吳美希 楊曉彤

(中國(guó)信息通信研究院云計(jì)算與大數(shù)據(jù)研究所，北京 100191)

0 引言

數(shù)字經(jīng)濟(jì)時(shí)代，萬(wàn)物萬(wàn)聯(lián)產(chǎn)生各種各樣的大數(shù)據(jù)，在數(shù)據(jù)已成為勞動(dòng)、資本、土地和技術(shù)之外的第5個(gè)生產(chǎn)要素的背景之下，數(shù)字經(jīng)濟(jì)的騰飛離不開(kāi)算力的支持，算力就是數(shù)字經(jīng)濟(jì)時(shí)代的生產(chǎn)力。

2020年3月4日，中共中央政治局常務(wù)委員會(huì)召開(kāi)會(huì)議，首次將數(shù)據(jù)中心納入“新基建”范疇。2020年4月20日，國(guó)家發(fā)展和改革委員會(huì)明確新型基礎(chǔ)設(shè)施的范圍，數(shù)據(jù)中心作為算力基礎(chǔ)設(shè)施，成為信息基礎(chǔ)設(shè)施的重要組成部分。隨后，在2020—2021年，國(guó)家部委相繼出臺(tái)《關(guān)于加快構(gòu)建全國(guó)一體化大數(shù)據(jù)中心協(xié)同創(chuàng)新體系的指導(dǎo)意見(jiàn)》《全國(guó)一體化大數(shù)據(jù)中心協(xié)同創(chuàng)新體系算力樞紐實(shí)施方案》《新型數(shù)據(jù)中心發(fā)展三年行動(dòng)計(jì)劃(2021—2023年)》等政策文件，對(duì)數(shù)據(jù)中心對(duì)于算力的支撐的地位和作用進(jìn)行了進(jìn)一步明確。數(shù)字經(jīng)濟(jì)發(fā)展離不開(kāi)算力，算力發(fā)展離不開(kāi)數(shù)據(jù)中心。

對(duì)于算力如何度量和表示，業(yè)界一直在不斷地探索。從狹義上講，算力是服務(wù)器通過(guò)對(duì)數(shù)據(jù)進(jìn)行處理后實(shí)現(xiàn)結(jié)果輸出的一種能力，目前為止使用最廣泛的算力表示方法為 “浮點(diǎn)運(yùn)算次數(shù)”。每秒浮點(diǎn)運(yùn)算次數(shù)(Floating-Point Operations Per Second，F(xiàn)LOPS)概念最早由Frank H. McMahon[1]在其報(bào)告中提出。國(guó)內(nèi)外不少文獻(xiàn)以及服務(wù)器產(chǎn)品參數(shù)都采用浮點(diǎn)運(yùn)算次數(shù)對(duì)算力進(jìn)行描述。例如，Yifan Sun[2]等使用FLOPS作為度量標(biāo)準(zhǔn)，評(píng)估CPU和GPU的單精度和雙精度計(jì)算能力。從廣義上講，算力是一個(gè)包含計(jì)算、存儲(chǔ)、傳輸(網(wǎng)絡(luò))等多個(gè)內(nèi)涵的綜合概念，是衡量數(shù)據(jù)中心計(jì)算能力的一個(gè)綜合指標(biāo)[3]，所以目前亟需一個(gè)科學(xué)的方法來(lái)將算力的內(nèi)涵充分表達(dá)出來(lái)。

