🔢 mathematics

Resilience Enhancement of Electricity-Computing Interdependency System against Contingency

本文提出了一种电力-计算相互依赖系统（ECIS）模型及一种恢复优化策略，该策略能够根据系统状态和基础设施的相互依赖关系动态调整数据中心电力配额，证明在电力短缺期间韧性提升了20%以上。

原作者： Minqiao Zheng, Zejun Yang

发布于 2026-07-28

📖 1 分钟阅读🧠 深度阅读

原作者： Minqiao Zheng, Zejun Yang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

把一座城市想象成一个巨大的、活着的有机体。几十年来，我们一直知道这个有机体需要电力来维持心脏跳动和灯光亮起。但在过去几年里，发生了一些新的变化：这座城市长出了一个庞大的数字大脑。这个“大脑”是由计算能力构成的——它是运行我们的医院、银行和通信网络的无形引擎。就像人类大脑需要氧气来思考一样，这个数字大脑也需要电力来运转。棘手的是，它们现在陷入了一种共舞：数字大脑需要电力来运行，但城市的其余部分也需要这个数字大脑才能正常运作。如果停电了，大脑就会停止思考，城市就会陷入瘫痪。如果大脑获得了过多的电力，而城市的其余部分却没有得到足够的电力，城市仍然无法运转。本文探讨了在灾难发生且电力供应开始缩减时，如何维持这种微妙的共舞。

来自上海大学的研究人员郑敏桥（Minqiao Zheng）和杨泽君（Zejun Yang）决定建立一种看待这一问题的新方式。他们将他们的创造物称为“电力-计算相互依赖系统”（Electricity-Computing Interdependency System，简称 ECIS）。把它想象成一个危机时刻城市的智能交通控制器。在过去，当灾难来袭且电力匮乏时，城市规划者使用一种简单的“优先级列表”。他们会说：“医院优先获得电力，然后是银行，接着是学校。”如果数据中心（为城市的数字大脑提供支持的、装满计算机的巨大仓库）在那个名单上，它会被当作一个需要灯光和空调的普通建筑来对待。

作者认为，这种旧的思维方式已经失效了。他们指出，数据中心不仅仅是一个使用电力的建筑；它是一个制造其他东西的工厂：计算能力。它吸收电力并将其转化为医院和银行运行所需的数字燃料。如果你把数据中心当作一个普通的建筑来对待，你可能会在电力不足的情况下给它过多的电力，导致城市的其余部分“挨饿”。或者，你可能会给它太少的电力，导致即使灯亮着，城市的数字大脑也处于休眠状态。

为了解决这个问题，团队创建了一个计算机模拟来测试一种新策略。他们模拟了一个拥有不同类型建筑的城市：如救命场所般的医院（第1级）、公共服务设施如水系统和大学（第2级），以及普通区域如商店和住宅（第3级）。随后，他们模拟了一场可用电力降至正常水平仅20%的灾难。

他们测试了两种方法。第一种是旧有的“优先级列表”法。他们尝试给予数据中心高优先级（使其成为贵宾）和低优先级（使其成为普通宾客）。结果很混乱。当数据中心作为贵宾且在30%的供应量下获得所有电力时，数据中心很“开心”，但医院和银行没有电，无法运作，因此整个城市的得分是零。当数据中心作为普通宾客时，医院得到了电力，但由于它们需要数据中心的计算能力来运行系统，它们无法开展工作。城市依然陷入困境。

接着，他们尝试了这种新的“电力-计算相互依赖”策略。这就像是给了交通控制器一种超能力：洞察全局的能力。这种新策略不再使用固定的列表，而是询问：“为了帮助最关键的建筑，数据中心现在需要多少电力？”

模拟显示，这种新方法改变了局面。当电力极低（20%-40%）时，该策略会明智地决定暂时“牺牲”数据中心，直接向医院和银行供电，以便它们能维持基本的照明。随着电力供应缓慢恢复到50%-80%，该策略开始向数据中心输送更多电力，因为它知道此时数据中心可以产生足够的计算能力来协助其他建筑更好地工作。

结果令人印象深刻。在这些模拟中，新策略使城市的整体恢复能力（韧性）比旧方法提高了20%以上。具体而言，新策略实现了0.553的韧性得分，而旧方法中最好的策略仅能达到0.449或0.433。研究人员还发现，如果你忽略了建筑之间的连接（例如银行如何依赖数据中心），你就会高估城市的表现。通过包含这些连接，该模型显示韧性得分提升了9.5%。

简而言之，本文表明在我们这个人工智能驱动的世界里，我们不能仅仅关注电力。我们必须理解电力和计算能力是一个团队。通过让一个智能系统根据当前情况，决定如何在“大脑”（数据中心）和“身体”（城市的其余部分）之间分配电力，我们可以在灯光闪烁时让城市运行得更好。这并不是解决所有灾难的万灵药，但在这些计算机模型中，它展示了一条通往更具韧性的未来的清晰路径。

