D3T：双时间尺度优化任务调度与热管理，以实现能源高效的地域分布式数据中心

《IEEE Transactions on Parallel and Distributed Systems》：D3T: Dual-Timescale Optimization of Task Scheduling and Thermal Management for Energy Efficient Geo-Distributed Data Centers

双时间尺度深度强化学习框架D3T优化地理分布数据中心任务调度与冷却控制，通过快时 scales DQN调度任务降低运营成本，慢时 scales QMIX调节分布式冷却，实验表明OPEX减少13%-29%，PUE提升7%，热安全更稳定。

　　

摘要：

人工智能（AI）的快速发展加剧了对计算密集型任务的需求，这显著提高了对地理分布式数据中心能效管理的要求。现有的方法在协调任务调度和冷却控制方面存在困难，主要是因为时间常数不匹配、信息技术（IT）工作负载具有随机性、可再生能源产量波动以及电价变化等因素。为了解决这些问题，我们提出了D3T，这是一个双时间尺度的深度强化学习（DRL）框架，能够同时优化地理分布式数据中心的任务调度和热管理。在快速时间尺度上，D3T利用深度Q网络（DQN）来调度任务，从而降低运营支出（OPEX）和任务处理时间。在慢速时间尺度上，基于QMIX的多智能体DRL方法通过动态调整气流速率来调节分布式数据中心的冷却系统，从而防止热点现象并减少能源浪费。我们使用TRNSYS和真实世界的数据进行了大量实验，结果表明，与基线算法相比，D3T可将IT子系统的运营支出降低13%，冷却子系统的运营支出降低29%，提高电能使用效率（PUE）7%，并保持地理分布式数据中心的温度安全更加稳定。