多屬性群決策[4-7](Multi-Attribute Group Decision Making，MAGDM)是多屬性決策(Multi-Attribute Decision Making，MADM)和群體決策(Group Decision Making，GDM)交叉的研究方向，是現(xiàn)代決策科學(xué)的一個(gè)重要研究領(lǐng)域，其理論和方法已廣泛應(yīng)用于城市規(guī)劃、經(jīng)濟(jì)管理、投資風(fēng)險(xiǎn)等領(lǐng)域。當(dāng)下，對(duì)于不同數(shù)據(jù)中心間算力綜合各類指標(biāo)的評(píng)估問(wèn)題可以歸結(jié)為多屬性群決策問(wèn)題。為了綜合評(píng)價(jià)算力，本文提出“算力五力模型”，將與數(shù)據(jù)中心計(jì)算能力高度相關(guān)的通用算力、智能算力、算效能力、存儲(chǔ)能力、網(wǎng)絡(luò)能力等不同量綱的指標(biāo)進(jìn)行融合比對(duì)，利用新的雙向投影法[8]及TOPSIS方法[9-11]計(jì)算得到樣本的相對(duì)貼近度，進(jìn)而對(duì)不同樣本的算力進(jìn)行定級(jí)，解決了不同量綱變量難以直接比較的困難，提高了評(píng)估結(jié)果的綜合性和有效性。本文為算力評(píng)估體系提供新的模型和方法，更好地指導(dǎo)和建議業(yè)界判斷行業(yè)發(fā)展趨勢(shì)，為未來(lái)算力規(guī)劃和部署提供思路。

1 相關(guān)理論

1.1 相關(guān)定義

設(shè)多屬性決策中，方案集為A={a1,a2,…,as}，屬性集為C={c1,c2,…,cm}。記S={1,2,…,s}，M={1,2,…,m}，用cl(A),l∈M表示方案A在cl屬性下的值，并允許出現(xiàn)不可比較的情況。

定義 1[12]：如果關(guān)系{?,,≈,?}滿足下述條件：在多屬性決策問(wèn)題中，每個(gè)屬性下方案間的序數(shù)偏好信息可以由決策者給出，對(duì)于屬性cl,l∈M任意兩個(gè)方案ai和aj(i≠j)滿足下列偏好關(guān)系之一。

方案ai優(yōu)于方案aj(ai?aj)；方案ai與方案aj優(yōu)劣相當(dāng)(ai≈aj)。

方案ai劣于方案aj(aiaj)；方案ai與方案aj優(yōu)劣關(guān)系不明(ai?aj)。

兩方案ai和aj(滿足i≠j)之間有且僅有{?,,≈,?}中的一個(gè)關(guān)系成立，則稱{?,,≈,?}構(gòu)成了一個(gè)偏序偏好結(jié)構(gòu)。

R={rt|t=-(n-1),-(n-2),…,-1,0,1,…,n-2,n-1}

(1)

等級(jí)比較集滿足以下特征。

(1) 集合R是有序的：若α>β,則rα>rβ。

(2) 存在一個(gè)否定算子：neg(rα)=r-α。

(3) 若rα>rβ，則max{rα,rβ}=rα，min{rα,rβ}=rβ。

對(duì)于任意的比較等級(jí)rα,rβ∈R，存在3種基本算子：rα?rβ=rα+β、rα?rβ=rα-β和λrα=rλα。

下面介紹廣義優(yōu)序數(shù)的概念。

定義3[13]：令

(2)

其中i,j∈S,l∈M。稱aijl為屬性cl下方案Ai相對(duì)于方案Aj的廣義優(yōu)序數(shù)。

為了決策結(jié)果更加真實(shí)、可靠，在此結(jié)合向量的概念，通過(guò)向量的轉(zhuǎn)化與相關(guān)計(jì)算，應(yīng)用雙向投影法和TOPSIS方法，通過(guò)相對(duì)貼近度的大小比較得到相關(guān)結(jié)論。

(3)

令A(yù)={a1,a2,…,am}為方案集，C={c1,c2,…,cn}為屬性集，將屬性cl(1≤l≤n)劃分為5個(gè)等級(jí)，有等級(jí)比較集R={ri|i=-4,…,0,…,4,?}，其中?表示兩方案優(yōu)劣關(guān)系不明的情況，t=4。已知兩個(gè)等級(jí)變量分別為Xp=[r2,r3]，Xq=[r3,r4]。

