اقتصاد دیجیتال از زمانی معنا پیدا کرد که بر پایه مراکز داده شکل گرفت. سرویسهای ابری و استریمینگهای ویدیویی گرفته تا بانکداری آنلاین و حتی همین هوش مصنوعیهایی مثل ChatGPT و سرویسهای پردازش تصویر که روزانه از آنها استفاده میکنیم، همگی بر دوش دیتاسنترها هستند. اما قدرت پردازشی که این سرویسها نیاز دارند، یک هزینه جدی دارد و آن هم مصرف انرژی بالای آنها است.
طبق گزارش آژانس بینالمللی انرژی (IEA)، مراکز داده حدود ۱ تا ۱.۵ درصد از مصرف برق جهانی را به خود اختصاص میدهند. این عدد شاید در مقایسه با کل مصرف جهانی کوچک به نظر برسد، اما وقتی بدانیم این سهم فقط مربوط به یک صنعت دیجیتال است، بزرگی آن بهتر درک میشود.
ضمن اینکه بخش قابل توجهی از این مصرف نیز مربوط به تجهیزات IT و سیستمهای خنککاری است. به همین ترتیب شرکتها و اپراتورهای بزرگ فناوری به سمت راهکارهایی حرکت کردهاند که بتوانند مصرف انرژی را کنترل و بهینه کنند. در ادامه میخواهیم به برخی از مهمترین این راهکارها بپردازیم.
چرا کاهش مصرف انرژی در مراکز داده اهمیت دارد؟
دیتاسنترها بیش از یک دلیل برای کاهش مصرف انرژی دارند. این موضوع فقط برای کاهش هزینه قبض برق نیست؛ هرچند همان هم رقم کمی نیست. بلکه مستقیماً بر کاهش هزینههای عملیاتی (OPEX)، افزایش پایداری (Sustainability)، بهبود شاخص PUE و حتی مزیت رقابتی برند تأثیر میگذارد. سازمانی که مصرف انرژی خود را مدیریت میکند، در برابر نوسانات قیمت انرژی مقاومتر است و تصویر حرفهایتری از خود در بازار فناوری ارائه میدهد.
در کنار تمامی این مزایا، یک مزیت بزرگتر نیز وجود دارد که به همه شهروندان مربوط میشود: کاهش ردپای کربن. مسیری که اگر همه بازیگران صنعت فناوری سهم خود را در آن ایفا کنند، آیندهای پایدارتر برای نسلهای بعدی رقم خواهد خورد.
اندازهگیری و مدیریت هوشمند انرژی
در این بخش میخواهیم به یک اصل پایه اشاره کنیم: بدون اندازهگیری دقیق، هیچ بهینهسازیای واقعی نیست. بنابراین اولین قدم، پایش مصرف انرژی در لایههای مختلف مرکز داده است. از سطح رک گرفته تا کل سایت. پس باید ابزارها و سیستمهایی داشته باشیم که مصرف را به صورت لحظهای، تحلیلی و قابل گزارشگیری نمایش دهند.
1. شاخص PUE چیست و چرا اهمیت دارد؟
PUE یا Power Usage Effectiveness شاخصی استاندارد در صنعت دیتاسنتر است که بدین شکل تعریف میشود: نسبت کل انرژی مصرفی مرکز داده به انرژی مصرفی تجهیزات IT.
فرمول آن به این صورت است:
PUE = Total Facility Energy / IT Equipment Energy
عدد ایدهآل PUE برابر با ۱ است؛ یعنی تمامی انرژی صرف تجهیزات اصلی میشود و هیچ اتلافی در خنککاری یا زیرساختها وجود ندارد. اما رسیدن به این عدد در عمل تقریباً غیرممکن است.
طبق دادههای منتشرشده توسط The Green Grid، میانگین جهانی PUE حدود ۱.۵ تا ۱.۶ است. این یعنی هنوز بخش قابل توجهی از انرژی صرف سیستمهای جانبی میشود. هرچه بتوانیم این عدد را به ۱ نزدیکتر کنیم، بهرهوری انرژی بالاتر خواهد رفت و هزینهها کاهش پیدا میکند.
