数据中心PUE值是什么 数据中心PUE值研究介绍【详解】

目前，PUE(PowerUsageEffectiveness，电源使用效率)值已经成为国际上比较通行的数据中心电力使用效率的衡量指标。PUE值是指数据中心消耗的所有能源与IT负载消耗的能源之比。PUE值越接近于1，表示一个数据中心的绿色化程度越高。

随着电子信息系统机房IT设备高密度的集成化，解决设备散热及机房散热量日渐趋高的现象开始受到了各界强烈关注。而根据研究显示，IT/电信目前相关的碳排放已经成为最大的温室气体排放源之一，由此一年产生的碳排放为86亿吨，且该领域的排放势头还在随着全球对计算、数据存储和通信技术需求的增长快速上升。即使人们大力提高设备、机房结构等装置和数据中心的能效，到2020年，全球IT相关碳排放也将达到154亿吨。所以越来越多的人开始关注绿色机房的建设。

目前，PUE(PowerUsageEffectiveness，电源使用效率)值已经成为国际上比较通行的数据中心电力使用效率的衡量指标。PUE值是指数据中心消耗的所有能源与IT负载消耗的能源之比。PUE值越接近于1，表示一个数据中心的绿色化程度越高。当前，国外先进的数据中心机房PUE值通常小于2，而我国的大多数数据中心的PUE值在2-3之间。所以国内机房内芯片级主设备1W的功耗会导致总体耗电量达到2-3W，而国外机房内芯片级主设备1W的功耗只会导致总体耗电量为2W以下。

机房建设前期的设计和规划就把节能、环保考虑到，并在设计和规划的过程中达到机房的使用要求的前提下，把机房的PUE值作为机房的设计和规划要求。用户对PUE值的要求，机房设计满足并说明从几方面可以把机房的设计达到用户的要求。

根据统计数据显示，数据中心的冷却占机房总功耗的40%左右。机房中的冷却主要是由机房空调负责，所以降低机房空调的耗电量可以有效的降低机房的PUE值。

由于现代电子信息系统机房中的空调负荷主要来自于计算机主机设备、外部辅助设备的发热量，其中服务器、存储、网络等主设备占到设备散热量的80%。所以随着服务器集成密度的持续增高，服务器机柜设备区就成为了机房内主要的热岛区域。服务器设备热密度越来越大。机房下送风空调系统是将抗静电活动地板下空间作为空调系统的送风静压箱，空调机组由通风地板向机柜、设备等热负荷送风。可是高密度机柜从机柜前面的地板出风口出风。当冷风送至机柜的中部冷风已经被服务器全部吸收。所以，机柜的上半部分没有足够的冷量，就会导致机柜上半部分的设备无法正常运行。

现在机房服务器类负荷的最高散热量近年来已攀升至每机柜20KW以上。原有地板下送风机房精密空调系统理想送风状况下的机房单位面积最大供冷量为4KW/㎡(更大供冷量所配置的空调机组送风量也相应增大，其送风风压足以把地板给吹起来)，已无法满足其需求。

上述的问题解决。机房在设计中静电地板高度的提升，地板出风口的通风率的提高，封闭机柜冷通道。还可以在用风道上送风和地板下送风结合制冷等方式进行解决。

机房空调的冷量不浪费，有效的利用可以很大的提高空调的利用率。在实现机房制冷的前提下空调运行也可以节能。通过空调系统一系列的优化，可以降低整个机房的PUE值。

然而，空调本身的耗电量是最主要的。所以解决空调自身的耗电量成本降低空调能耗的关键。机房中采用传统的风冷制冷方式是最耗电的运行方式。在大的IDC中现在基本上都采用水冷式的机房空调系统，比风冷系统节能20%左右。

但是，我们可以在通过新的空调技术还可以比水冷空调在节能30%以上的空调系统(非电空调)。

非电空调俗称溴化锂空调、吸收式制冷机、燃气空调等，其工作原理是通过采用天然气、城市煤气、发电废热、工业废热、工业废水、太阳能、沼气等任何能产生80℃以上的热能为动力、以溴化锂为冷媒进行热交换，从而降低空调循环水温度，达到制冷目的;但“非电”只是空调本身的制冷不直接用电来运作，但是支持空调运作的后方机组，比如说，风机、水泵、冷却塔都是需要耗电的。

但相对于直接用电来制冷和制热，非电空调对电力的消耗非常小。所以这种非电技术的意思是，我们无法杜绝用电，但是可以做到大幅度节约用电。

非电空调制冷原理：就是利用溴化锂溶液实现的，即水和溴化锂的二介介质，由于沸点不同而且具有吸水性的原因当加热溴化锂溶液时，水被蒸发，蒸发的水流入蒸发器内蒸发吸热，然后蒸汽被冷凝，再次与溴化锂混合成为溶液。这些过程中，它被热源加热，然后通过蒸发将需要冷却的一端冷却了，同时冷凝的热量通过室外的冷却塔冷却或送到室内制热等。这样就实现了用热制冷。