1.2 雙向投影模型

多屬性群決策問(wèn)題是決策理論的一個(gè)重要分支，在許多領(lǐng)域得到了廣泛的應(yīng)用。投影法[14]是一種非常適合處理決策問(wèn)題的方法，因?yàn)樗粌H可以考慮被評(píng)價(jià)物體之間的距離，還可以考慮被評(píng)價(jià)物體之間的夾角。但在某些情況下，如現(xiàn)實(shí)問(wèn)題中備選方案在正、負(fù)理想方案垂直平分線上的情況，傳統(tǒng)的投影法將面臨失效的問(wèn)題。雙向投影法[15]可以避免傳統(tǒng)投影法無(wú)法處理的問(wèn)題，并具有科學(xué)合理、簡(jiǎn)單易行和區(qū)分度高等特點(diǎn)，在實(shí)際決策中得到廣泛推廣。本節(jié)結(jié)合雙向投影法與TOPSIS[16]方法,給出雙向投影模型。

對(duì)應(yīng)向量的模可以由以下公式計(jì)算得到。

(4)

(5)

(6)

然后，余弦值cos(X-Xi,X-X+),cos(X-Xi,X-X+)可以分別計(jì)算為

cos(X-Xi,X-X+)

(7)

cos(X-Xi,X-X+)

(8)

進(jìn)而向量X-Xi到向量X-X+，向量X-X+到向量XiX+的投影值分別為

prjX-X+(X-Xi)=|X-Xi|·cos(X-Xi,X-X+)

(9)

prjXiX+(X-X+)=|X-X+|·cos(XiX+,X-X+)

(10)

注1：如圖1所示，prjX-X+(X-Xi)的值越大，說(shuō)明備選方案Xi越接近正理想方案X+；反之相反。同理，prjXiX+(X-X+)越大，說(shuō)明備選方案Xi越接近負(fù)理想方案X-，反之相反。據(jù)此可以對(duì)每個(gè)備選方案，通過(guò)各自投影值的計(jì)算進(jìn)行相對(duì)應(yīng)的優(yōu)劣判斷。

圖1 prjXiX+(X-X+)和prjX-X+(X-Xi)的圖形表示

投影公式通過(guò)計(jì)算，描述了備選方案與正、負(fù)理想方案之間的相似性，同時(shí)考慮了備選方案與正、負(fù)理想方案的距離(數(shù)值)和方向。為了使結(jié)果更加準(zhǔn)確合理，需要將備選方案Xi與正、負(fù)理性方案X+、X-的投影相結(jié)合，用相對(duì)貼近度C(Xi)進(jìn)行表示，通過(guò)公式(11)分別進(jìn)行計(jì)算。

(11)

其中，prjX-X+(X-Xi)、prjXiX+(X-X+)分別表示向量X-Xi到向量X-X+，向量X-X+到向量XiX+的投影值。

基于以上方法，等級(jí)雙向投影模型的具體步驟如下。

步驟1.2.1：構(gòu)造具有等級(jí)變量的決策矩陣D，并對(duì)其進(jìn)行規(guī)范化處理；

步驟1.2.2：通過(guò)以上廣義優(yōu)序數(shù)運(yùn)算將等級(jí)變量進(jìn)行相關(guān)轉(zhuǎn)換；

步驟1.2.4：分別計(jì)算正負(fù)理想方案形成的向量X-X+和Xi與正負(fù)理想方案形成的向量X-Xi，XiX+；

步驟1.2.5：根據(jù)(9)式和(10)式，分別計(jì)算向量X-Xi到向量X-X+和向量X-X+到向量XiX+的投影值prjX-X+(X-Xi)，prjXiX+(X-X+)；

