《Network》：Multi-Layer Network Optimization of Data Centers Siting and Capacity Development
编辑推荐：
人工智能应用与数字生态系统的快速增长，尤其在工业领域，凸显了建设新型数据中心的迫切需求。数据中心选址需综合考虑诸多因素，包括电网容量、光纤网络资源以及环境和区域条件。本研究提出一种多层网络优化框架，其中主规划层对数据中心选址及其容量决策进行优化，而下层各层则分
人工智能应用与数字生态系统的快速增长，尤其在工业领域，凸显了建设新型数据中心的迫切需求。数据中心选址需综合考虑诸多因素，包括电网容量、光纤网络资源以及环境和区域条件。本研究提出一种多层网络优化框架，其中主规划层对数据中心选址及其容量决策进行优化，而下层各层则分别从电网拥塞与输电网扩容、光纤路由与延迟、冷却资源等角度分析上述决策的可行性与最优性。通过模拟包括自然灾害导致的突发电网中断在内的多种情景，对所提方案的效率及可靠性进行了评估。模型结果强调了在考虑分区限制、所需容量以及水、光纤和电力网络运营成本等因素的基础上进行数据中心选址一体化决策的重要性。
**论文解读：面向AI数据中心选址与容量规划的多层网络优化研究**
**一、研究背景与问题提出**
随着人工智能（AI）、云计算和大规模数字服务的迅猛发展，现代数据中心已成为支撑社会数字化转型的关键基础设施。AI工作负载的快速增长显著推高了计算需求，并对土地供应、光纤连接、冷却资源、水资源可用性及电力供应等配套基础设施系统构成了巨大压力。当前数据中心涵盖企业级、云、超大规模、托管、微型及边缘等多种形态，各类设施在功耗、热管理、网络延迟、可靠性和地理布局方面提出了截然不同的需求。在此背景下，数据中心规划已演变为一项涉及多个相互关联的基础设施层的大规模系统工程挑战。现有研究表明，AI运营所产生的负载会引发区域性输电拥塞，凸显了电网扩容和可再生能源整合的重要性。
然而，数据中心面临的制约已不仅限于能源、冷却、水和光纤连接等层面。分区法规（Zoning Ordinances）和土地可用性在很大程度上决定了设施能否在特定区域合法且实际地建设。超大规模AI数据中心需要大面积土地用于部署GPU、冷却设备、变电站和光纤汇聚节点，这使得地理选址不再仅由成本或与用户的邻近性驱动，而必须兼顾监管约束、土地用途兼容性及区域基础设施成熟度。与此同时，光纤连接作为影响工作负载分配、延迟性能和互联效率的关键因素，其重要性日益凸显；冷却系统则高度依赖区域气候条件和水资源可用性，水资源压力（Water Stress）已成为重要的环境和运营考量因素；电力供应方面，现有电网基础设施越来越难以支撑AI驱动的负荷增长，微电网、小型模块化反应堆和虚拟电厂等替代方案受到广泛关注。
尽管各相关领域已取得显著进展，但现有研究大多各自为政，未能充分体现分区规划、网络性能、冷却需求、可再生资源波动、水资源压力与电力供应之间的交互作用。传统选址方法仅关注土地成本、分区合规性或用户邻近度，已远远不够。现代AI数据中心需要大规模稳定的电力供应、高容量光纤骨干网、低延迟路由路径，以及能在当地气候和水资源约束下持续运行的冷却系统，且这些因素之间存在深层耦合关系。因此，将选址问题视为单一领域的工程决策已不可行，而必须作为多层系统工程问题来加以解决。
**二、研究内容与意义**
为填补上述研究空白，研究人员提出了一套面向GPU密集型AI数据中心选址优化的集成框架。该框架的核心贡献包括：提出了一种综合考虑光纤带宽、冷却需求、水资源使用和大规模电力消耗等AI数据中心特有需求的集成选址框架，并确保方案在环境与监管约束下的可行性；构建了涵盖分区层、光纤层、冷却层和电力层的多层网络数学模型，包括各层基于流的建模和容量扩容决策以及层间交互效应；对AI数据中心的四类流量——需求到数据中心、数据中心间东西向训练流量、枢纽到数据中心骨干流量以及数据中心到边缘/存储卸载流量——分别进行了光纤路由建模，并考虑了延迟、带宽和再生需求；将这些因素纳入选址决策，确保方案在长期负荷增长、气候变异性、网络扩容需求和监管约束演化条件下保持可行与鲁棒。
