数据中心能耗模型新进展：解析公式与机器学习模型的效能对比及在人工智能基础设施优化中的意义

本文系统评述了数据中心（DCs）物理机器（PMs）能耗建模的最新进展，对比了多项式回归解析公式与XGBoost、Ridge回归、多层感知机（MLP）等机器学习（ML）模型的性能。研究通过多平台测试验证了所提公式在有限校准数据下的强泛化能力与稳定性，为人工智能（AI）基础设施的能源优化提供了关键技术支持。

　　

亮点

本研究凸显了所提出的解析公式作为一种可靠且高效的功耗估算方法，在不同数据规模（训练与测试尺寸）和硬件配置下均表现出稳定的性能。它为更复杂的机器学习（ML）方法提供了一个实用的替代方案，特别适用于需要模型稳定性和可靠性的场景。虽然ML技术（例如XGB模型）在特定情境下能够实现高精度，但它们通常依赖于大量的训练数据，并且在不同机器间的泛化能力可能受限。

结论

本研究强调了所提出的解析公式作为功耗估算的可靠且高效方法，在不同数据规模（训练和测试大小）和硬件配置下持续提供稳定性能。它为更复杂的ML方法提供了一个实用替代方案，特别适用于需要模型稳定性和可靠性的场景。虽然ML技术（例如XGB模型）在特定背景下可以实现高精度，但它们通常依赖于大量训练数据，并且其泛化能力可能在不同机器间受到限制。