步驟1.2.6：由(11)式計(jì)算方案Xi與理想方案的相對(duì)貼近度；

步驟1.2.7：將相對(duì)貼近度進(jìn)行大小排序(由大到小)，選取貼近度最大的方案為最優(yōu)方案。

2 算力五力模型

2.1 算力衡量指標(biāo)的選擇

算力是數(shù)據(jù)中心的服務(wù)器通過(guò)對(duì)數(shù)據(jù)進(jìn)行處理后實(shí)現(xiàn)結(jié)果輸出的一種能力，是衡量數(shù)據(jù)中心計(jì)算能力的一個(gè)綜合指標(biāo)，數(shù)值越大代表綜合計(jì)算能力越強(qiáng)[17]。在服務(wù)器主板上，數(shù)據(jù)傳輸?shù)捻樞蛞来螢橹醒胩幚砥鱗18](Central Processing Unit，CPU)、內(nèi)存、硬盤(pán)和網(wǎng)卡，若針對(duì)圖形則需要圖形處理器[19](Graphics Processing Unit，GPU)。所以，從廣義上講，數(shù)據(jù)中心算力是一個(gè)包含計(jì)算、存儲(chǔ)、傳輸(網(wǎng)絡(luò))等多個(gè)內(nèi)涵的綜合概念，是衡量數(shù)據(jù)中心計(jì)算能力的一個(gè)綜合指標(biāo)[20]。

數(shù)據(jù)中心算力由數(shù)據(jù)處理能力、數(shù)據(jù)存儲(chǔ)能力和數(shù)據(jù)流通能力三項(xiàng)指標(biāo)決定。其中，數(shù)據(jù)處理能力，在應(yīng)對(duì)以大數(shù)據(jù)、AI人工智能[21]為代表的新一代數(shù)字化技術(shù)產(chǎn)業(yè)趨勢(shì)過(guò)程中，又可以區(qū)分為以CPU為代表的通用計(jì)算能力，和以GPU、AI芯片為代表的智能計(jì)算能力。前者主要用作執(zhí)行一般任務(wù)，后者主要承擔(dān)圖形顯示、大數(shù)據(jù)分析、信號(hào)處理、人工智能和物理模擬等計(jì)算密集型任務(wù)。綜上，本文選取5個(gè)指標(biāo)進(jìn)行算力評(píng)估，分別為：通用算力、智能算力、算效能力、網(wǎng)絡(luò)能力、存儲(chǔ)能力。

通用算力：通用算力主要指由CPU為代表的通用計(jì)算能力，本次使用平均單機(jī)架“每秒浮點(diǎn)運(yùn)算次數(shù)”來(lái)評(píng)估數(shù)據(jù)中心的通用算力，單位采用TFLOPS(FP32，單精度浮點(diǎn)算力)。

智能算力：智能算力主要指由GPU、AI芯片為代表的智能計(jì)算能力，本文使用平均單機(jī)架“每秒浮點(diǎn)運(yùn)算次數(shù)”來(lái)評(píng)估數(shù)據(jù)中心的智能算力，單位采用TFLOPS(FP32，單精度浮點(diǎn)算力)。

算效能力：數(shù)據(jù)中心算效(CE)為數(shù)據(jù)中心算力與所有 IT 設(shè)備功耗的比值，是同時(shí)考慮數(shù)據(jù)中心計(jì)算性能與功率的一種效率，即“數(shù)據(jù)中心 IT 設(shè)備每瓦功耗所產(chǎn)生的算力”，本文算效的單位采用GFLOPS/W(FP32)。

(12)

其中，CP表示算力，為通用算力與智能算力的加和。

網(wǎng)絡(luò)能力：網(wǎng)絡(luò)能力有很多衡量指標(biāo)，本文主要采用網(wǎng)絡(luò)帶寬速度來(lái)衡量網(wǎng)絡(luò)的性能，單位為Mbit/s(兆比特每秒)，即每秒傳輸?shù)谋忍匚粩?shù)。

存儲(chǔ)能力：存儲(chǔ)能力主要由存儲(chǔ)容量、存儲(chǔ)性能、存儲(chǔ)安全3方面共同決定，本文采用每秒讀寫(xiě)次數(shù)(Input/Output Operations Per Second，IOPS)來(lái)衡量存儲(chǔ)的性能，即每秒的讀寫(xiě)次數(shù)。

