

27、构建参考预测模型，其中，所述参考预测模型的参数数量大于所述目标预测模型的参数数量；

28、通过所述参考预测模型生成所述目标训练样本。

29、可选的，所述构建参考预测模型，包括 ：

30、获取p个参考训练样本，其中，每个所述参考训练样本包括：温度参数序列样本和风扇转速序列样本，p为大于1的整数；

31、使用p个所述参考训练样本和均衡参数检测系统对备选预测模型进行q轮训练，直至所述备选预测模型的模型参数收敛，得到所述参考预测模型，其中，q为大于1的整数，所述均衡参数检测系统用于在所述备选预测模型的每一轮训练中，检测所述备选预测模型输出的备选风扇转速在所述参考训练样本对应的时间段样本之后将所述服务器的所述温度参数状态切换至温度正常状态的能力，以及所述服务器风扇在所述备选风扇转速下运行时所产生的所述风扇噪声参数的大小。

32、可选的，所述使用p个所述参考训练样本和均衡参数检测系统对备选预测模型进行q轮训练，直至所述备选预测模型的模型参数收敛，得到所述参考预测模型，包括：

33、通过如下步骤使用p个所述参考训练样本和所述均衡参数检测系统对备选预测模型进行q轮中的第t轮训练，其中，t为大于或者等于1且小于或者等于q的整数：

34、从p个所述参考训练样本中提取出第t轮训练待使用的所述参考训练样本；

35、将第t-1轮训练得到的所述备选预测模型确定为第t轮待训练的所述备选预测模型，其中在t取值1时，将未经训练的所述备选预测模型确定为第t轮待训练的所述备选预测模型；

36、将第t轮训练待使用的所述参考训练样本输入至第t轮待训练的所述备选预测模型，得到第t轮待训练的所述备选预测模型输出的第t轮备选风扇转速；

37、通过所述均衡参数检测系统检测第t轮所述备选风扇转速对应的第t轮转速均衡参数，其中，第t轮转速均衡参数用于指示第t轮所述备选风扇转速在第t轮训练待使用的所述参考训练样本对应的时间段样本之后，将所述服务器的所述温度参数状态切换至温度正常状态的能力，以及所述服务器风扇在第t轮所述备选风扇转速下运行时所产生的所述风扇噪声参数的大小，所述转速均衡参数越大表示第t轮所述备选风扇转速在所述参考训练样本对应的时间段样本之后，将所述服务器的所述温度参数状态切换至温度正常状态的能力越强，同时所述服务器风扇在第t轮所述备选风扇转速下运行时所产生的所述风扇噪声参数越小；

38、在第t轮所述转速均衡参数小于预设均衡参数阈值的情况下，对第t轮待训练的所述备选预测模型的模型参数进行调整，得到第t轮训练得到的所述备选预测模型，并从p个所述参考训练样本中提取出未使用的所述参考训练样本作为第t+1轮训练待使用的所述参考训练样本继续第t+1轮训练；

39、在第t轮所述转速均衡参数大于或者等于所述预设均衡参数阈值的情况下，结束训练，并将第t轮待训练的所述备选预测模型确定为所述参考预测模型。

40、可选的，在所述通过所述均衡参数检测系统检测第t轮所述备选风扇转速对应的第t轮转速均衡参数之后，所述方法还包括 ：

41、在第t轮所述转速均衡参数大于或者等于所述预设均衡参数阈值的情况下，检测所述第t轮训练之前所述转速均衡参数连续大于所述预设均衡参数阈值的次数，得到累积次数；

42、在所述累积次数大于或者等于累积次数阈值的情况下，结束训练，并将第t轮待训练的所述备选预测模型确定为所述参考预测模型；

43、在所述累积次数小于所述累积次数阈值的情况下，将所述累积次数加1，同时对第t轮待训练的所述备选预测模型的模型参数进行调整，得到第t轮训练得到的所述备选预测模型，并从p个所述参考训练样本中提取出未使用的所述参考训练样本作为第t+1轮训练待使用的所述参考训练样本继续第t+1轮训练。

44、可选的，所述通过所述参考预测模型生成所述目标训练样本，包括 ：

45、将初始训练样本输入至所述参考预测模型，得到所述参考预测模型输出的参考风扇转速；

46、将所述参考风扇转速确定为所述风扇转速标签对所述初始训练样本进行标注，得到所述目标训练样本。

47、可选的，所述通过所述目标训练样本对所述初始预测模型进行训练直至所述初始预测模型的模型参数收敛得到所述目标预测模型，包括：

48、将所述目标训练样本输入至所述初始预测模型，得到所述初始预测模型输出的候选风扇转速；

49、检测所述候选风扇转速和所述目标训练样本所标注的所述风扇转速标签之间的近似参数，其中，所述近似参数用于指示所述候选风扇转速和所述风扇转速标签的近似程度；

50、在所述近似参数用于指示所述候选风扇转速和所述风扇转速标签的近似程度小于目标近似程度的情况下，对所述初始预测模型的模型参数进行调整；

51、在所述近似参数用于指示所述候选风扇转速和所述风扇转速标签的近似程度大于或者等于目标近似程度的情况下，确定所述初始预测模型的模型参数收敛。

52、可选的，在所述获取所述待散热部件对应的温度参数序列，以及所述服务器风扇对应的风扇转速序列之前，所述方法还包括：

53、检测所述服务器中所述待散热部件当前的温度参数；

54、根据所述温度参数确定所述服务器当前的温度参数状态。

55、可选的，所述检测所述服务器中所述待散热部件当前的温度参数，包括：

56、检测所述待散热部件的初始温度参数；

57、在所述初始温度参数小于所述待散热部件对应的异常温度阈值的情况下，将所述初始温度参数确定为所述待散热部件当前的温度参数；

58、在所述初始温度参数大于或者等于所述异常温度阈值的情况下，将所述初始温度参数和目标数值的乘积确定为所述待散热部件当前的温度参数 ，其中，目标数值大于1。

59、可选的，所述根据所述温度参数确定所述服务器当前的温度参数状态，包括：

60、在所述待散热部件当前的温度参数大于或者等于所述待散热部件对应的告警温度阈值的情况下，确定所述服务器当前的所述温度参数状态为所述温度异常状态，其中，所述告警温度阈值大于所述异常温度阈值；