2. پیادهسازی DCIM؛ یکی از روشهای کاهش مصرف برق مراکز داده
DCIM یا Data Center Infrastructure Management یک رویکرد نرمافزاری و مدیریتی است که دیدگاهی جامع نسبت به زیرساخت مرکز داده ارائه میدهد. با کمک این سیستم میتوانید سرورهای بلااستفاده را شناسایی کنید، منابع را به شکل بهینه تخصیص دهید و مصرف انرژی هر رک یا هر بخش را به صورت لحظهای پایش نمایید.
همچنین امکان تحلیل ظرفیت، پیشبینی بار مصرفی و جلوگیری از اضافهبار نیز فراهم میشود. همه ما میدانیم که بدون داده دقیق، بهینهسازی انرژی عملاً ممکن نیست. بنابراین استفاده از سیستمهای مانیتورینگ و DCIM یک ضرورت است.
بهینهسازی زیرساخت فیزیکی و طراحی
در کنار مدیریت هوشمند، باید به زیرساخت فیزیکی نیز توجه جدی داشت. طراحی درست از همان ابتدا میتواند سالها در مصرف انرژی صرفهجویی ایجاد کند.
1. مدیریت جریان هوا (Airflow Management)
از نظر زیرساختی، یکی از مؤثرترین راهکارها مدیریت جریان هوا است. برای این کار باید راهروهای سرد و گرم را از هم جدا کنید؛ به طوری که رکها به صورت روبهرو یا پشتبهپشت چیده شوند تا هوای سرد و گرم با یکدیگر مخلوط نشوند. همچنین استفاده از سیستمهای محفظهبندی (Containment) باعث افزایش راندمان خنککاری میشود.
بر اساس مطالعات EPA، اجرای صحیح این راهکارها میتواند مزایای زیر را به همراه داشته باشد:
- کاهش ۲۵٪ مصرف انرژی فنها
- کاهش ۲۰٪ مصرف انرژی چیلرها
2. بهبود کف و سقف کاذب؛ جزو روشهای کاهش مصرف برق مراکز داده
کف و سقف کاذب که برای توزیع کابلکشی و جریان هوا استفاده میشوند، در صورت طراحی اصولی میتوانند تأثیر مثبتی بر راندمان داشته باشند. برخی استانداردهای پیشنهادی عبارتاند از:
- ارتفاع بهینه کف کاذب: ۰.۶ تا ۰.۹ متر
- درصد بازشدگی کاشیهای مشبک: حدود ۲۵٪
- استفاده از بلنک پنل – Blanking Panel برای جلوگیری از چرخش هوای گرم
3. بهینهسازی سیستمهای خنککننده
سیستم خنککاری حدود ۳۰ تا ۴۰ درصد مصرف انرژی یک دیتاسنتر را تشکیل میدهد. بنابراین تمرکز بر این بخش معمولاً بازگشت سرمایه سریعی دارد.
در این راستا توصیه میشود خنککاری در سطح رک یا ردیف انجام شود. یعنی به جای خنکسازی کل سالن به شکل یکپارچه، سیستم خنککننده به منبع گرما نزدیکتر شود تا اتلاف انرژی کاهش یابد. این روش برای رکهایی با توان بیش از ۵ کیلووات بسیار کاربردی است.
4. خنککاری مایع (Liquid Cooling)
در پردازشهای سنگین مانند هوش مصنوعی و یادگیری عمیق، خنککاری هوایی دیگر پاسخگو نیست. به همین دلیل بسیاری از شرکتهای بزرگ به سمت خنککاری مایع حرکت کردهاند. برای مثال برخی شرکتهای بزرگ از سیستم Cold Plate و خنککنندگی بهوسیله غوطهوری Immersion Cooling استفاده میکنند.
در روش Cold Plate، مایع خنککننده از طریق صفحات نصبشده روی قطعات داغ مانند CPU و GPU عبور میکند و گرما را مستقیماً جذب میکند. در صورت اجرای اصولی، این روش میتواند شاخص PUE را حتی تا حدود ۱.۱ کاهش دهد.
