基于学习增强的在线控制技术，用于实现可持续的数据中心与边缘计算系统：构建可持续且具备支持能力的数字基础设施

《IEEE Energy Sustainability Magazine》：Learning-Augmented Online Control for Sustainable Data Centers and Edge Computing Systems: Fostering a Sustainable and Supportive Digital Infrastructure

数据中心的能源足迹管理面临高需求峰值和碳密集型备份电力问题，传统预测控制或最坏情况应对策略均存在不足。本研究提出学习增强在线控制（LAO），将预测视为指导而非绝对，结合简单预测信号与概率性时机选择，平衡效率与韧性。实验表明LAO在多样化负载下显著降低峰值需求和提升策略成功率，为构建整合能源与计算生态的可持续数字基础设施提供新方法。

　　

摘要：

随着数据中心的用电量持续增长，管理其能源消耗变得至关重要，因为需求的增加不仅提升了成本，还加剧了碳排放。作为数据中心的补充，边缘计算系统正在迅速发展，数十亿连接的设备将工作负载推向用户更近的位置，进一步增加了数字基础设施的总体能源消耗。最紧迫的挑战在于短暂的高需求峰值，这些峰值会推高容量费用，并导致对高碳能耗备用电源的依赖。传统策略往往效果不佳：基于预测的控制方法在预测出现偏差时会失效，而极端情况下的对冲措施则会浪费电池和资源。本文介绍了一种名为“学习增强型在线控制”（Learning-Augmented Online, LAO）的方法，该方法将预测视为指导而非绝对确定性。通过结合简单的预测信号和概率性时机判断，该方法在保证效率的同时提升了系统的韧性，并在不确定性环境下保持稳定的性能。在多种数据中心和边缘计算负载下的评估显示，该方法能够持续降低需求峰值，并且成功率高于确定性或纯预测策略。通过使计算需求与电力和碳排放目标保持一致，LAO为在日益融合的能源与计算生态系统中构建更可持续、更支持电网的数字基础设施提供了实用的基础。

随着数据中心的用电量持续增长，管理其能源消耗变得至关重要，因为需求的增加不仅提升了成本，还加剧了碳排放。作为数据中心的补充，边缘计算系统正在迅速发展，数十亿连接的设备将工作负载推向用户更近的位置，进一步增加了数字基础设施的总体能源消耗。最紧迫的挑战在于短暂的高需求峰值，这些峰值会推高容量费用，并导致对高碳能耗备用电源的依赖。传统策略往往效果不佳：基于预测的控制方法在预测出现偏差时会失效，而极端情况下的对冲措施则会浪费电池和资源。本文介绍了一种名为“学习增强型在线控制”（Learning-Augmented Online, LAO）的方法，该方法将预测视为指导而非绝对确定性。通过结合简单的预测信号和概率性时机判断，该方法在保证效率的同时提升了系统的韧性，并在不确定性环境下保持稳定的性能。在多种数据中心和边缘计算负载下的评估显示，该方法能够持续降低需求峰值，并且成功率高于确定性或纯预测策略。通过使计算需求与电力和碳排放目标保持一致，LAO为在日益融合的能源与计算生态系统中构建更可持续、更支持电网的数字基础设施提供了实用的基础。