2.2 模型構(gòu)造

本節(jié)將數(shù)據(jù)中心測(cè)量的信息與雙向投影模型結(jié)合，給出利用雙向投影法處理不同數(shù)據(jù)中心算力方面不同指標(biāo)間信息的決策模型，構(gòu)建算力五力模型，并通過(guò)實(shí)例分析，說(shuō)明該決策模型具有良好的效果。模型具體步驟如下。

步驟2.2.1：根據(jù)數(shù)據(jù)將指標(biāo)劃分等級(jí)。具體將已有的數(shù)據(jù)取最大和最小值，在最大值與最小值的區(qū)間內(nèi)進(jìn)而劃分等級(jí),一般越理想的一端標(biāo)記等級(jí)數(shù)越高。

步驟2.2.2：將數(shù)據(jù)進(jìn)行定級(jí)，并轉(zhuǎn)化為優(yōu)序數(shù)(0～1之間的實(shí)數(shù))。具體按步驟2.2.1劃分的等級(jí)數(shù)表對(duì)現(xiàn)有數(shù)據(jù)對(duì)號(hào)入座，確定相應(yīng)的等級(jí)數(shù)，每個(gè)指標(biāo)下，將不同數(shù)據(jù)中心兩兩對(duì)比，判斷出一數(shù)據(jù)中心在某指標(biāo)下優(yōu)于或劣于另一數(shù)據(jù)中心的等級(jí)數(shù)，并通過(guò)優(yōu)序數(shù)計(jì)算公式將各等級(jí)數(shù)轉(zhuǎn)變到0～1之間，方便接下來(lái)處理。

步驟2.2.3：確定正、負(fù)理想解，并根據(jù)定義4，通過(guò)計(jì)算確定出對(duì)應(yīng)的向量；

步驟2.2.4：據(jù)式(9)(10)，分別計(jì)算出每個(gè)數(shù)據(jù)中心對(duì)應(yīng)的投影值；

步驟2.2.5：由式(11)計(jì)算得出每個(gè)數(shù)據(jù)中心的相對(duì)貼近度；

步驟2.2.6：根據(jù)相對(duì)貼近度的值進(jìn)行大小排序，并據(jù)相對(duì)貼近度的值對(duì)每個(gè)數(shù)據(jù)中心進(jìn)行星級(jí)評(píng)定，最終得出結(jié)論。

3 算力五力案例分析

現(xiàn)給出6個(gè)數(shù)據(jù)中心對(duì)應(yīng)的5個(gè)指標(biāo)(通用算力、智能算力、算效能力、網(wǎng)絡(luò)能力、存儲(chǔ)能力)數(shù)據(jù)，如表1所示。

根據(jù)專家的經(jīng)驗(yàn)和數(shù)據(jù)分布的情況，評(píng)估步驟如下。

步驟3.1.1：根據(jù)數(shù)據(jù)將所選的5個(gè)指標(biāo)進(jìn)行分級(jí)，如表2所示。

步驟3.1.2：將表1的數(shù)據(jù)根據(jù)表2數(shù)據(jù)中心算力指標(biāo)分級(jí)表進(jìn)行定級(jí)，在每個(gè)指標(biāo)下，每個(gè)數(shù)據(jù)中心的等級(jí)數(shù)兩兩進(jìn)行比較，得到相對(duì)等級(jí)數(shù)并轉(zhuǎn)化為優(yōu)序數(shù)，如表3—表5所示。

表1 樣本數(shù)據(jù)

表2 數(shù)據(jù)中心算力五力指標(biāo)分級(jí)

表3 數(shù)據(jù)中心算力指標(biāo)定級(jí)