所谓非电技术，就是采用直接由热能来制冷的原理。传统意义上的电空调，要完成制冷效果，必须由热能到机械能、由机械能到电能、再由电能回到机械能，最后才能到冷能，这其中5次能量转换过程都将排出一定数量的二氧化碳。因此，从理论上来说非电空调不仅节约了能源，还有效地减少了空调制冷过程中4倍的碳排放。

机房建设中空调系统通过最新的技术，我们可以把空调的能耗占整个机房总能耗的比值控制在15%左右。这样整个机房的PUE值就可以控制在2以下。

数据中心的UPS电源占机房总功耗的5%左右。而UPS自身的功率占UPS的7%左右。而且机房建设的等级越高需要UPS的数量就越多。比如：一个国标C级的机房配置一台400KVAUPS就可以满足要求，这个机房中的负载没有变化，只是等级从C级变成A级。但是，UPS就会从一台400KVA变成四台400KVA的UPS。所以解决UPS的自身功耗也是非常重要的。如果机房供电的电源质量非常好，UPS的工作方式就可以采用后备式的方式。正常工作市电通过UPS的旁路直接给负载进行供电，UPS处于备份状态。市电停电以后，直接转换成UPS电池供电模式。通过这样的方式可以节约所有UPS的自身功耗的电量。

最后，PUE无论这样变化，都是大于1的乘数因子。要做到最佳节能，降低服务器等IT设备的功耗，才是最有效的方法。比如1W的IT设备需要总功耗电量为16W。当降低服务器设备功耗为08的时候，数据中心总功耗立即降为08×16=128。IT设备降低了02，而总耗电量降低了032。这就是乘数因子效应。

一直想整理一下这块内容，既然是漫谈，就想起什么说什么吧。我一直是在互联网行业，就以互联网行业来说。

先大概列一下互联网行业数据仓库、数据平台的用途：

整合公司所有业务数据，建立统一的数据中心；

提供各种报表，有给高层的，有给各个业务的；

为网站运营提供运营上的数据支持，就是通过数据，让运营及时了解网站和产品的运营效果；

为各个业务提供线上或线下的数据支持，成为公司统一的数据交换与提供平台；

分析用户行为数据，通过数据挖掘来降低投入成本，提高投入效果；比如广告定向精准投放、用户个性化推荐等；

开发数据产品，直接或间接为公司盈利；

建设开放数据平台，开放公司数据；

。。。。。。

上面列出的内容看上去和传统行业数据仓库用途差不多，并且都要求数据仓库/数据平台有很好的稳定性、可靠性；但在互联网行业，除了数据量大之外，越来越多的业务要求时效性，甚至很多是要求实时的 ，另外，互联网行业的业务变化非常快，不可能像传统行业一样，可以使用自顶向下的方法建立数据仓库，一劳永逸，它要求新的业务很快能融入数据仓库中来，老的下线的业务，能很方便的从现有的数据仓库中下线；

其实，互联网行业的数据仓库就是所谓的敏捷数据仓库，不但要求能快速的响应数据，也要求能快速的响应业务；

建设敏捷数据仓库，除了对架构技术上的要求之外，还有一个很重要的方面，就是数据建模，如果一上来就想着建立一套能兼容所有数据和业务的数据模型，那就又回到传统数据仓库的建设上了，很难满足对业务变化的快速响应。应对这种情况，一般是先将核心的持久化的业务进行深度建模（比如：基于网站日志建立的网站统计分析模型和用户浏览轨迹模型；基于公司核心用户数据建立的用户模型），其它的业务一般都采用维度+宽表的方式来建立数据模型。这块是后话。

整体架构下面的图是我们目前使用的数据平台架构图，其实大多公司应该都差不多：

逻辑上，一般都有数据采集层、数据存储与分析层、数据共享层、数据应用层。可能叫法有所不同，本质上的角色都大同小异。

我们从下往上看：

数据采集数据采集层的任务就是把数据从各种数据源中采集和存储到数据存储上，期间有可能会做一些简单的清洗。

数据源的种类比较多：

网站日志：

作为互联网行业，网站日志占的份额最大，网站日志存储在多台网站日志服务器上，

一般是在每台网站日志服务器上部署flume agent，实时的收集网站日志并存储到HDFS上；

业务数据库：

业务数据库的种类也是多种多样，有Mysql、Oracle、SqlServer等，这时候，我们迫切的需要一种能从各种数据库中将数据同步到HDFS上的工具，Sqoop是一种，但是Sqoop太过繁重，而且不管数据量大小，都需要启动MapReduce来执行，而且需要Hadoop集群的每台机器都能访问业务数据库；应对此场景，淘宝开源的DataX，是一个很好的解决方案（可参考文章 《异构数据源海量数据交换工具-Taobao DataX 下载和使用》），有资源的话，可以基于DataX之上做二次开发，就能非常好的解决，我们目前使用的DataHub也是。