技术摘要：提升电力-计算互依赖系统在应急情况下的韧性

问题陈述
现代城市基础设施（包括医院、金融机构和水务系统）高度依赖数据中心（DC）提供的稳定计算服务。然而，现有的灾后恢复韧性模型通常仅将数据中心视为具有固定优先级水平的电力负荷。这种视角忽略了关键的互依赖关系，即数据中心将电能转化为计算能力，以支持其他城市功能。因此，传统的“有电即有功能”模型无法捕捉到即使在电力部分恢复的情况下，由于计算能力供应中断而导致的级联失效。此外，目前的资源调度研究通常假设电力资源充足，忽略了极端灾害对计算能力可用性的约束。目前缺乏一个统一的框架来描述极端条件下计算力系统、电力系统与城市基础设施之间的协同关系。

方法论
为了填补这些空白，作者提出了一个**电力-计算互依赖系统（ECIS）**框架及一种协同优化策略。

系统建模：
- 功能层面： 系统的整体功能水平（ $F_{sys}$ ）被定义为各设施功能水平的加权和，该水平随电能供应比例（ $k$ ）而变化。
- 数据中心建模： 数据中心被建模为一个将电能转化为计算能力的设施。通过分段函数（ $g(P_{dc})$ ）将输入的电能映射为输出的计算能力，从而捕捉启动阈值、爬坡阶段和饱和状态。
- 设施功能性： 基础设施的基础功能水平（ $B_i$ ）是其电力满足度和计算力满足度的加权和。权重（ $\alpha_i, \beta_i$ ）反映了不同类型设施的具体依赖程度（例如，金融机构具有较高的 $\beta_i$ ）。
- 依赖传播： 基于依赖权重矩阵（ $A$ ）的迭代模型模拟了一个设施的失效如何影响其他设施。实际功能水平（ $F_i$ ）是设施基础功能与其外部依赖满足水平的乘积，并持续更新直至收敛。
优化策略：
- 目标是最大化系统整体韧性（ $R$ ），即系统功能水平曲线在整个恢复阶段下的面积。
- 该问题被表述为一个非线性约束优化问题，并使用遗传算法进行求解。
- 对比了两种策略：
  - 策略 A（基准）： 一种预定义的优先级列表恢复策略，其中数据中心被视为具有固定权重的常规负荷。
  - 策略 B（提议方案）： 一种协同优化策略，该策略根据系统状态动态调整数据中心的电能配额，明确考虑了计算力供应带来的间接收益以及基础设施间的相互依赖关系。

核心贡献

ECIS 框架： 本文提出了一个刻画灾后场景下计算力、电力与基础设施间相互依赖关系的框架。
协同优化策略： 开发了一种新策略，将计算力供应和基础设施依赖性整合进电力分配中。与传统方法不同，它不单纯将数据中心视为负荷，而是将其视为更广泛系统中关键资源的生产者（计算力）。

结果
通过模拟电能供应比例从 20% 到 100% 的案例研究表明：

固定优先级的局限性（策略 A）： 在严重电力短缺（供应量为 20–40%）期间，为数据中心分配固定的高优先级会导致系统功能崩溃，因为其他关键设施会因电力匮耗而无法运行。反之，分配低优先级则会导致在恢复中期（供应量为 50–80%）出现计算力短缺，从而降低高依赖性设施（如金融机构）的功能水平。
提议策略的表现（策略 B）： 策略 B 动态调整数据中心的电能满足度。它在严重短缺期间牺牲数据中心以维持基础城市功能，并在供应恢复时增加数据中心功率分配，以利用计算力的收益。
定量改进：
- 策略 B 实现的系统韧性值为 0.553，比采用低数据中心权重的策略 A 高出 23.2%，比采用高数据中心权重的策略 A 高出 27.7%。
- 在策略 B 中考虑基础设施间的相互依赖关系，相比于忽略这些依赖性的版本，使韧性进一步提升了 9.5%。
- 与传统的预定义优先级列表策略相比，所提策略在电力短缺期间使系统韧性提升了 20% 以上。

意义
本文认为，在人工智能革命和数字基础设施发展的背景下，计算力已成为城市韧性的关键资源。仅从电力角度评估灾后恢复已不再足够。通过将数据中心建模为电能向计算力的转换器，并考虑相互依赖关系，所提出的 ECIS 框架为优化极端事件期间的资源分配提供了一种更准确且有效的方法。研究强调，忽视这些相互依赖关系会导致对城市功能水平的高估以及韧性规划的次优。未来的工作方向包括整合实际配电网拓扑和多数据中心协同。

类似论文