表4 不同數(shù)據(jù)中心不同指標(biāo)間的兩兩比較

表5 數(shù)據(jù)中心等級(jí)比較級(jí)經(jīng)優(yōu)序數(shù)轉(zhuǎn)化表

步驟3.1.3：確定正、負(fù)理想解，并計(jì)算確定出相應(yīng)的向量。

A+={[0.57,0,0.67,0.67,0,0.8],[0,0,1,0.57,0,1],[0,0.57,0.67,0,0,0.8],[0.57,0,0.57,0.57,0.8,0.8],[0.57,0,0.67,0,0.67,0.67]};A-={[-0.67,-0.8,-0.57,-0.57,-0.8,0],[-1,-1,0,-0.8,-1,0],[0.8,0.67,-0.57,0.8,0.8,0],[-0.67,-0.8,-0.67,-0.67,0,0],[-0.57,-0.67,0,-0.67,0,0]};A-A+={[0.8,1.24],[1,1.37],[0.8,1.24],[0.8,1.24],[0.67,1.14]}。

A-A1={[0.23,1.14],[1,1.37],[0.8,1.24],[0.23,0.67],[0.10,0.57]}。

A1A+={[0.10,0.57],[0,0],[0,0],[0.13,0.57],[0.10,0.57]};

A-A2={[0.8,1.24],[1,1.37],[0.23,1.14],[0.8,1.24],[0.67,1.14]}。

A2A+={[0,0],[0,0],[0.10,0.57],[0,0],[0,0]}。

A-A3={[0.10,0.57],[0,0],[0.10,0.57],[0.23,0.67],[0,0]}。

A3A+={[0.23,1.14],[1,1.37],[0.23,1.14],[0.13,0.57],[0.67,1.14]}。

A-A4={[0.10,0.57],[0.43,0.8],[0.8,1.24],[0.23,0.67],[0.67,1.14]}。

A4A+={[0.23,1.14],[0.2,0.57],[0,0],[0.13,0.57],[0,0]}。

A-A5={[0.8,1.24],[1,1.37],[0.8,1.24],[0,0],[0,0]}。

A5A+={[0,0],[0,0],[0,0],[0.8,1.24],[0.67,1.14]}。

A-A6={[0,0],[0,0],[0,0],[0,0],[0,0]}。

A6A+={[0.8,1.24],[1,1.37],[0.8,1.24],[0.8,1.24],[0.67,1.14]}。

根據(jù)表5確定出正、負(fù)理想解，將每個(gè)數(shù)據(jù)中心在每個(gè)指標(biāo)下的測(cè)度與正、負(fù)理想解距離計(jì)算出來(lái)，繪出圖2，在下面組圖中，紅色線圈表示每個(gè)數(shù)據(jù)中心的每個(gè)指標(biāo)距離相對(duì)正理想解的距離。若紅色線圈越小，表示該數(shù)據(jù)中心各指標(biāo)相對(duì)距離正理想解越近，則該數(shù)據(jù)中心越優(yōu)；反之相反。藍(lán)色線圈表示每個(gè)數(shù)據(jù)中心的每個(gè)指標(biāo)距離相對(duì)負(fù)理想解的距離。藍(lán)色線圈越大，表示該數(shù)據(jù)中心的指標(biāo)距離負(fù)理想解越遠(yuǎn)，則該數(shù)據(jù)中心越優(yōu)；反之相反。在圖2組圖中，我們可以較為直觀地看出DC.6整體情況最不好，DC.1，DC.2整體相對(duì)更優(yōu)。