61、在所述待散热部件当前的温度参数小于所述告警温度阈值的情况下，确定所述服务器当前的所述温度参数状态为所述温度正常状态。

62、可选的，所述服务器上部署了l个所述待散热部件和s个所述服务器风扇，其中，l和s均为大于1的整数，在所述获取所述待散热部件对应的温度参数序列，以及所述服务器风扇对应的风扇转速序列之前，所述方法还包括：

63、检测l个所述待散热部件中每个所述待散热部件当前的温度参数 ；

64、在检测到l个所述待散热部件中存在所述待散热部件当前的温度参数大于或者等于所述待散热部件对应的告警温度阈值的情况下，确定所述服务器当前的所述温度参数状态为所述温度异常状态；

65、在检测到l个所述待散热部件中不存在所述待散热部件当前的温度参数大于或者等于所述待散热部件对应的所述告警温度阈值的情况下，确定所述服务器当前的所述温度参数状态为所述温度正常状态。

66、可选的，l个所述待散热部件和s个所述服务器风扇分别部署在e个安装区域，不同的所述安装区域之间通过散热隔离带隔离，所述散热隔离带用于阻隔气流的流动，e为大于或者等于1且小于或者等于l+s的整数，在确定所述服务器当前的所述温度参数状态为所述温度异常状态之后，所述方法还包括 ：

67、在检测到l个所述待散热部件中第j个所述待散热部件当前的温度参数大于或者等于第j个所述待散热部件对应的所述告警温度阈值的情况下，将第j个所述待散热部件确定为目标待散热部件，其中，j为小于l的整数；

68、在第j个所述待散热部件对应的目标散热隔离带上创建气流通路，其中，所述气流通路用于允许气流的流动，所述目标散热隔离带为第j个所述待散热部件所部署的第j个所述安装区域和所述服务器风扇所部署的所述安装区域之间的所述散热隔离带。

69、根据本技术实施例的另一个实施例，还提供了一种服务器的散热控制装置，

70、服务器上部署了处理器、待散热部件和服务器风扇，所述装置应用于所述处理器，所述装置包括：

71、获取模块，用于在检测到所述服务器当前的温度参数状态为温度异常状态的情况下，获取所述待散热部件对应的温度参数序列，以及所述服务器风扇对应的风扇转速序列，其中，所述温度参数序列记录了所述待散热部件在历史时间段内的温度参数，所述风扇转速序列记录了所述服务器风扇在所述温度参数序列中所记录的各个温度参数下所对应的风扇转速；

72、预测模块，用于通过目标预测模型根据所述温度参数序列和所述风扇转速序列对所述服务器风扇的风扇转速进行预测，得到预测风扇转速，其中，所述目标预测模型为使用标注了风扇转速标签的目标训练样本对初始预测模型进行训练得到的，所述目标训练样本包括：温度参数序列样本和风扇转速序列样本，所述风扇转速标签为允许在所述目标训练样本对应的时间段样本之后将所述服务器的所述温度参数状态切换至温度正常状态的风扇转速，所述服务器风扇在所述风扇转速标签下运行时所产生的风扇噪声参数小于噪声阈值；

73、控制模块，用于控制所述服务器风扇在所述历史时间段之后按照所述预测风扇转速运行。

74、根据本技术的又一个实施例，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行上述任一项方法实施例中的步骤。

75、根据本技术的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

76、根据本技术的又一个实施例，还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。

77、在本技术实施例中，提出了一种服务器的散热控制方法，服务器上部署了处理器、待散热部件和服务器风扇，方法应用于处理器，方法包括：在检测到服务器当前的温度参数状态为温度异常状态的情况下，获取待散热部件对应的温度参数序列，以及服务器风扇对应的风扇转速序列，并通过目标预测模型根据温度参数序列和风扇转速序列对服务器风扇的风扇转速进行预测，得到预测风扇转速，其中，温度参数序列记录了待散热部件在历史时间段内的温度参数，风扇转速序列记录了服务器风扇在温度参数序列中所记录的各个温度参数下所对应的风扇转速，由于目标预测模型为使用标注了风扇转速标签的目标训练样本对初始预测模型进行训练得到的，目标训练样本包括：温度参数序列样本和风扇转速序列样本，风扇转速标签为允许在目标训练样本对应的时间段样本之后将服务器的温度参数状态切换至温度正常状态的风扇转速，服务器风扇在风扇转速标签下运行时所产生的风扇噪声参数小于噪声阈值；因此预测风扇转速为允许在历史时间段之后将服务器的温度参数状态切换至温度正常状态的风扇转速，同时服务器风扇在预测风扇转速下运行时所产生的风扇噪声参数小于噪声阈值，控制服务器风扇在历史时间段之后按照预测风扇转速运行，不仅可以达到服务器的理想散热效果，还可以极大降低风扇噪声，实现散热效果和风扇噪声的平衡。采用上述技术方案，解决了相关技术中，服务器风扇对服务器进行散热的过程中散热效果和风扇噪声的平衡性较差等问题，实现了提高服务器风扇对服务器进行散热的过程中散热效果和风扇噪声的平衡性的技术效果。