روش دیگر، خنککنندگی به وسیله غوطهوری (Immersion Cooling) است. در این روش، سرورها در مایع غیررسانا غوطهور میشوند تا گرما مستقیماً به مایع منتقل شود. این فناوری میتواند تا ۹۵ درصد مصرف انرژی مرتبط با خنککاری را کاهش دهد و شاخص PUE را به عددی بسیار نزدیک به ۱ برساند.
5. استفاده از Free Cooling؛ موردی نادر از روشهای کاهش مصرف برق مراکز داده
در مناطق سردسیر میتوان از هوای بیرون برای خنککاری استفاده کرد. این یک روش مؤثر برای مراکزی است که در اقلیمهای خنک قرار دارند. برای مثال مرکز داده علیبابا در نزدیکی دریاچه چیاندا ساخته شده است و مدیران این برند از روشهای خنککاری طبیعی برای کاهش مصرف انرژی استفاده کردهاند.
بهینهسازی تجهیزات فناوری اطلاعات (IT)
در کنار مدیریت هوشمند و اصلاحات زیرساختی، میتوانید خودِ تجهیزات IT را نیز تا حد امکان بهینه کنید. گاهی تمرکز بیش از حد روی ساختمان و سیستم خنککاری باعث میشود فراموش کنیم که منبع اصلی مصرف انرژی، همان سرورها، استوریجها و تجهیزات شبکه هستند.
1. مجازیسازی و تجمیع سرورها
بهرهوری در سرورها مهمترین مسئله است. بسیاری از سرورهای سنتی فقط بین ۱۰ تا ۱۵ درصد از ظرفیت پردازشی خود را استفاده میکنند؛ یعنی بخش بزرگی از توان مصرفی آنها عملاً هدر میرود.
با مجازیسازی این سرورها میتوانید بهرهوری را حتی به ۶۰ تا ۷۰ درصد برسانید. بدین شکل تعداد سرورهای فیزیکی کاهش پیدا میکند و دیگر لازم نیست برای هر سرویس جداگانه یک سختافزار مستقل داشته باشید.
جالب است بدانید بانک Barclays با خاموش کردن بیش از ۹۰۰۰ سرور بلااستفاده، سالانه حدود ۴.۵ میلیون دلار صرفهجویی کرد. این فقط یک نمونه از تأثیر تجمیع و مدیریت درست منابع است.
2. انتخاب سختافزار کممصرف
در هنگام نوسازی یا خرید تجهیزات جدید، سعی کنید سختافزارهایی را انتخاب کنید که بازده انرژی بالاتری دارند. همچنین در برنامه جایگزینی تجهیزات، سختافزارهای پرمصرف قدیمی را در اولویت قرار دهید.
برای مثال میتوانید HDDها را با SSD جایگزین کنید که علاوه بر سرعت بالاتر، مصرف انرژی کمتری نیز دارند. یا از پردازندههای نسل جدید با قابلیت DVFS (Dynamic Voltage and Frequency Scaling) استفاده کنید که متناسب با بار پردازشی، ولتاژ و فرکانس را تنظیم میکنند و از مصرف بیهوده جلوگیری میشود.
3. استفاده از انرژیهای تجدیدپذیر
شرکتهایی مانند:
- اپل (انرژی خورشیدی)
- مایکروسافت (باد و خورشید)
- eBay (پیل سوختی)
از منابع تجدیدپذیر برای تأمین بخشی از انرژی دیتاسنترهای خود استفاده میکنند. انتخاب این مسیر به آنها کمک کرده است که هم ردپای کربن خود را کاهش دهند و هم تصویر برند پایدارتری در بازار جهانی بسازند.
4. زمانبندی مبتنی بر کربن (Carbon-Aware Scheduling)
روش آخر که کمتر شناخته شده اما تأثیر شگرفی دارد، این است که پردازشهای خود را بر اساس شدت کربن شبکه برق زمانبندی کنید. یعنی پردازشهای غیرحساس به زمان را به ساعاتی منتقل کنید که سهم انرژی تجدیدپذیر در شبکه بیشتر است و شدت کربن پایینتر است.
نقش هوش مصنوعی در کاهش مصرف برق مراکز داده
هوش مصنوعی با ورودش به دیتاسنترها به یکی از تأثیرگذارترین ابزارهای کاهش مصرف انرژی تبدیل شده است؛ زیرا امکان تصمیمگیری مبتنی بر داده و بهینهسازی لحظهای را فراهم میکند.