圖2 DC.1—DC.6各指標(biāo)下到正負(fù)理想方案的距離

步驟3.1.4：計(jì)算相應(yīng)的投影值。

得到相對(duì)應(yīng)的模分別為如下。

|A-A+|≈3.3392；|A-A1|≈2.6915；|A1A+|≈1.0077；|A-A2|≈3.2149。

|A2A+|≈0.5793；|A-A3|≈1.0807；|A3A+|≈2.7735；|A-A4|≈2.3621。

|A4A+|≈1.4385；|A-A5|≈2.6882；|A5A+|≈1.9808；|A-A6|≈0。

|A6A+|≈3.3392。

在此，將每個(gè)數(shù)據(jù)中心得到的模(整體距離正、負(fù)理想解的距離)繪制成圖3，紅色線圈對(duì)應(yīng)的數(shù)據(jù)中心越靠近中心位置，表示該數(shù)據(jù)中心整體距離正理想解越近，整體情況就越好；反之相反。藍(lán)色線圈對(duì)應(yīng)的數(shù)據(jù)中心越靠近圖中的外延，表示該數(shù)據(jù)中心整體距離負(fù)理想解越遠(yuǎn)，整體情況便越好；反之相反?？奢^為直觀地看出，圖中DC.1，DC.2，DC.4，DC.5相對(duì)較好，DC.3，DC.6相對(duì)較差，這與最后得出的結(jié)論吻合。

圖3 樣本數(shù)據(jù)到正、負(fù)理想方案的距離

進(jìn)而求得投影值如下。

PrjA-A+(A-A1)≈2.5085；PrjA1A+(A-A+)≈2.2966。

PrjA-A+(A-A2)≈3.1669；PrjA2A+(A-A+)≈1.3528。

PrjA-A+(A-A3)≈0.7713；PrjA3A+(A-A+)≈3.1156。

PrjA-A+(A-A4)≈2.1685；PrjA4A+(A-A+)≈2.3606；

PrjA-A+(A-A5)≈2.1642；PrjA5A+(A-A+)≈1.9808；

PrjA-A+(A-A6)=0； PrjA6A+(A-A+)≈3.3391。

步驟3.1.5：根據(jù)公式計(jì)算得出各數(shù)據(jù)中心的相對(duì)貼近度。

C(A1)≈0.5220;C(A2)≈0.7007;C(A3)≈0.1984;C(A4)≈0.4788;C(A5)≈0.5221;C(A6)=0。

步驟3.1.6：根據(jù)相對(duì)貼近度的值進(jìn)行大小排序，并依據(jù)表6確定各數(shù)據(jù)中心的星級(jí)，最終得出結(jié)論。對(duì)應(yīng)可得：DC.1★★★★;DC.2 ★★★★★;DC.3 ★★;DC.4★★★;DC.5 ★★★★ ;DC.6 ★。

表6 相對(duì)貼近度與星級(jí)評(píng)定對(duì)應(yīng)表

4 結(jié)束語(yǔ)

算力作為數(shù)據(jù)中心的重要能力支撐著人工智能、物聯(lián)網(wǎng)、AR/VR等上層應(yīng)用場(chǎng)景的發(fā)展，同時(shí)這些應(yīng)用場(chǎng)景的快速普及也對(duì)數(shù)據(jù)中心算力水平提出了更高的要求。算力受到計(jì)算、網(wǎng)絡(luò)、存儲(chǔ)和功耗的共同影響，如果無(wú)法綜合測(cè)量便無(wú)法進(jìn)行改進(jìn)，所以對(duì)數(shù)據(jù)中心算力進(jìn)行綜合評(píng)價(jià)就顯得尤為重要。

本文基于對(duì)數(shù)據(jù)中心算力的研究，將通用算力、智能算力、算效能力、網(wǎng)絡(luò)能力、存儲(chǔ)能力劃分等級(jí)，并應(yīng)用雙向投影法和TOPSIS方法對(duì)各數(shù)據(jù)中心進(jìn)行評(píng)估，提出“算力五力模型”。該模型使得到的結(jié)果區(qū)分度更高，更加真實(shí)地反映出不同數(shù)據(jù)中心間的優(yōu)劣關(guān)系。但本文所提出的方法沒(méi)有考慮數(shù)據(jù)測(cè)量誤差，不同指標(biāo)間是否有固定比例搭配使得整體效能更優(yōu)等因素，這將在未來(lái)的研究中進(jìn)行探索。