当然，Flume通过配置与开发，也可以实时的从数据库中同步数据到HDFS。

来自于Ftp/>

有可能一些合作伙伴提供的数据，需要通过Ftp/也可以满足该需求；

其他数据源：

比如一些手工录入的数据，只需要提供一个接口或小程序，即可完成；

数据存储与分析毋庸置疑，HDFS是大数据环境下数据仓库/数据平台最完美的数据存储解决方案。

离线数据分析与计算，也就是对实时性要求不高的部分，在我看来，Hive还是首当其冲的选择，丰富的数据类型、内置函数；压缩比非常高的ORC文件存储格式；非常方便的SQL支持，使得Hive在基于结构化数据上的统计分析远远比MapReduce要高效的多，一句SQL可以完成的需求，开发MR可能需要上百行代码；

当然，使用Hadoop框架自然而然也提供了MapReduce接口，如果真的很乐意开发Java，或者对SQL不熟，那么也可以使用MapReduce来做分析与计算；Spark是这两年非常火的，经过实践，它的性能的确比MapReduce要好很多，而且和Hive、Yarn结合的越来越好，因此，必须支持使用Spark和SparkSQL来做分析和计算。因为已经有Hadoop Yarn，使用Spark其实是非常容易的，不用单独部署Spark集群，关于Spark On Yarn的相关文章，可参考：《Spark On Yarn系列文章》

实时计算部分，后面单独说。

数据共享这里的数据共享，其实指的是前面数据分析与计算后的结果存放的地方，其实就是关系型数据库和NOSQL数据库；

前面使用Hive、MR、Spark、SparkSQL分析和计算的结果，还是在HDFS上，但大多业务和应用不可能直接从HDFS上获取数据，那么就需要一个数据共享的地方，使得各业务和产品能方便的获取数据； 和数据采集层到HDFS刚好相反，这里需要一个从HDFS将数据同步至其他目标数据源的工具，同样，DataX也可以满足。

另外，一些实时计算的结果数据可能由实时计算模块直接写入数据共享。

数据应用

业务产品

业务产品所使用的数据，已经存在于数据共享层，他们直接从数据共享层访问即可；

报表

同业务产品，报表所使用的数据，一般也是已经统计汇总好的，存放于数据共享层；

即席查询

即席查询的用户有很多，有可能是数据开发人员、网站和产品运营人员、数据分析人员、甚至是部门老大，他们都有即席查询数据的需求；

这种即席查询通常是现有的报表和数据共享层的数据并不能满足他们的需求，需要从数据存储层直接查询。

即席查询一般是通过SQL完成，最大的难度在于响应速度上，使用Hive有点慢，目前我的解决方案是SparkSQL，它的响应速度较Hive快很多，而且能很好的与Hive兼容。

当然，你也可以使用Impala，如果不在乎平台中再多一个框架的话。

OLAP

目前，很多的OLAP工具不能很好的支持从HDFS上直接获取数据，都是通过将需要的数据同步到关系型数据库中做OLAP，但如果数据量巨大的话，关系型数据库显然不行；

这时候，需要做相应的开发，从HDFS或者HBase中获取数据，完成OLAP的功能；

比如：根据用户在界面上选择的不定的维度和指标，通过开发接口，从HBase中获取数据来展示。

其它数据接口

这种接口有通用的，有定制的。比如：一个从Redis中获取用户属性的接口是通用的，所有的业务都可以调用这个接口来获取用户属性。

实时计算现在业务对数据仓库实时性的需求越来越多，比如：实时的了解网站的整体流量；实时的获取一个广告的曝光和点击；在海量数据下，依靠传统数据库和传统实现方法基本完成不了，需要的是一种分布式的、高吞吐量的、延时低的、高可靠的实时计算框架；Storm在这块是比较成熟了，但我选择Spark Streaming，原因很简单，不想多引入一个框架到平台中，另外，Spark Streaming比Storm延时性高那么一点点，那对于我们的需要可以忽略。

 我们目前使用Spark Streaming实现了实时的网站流量统计、实时的广告效果统计两块功能。

做法也很简单，由Flume在前端日志服务器上收集网站日志和广告日志，实时的发送给Spark Streaming，由Spark Streaming完成统计，将数据存储至Redis，业务通过访问Redis实时获取。

任务调度与监控在数据仓库/数据平台中，有各种各样非常多的程序和任务，比如：数据采集任务、数据同步任务、数据分析任务等；

这些任务除了定时调度，还存在非常复杂的任务依赖关系，比如：数据分析任务必须等相应的数据采集任务完成后才能开始；数据同步任务需要等数据分析任务完成后才能开始； 这就需要一个非常完善的任务调度与监控系统，它作为数据仓库/数据平台的中枢，负责调度和监控所有任务的分配与运行。

前面有写过文章，《大数据平台中的任务调度与监控》,这里不再累赘。

总结在我看来架构并不是技术越多越新越好，而是在可以满足需求的情况下，越简单越稳定越好。目前在我们的数据平台中，开发更多的是关注业务，而不是技术，他们把业务和需求搞清楚了，基本上只需要做简单的SQL开发，然后配置到调度系统就可以了，如果任务异常，会收到告警。这样，可以使更多的资源专注于业务之上。

以上就是关于数据中心PUE值是什么 数据中心PUE值研究介绍【详解】全部的内容，包括:数据中心PUE值是什么 数据中心PUE值研究介绍【详解】、数据中心是什么其系统结构和工作原理是怎样的呢、等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！