در حوزه مدیریت هوشمند خنککاری، الگوریتمهای یادگیری ماشین با تحلیل دادههای هزاران حسگر شامل دما، رطوبت، بار پردازشی و الگوهای مصرف، رفتار حرارتی مرکز داده را پیشبینی میکنند و تنظیمات سیستمهای HVAC را بهصورت پویا اصلاح مینمایند. بدین شکل دیگر خنککاری بیش از حد لازم انجام نمیشود و دما دقیقاً در محدوده بهینه نگه داشته میشود.
برای مثال، گوگل با بهرهگیری از هوش مصنوعی توانست مصرف انرژی خنککاری را حدود ۴۰ درصد کاهش دهد و شاخص PUE خود را از ۱.۴۵ به ۱.۲۵ برساند.
در کنار خنککاری، هوش مصنوعی در مدیریت پویای بار کاری نیز نقش مهمی دارد. سیستمهای مبتنی بر AI با تحلیل لحظهای بار سرورها، توان مصرفی پردازنده و سایر اجزا را متناسب با نیاز واقعی تنظیم میکنند. این فرآیند بدون افت عملکرد و حتی بدون تغییر سختافزار میتواند بین ۱۹ تا ۲۹ درصد کاهش مصرف انرژی ایجاد کند.
با این وجود، اثربخشی این راهکارها زمانی پایدار خواهد بود که با ارتقای دورهای تجهیزات و نگهداری مستمر همراه شود. نمیتوان انتظار داشت سیستمهای قدیمی و فرسوده همان سطح بهینهسازی را ارائه دهند.
انجام ممیزی انرژی منظم نیز برای شناسایی نشتی هوا، تنظیم نبودن دما یا تجهیزات معیوب باید در کنار این اقدامات انجام شود تا بهینهسازی به شکل پایدار باقی بماند.
مقایسه روشهای کاهش مصرف انرژی
در پایان، نگاهی کلی به تأثیر برخی از این روشها میاندازیم:
|
روش |
میزان تأثیر | هزینه پیادهسازی |
بازگشت سرمایه |
|
مدیریت راهرو سرد/گرم |
بالا | متوسط |
سریع |
|
مجازیسازی |
بالا | پایین تا متوسط |
بسیار سریع |
|
خنککاری مایع |
بسیار بالا | بالا |
میانمدت |
|
AI در خنککاری |
بالا | متوسط |
سریع |
|
انرژی تجدیدپذیر |
بلندمدت | بالا |
استراتژیک |
جمعبندی
کاهش مصرف برق مراکز داده یک پروژه کوتاهمدت نیست؛ مسیری طولانیمدت است که باید بهصورت دورهای بازبینی و بهروزرسانی شود. ترکیب مدیریت هوشمند (DCIM و AI)، بهینهسازی زیرساخت فیزیکی، استفاده از خنککاری پیشرفته، مجازیسازی سرورها و بهرهگیری از انرژیهای تجدیدپذیر میتواند دیتاسنتر شما را به ساختاری کارآمد و پایدار تبدیل کند.
سوالات متداول (FAQ)
PUE مناسب برای یک مرکز داده چقدر است؟
مراکز داده مدرن معمولاً PUE بین ۱.۱ تا ۱.۳ دارند. عدد زیر ۱.۵ قابل قبول و زیر ۱.۲ بسیار کارآمد محسوب میشود.
بیشترین مصرف برق در دیتاسنتر مربوط به کدام بخش است؟
سیستمهای خنککاری و تجهیزات IT بیشترین سهم مصرف انرژی را دارند.
آیا مجازیسازی بهتنهایی کافی است؟
خیر. مجازیسازی مؤثر است اما باید با بهینهسازی خنککاری، مدیریت هوشمند و پایش مستمر ترکیب شود.
آیا استفاده از هوش مصنوعی هزینهبر است؟
در ابتدا هزینه دارد، اما کاهش مصرف ۲۰ تا ۴۰ درصدی انرژی معمولاً بازگشت سرمایه سریعی ایجاد میکند.