该研究的主要意义在于为涉及共享约束（如电网拥塞、水资源压力、土地稀缺及延迟要求）的公用事业部门、光纤运营商和云服务提供商之间的协同决策提供了理论依据。对公用事业运营商而言，模型揭示了GPU驱动的负荷增长、冷却用水需求和噪声约束如何影响变电站升级和馈线加固；对网络提供商而言，光纤路由和延迟输出可帮助识别东西向AI流量的集中区域和需要额外骨干容量的位置；市政当局则可基于选址建议平衡工业分区、住宅噪声容忍度和水资源可用性；对数据中心规划者而言，电力-光纤-水的联合优化为选择运营约束最小的场址提供了指导。
**三、关键技术与方法**
本研究将数据中心选址问题建模为跨越四个关键领域的多层优化问题，并将所有层的目标函数与约束条件集成为一个整体优化模型同时求解。各层决策通过共享变量跨层传播。在求解工具方面，模型采用Python 3.10编码并使用IBM CPLEX 22.1求解器进行求解。算例基于14节点IEEE标准测试系统展开，通过结构化角色映射方法将IEEE案例的技术特征扩展为光纤层、分区层和水层的多层参数设置：母线特性（负荷大小、发电机位置、电压等级）及图特征（节点度数）被分类为住宅区、工业区、电厂、枢纽和数据中心候选点；空间坐标基于加权Kamada–Kawai布局生成以计算光纤距离、管道连接等距离相关参数；光纤通信层采用基于距离的连接规则构建。算例中设定了四类差异化服务流量——A类为需求到数据中心的推理服务（延迟敏感、低带宽）；B类为数据中心间东西向训练流量（带宽密集、延迟容忍）；C类为枢纽到数据中心骨干流量；D类为数据中心到边缘/存储的卸载流量。各项流量参数参照行业报告和同行评审研究设定，计算需求采用对数正态分布仿真以反映真实网络需求特征。
**四、研究结果**
**4.1 噪声效应**：研究人员设定了不同层级的噪声限制以检验其对总成本的影响。结果表明，放宽噪声限制可降低选址相关成本，但数据中心节点选择不会发生变化，仅有GPU安装决策受其影响，原因在于仅特定节点与住宅和工业区保持足够距离。
**4.2 延迟效应**：通过改变四类服务类型的延迟阈值水平并分别在允许和不允许放置再生器（Regenerator）条件下求解模型，发现延迟要求对光纤网络拓扑的重塑作用大于对数据中心GPU安装决策的改变。再生器充当局部使能器，可消除日益增长的路由成本并迫使采用更短的链路以满足延迟要求。
**4.3 自然效应**：研究人员模拟了三种情景——水资源稀缺（各站点可用水量减半）、热量限制（允许热注入水平降低50%）和可再生能源限制（可用可再生能源减少50%）。水资源稀缺推动数据中心向靠近水源的节点集中并增加冷却容量；热量限制迫使冷却资源分布更分散并需要输电网和发电扩容支撑；可再生能源限制则迫使数据中心选址靠近发电节点并增加发电量。所有自然相关因素均触发网络层面的适应性调整并使总成本上升。
**4.4 流量分割效应**：通过限制不同服务的流量不能在多个数据中心之间分割（单播场景），与允许分割（多播场景）进行对比。结果显示，限制为单播会略微增加在密集节点的发电配置成本以及光纤网络路由成本。
**4.5 不确定性效应**：通过随机移除各层网络链路模拟链路故障以评估运营成本所受影响。光纤网络故障会改变计算主机并强制采用更长路径，显著增加路由成本和系统运营成本；输电线路故障同样会因启用更昂贵的电厂和计算主机而导致电力运营成本急剧上升；水管网故障影响相对较小，因其多依赖于本地因素。
**4.6 可扩展性测试**：将模型应用于更大规模的IEEE标准算例以验证框架对大型网络的适用性。结果显示，随着网络规模增大，计算时间显著增加，后续可能需要借助元启发式算法获取次优解。
**五、讨论与结论**
本研究的核心发现强调了在数据中心选址中对公用事业、光纤运营商和云服务提供商各项决策进行协同优化的重要性。该框架为区域AI基础设施规划中的各利益相关方提供了具有实践价值的分析工具。
研究结论指出：本研究提出了一个面向县级AI数据中心选址的一体化决策框架，综合考量了冷却、分区、光纤和电网等多种因素。所提多层网络优化框架联合建模了噪声及区域限制的分区考量、光纤路由、水冷可行性以及电网容量，以寻找最佳数据中心位置，同时最小化当期投资和未来系统运营成本。多项实验被实施以确定自然因素、成本参数、配置选项和不确定性对网络容量及拓扑决策的影响。当前研究可通过纳入未来不确定性加以扩展，例如采用两阶段随机规划等技术以捕获链路和节点故障、流量和负荷波动以及极端天气事件的影响；还可将光纤网络路由决策中的路径冗余纳入模型，以提升选址方案的可靠性。研究的一个局限性在于鲁棒性分析中仅考虑了独立链路故障，未来工作可将更具相关性的故障模式（如区域自然灾害造成的关联性故障）纳入，以分析其对选址决策和网络基础设施调整的影响。
