基于BMC调测载板活动的首篇解决方案发布-OurBMC 框架下基于虚拟温度传感器线性控制风扇的策略及实现方案
近日,OurBMC社区成员单位湖南国科超算科技有限公司基于BMC调测载板成果梳理了一份成熟的可落地方案——《OurBMC框架下基于虚拟温度传感器线性控制风扇的策略及实现方案》。该方案为社区 “BMC调测载板免费申请活动” 开展以来的首篇解决方案,为开发者提供了详实有效的技术解决方案。
“BMC调测载板免费申请活动” 是社区联合飞腾公司和汉为举办的特色活动,旨在为BMC技术爱好者提供BMC调测载板以及相关技术文档,便于开发者基于调测载板开展BMC模块相关的验证和测试工作,降低开发者参与社区门槛。
《OurBMC框架下基于虚拟温度传感器线性控制风扇的策略及实现方案》主要面向多种温度传感器不同的温控使用需求场景,通过以不同传感器的温度-风控曲线对照表为输入,利用线性拟合定义虚拟传感器计算式,以实现多种温控需求的整合。
风扇自动控制应用背景
服务器的实际使用场景中,风扇控制策略需要实时考虑各类不同的温度传感器。例如CPU核心温度、内存DIMM条温度、板载PCIE卡温度、各类进出风口温度等。根据各类部件不同环境温度的使用要求,其相应的温度-风扇转速控制策略也存在差异性。除去温度以外,风扇的噪声和功耗也是参考的重要指标。
基于虚拟温度传感器线性控制风扇的结构
虚拟传感器通过以其他多种温度传感器,和每个对应的温度-转速参照表计算生成,具体的计算公式可根据实际需求通过线性拟合得出。实际的实现只需在phosphor-virtual-sensor软件包中定义相应的虚拟传感器计算公式即可。虚拟传感器成功生成后,其温度信息和计算时选取的基准参照表,作为phoshpor-fan相关风控软件包实现的控制策略中里唯一的传感器和唯一温度-转速参照表输入。
基于BMC调测载板的实测
- 风扇降温时的转速参照表
- 实测场景
- 实测的结果
当前场景中,Fan_Set_Ref_Temp_DEV计算得出的温度为40.875度,此时等于基准温度PCIE_Inlet_Temp温度。根据基准参照表得出pwm设定为20%。此时FAN1,FAN3,FAN7,FAN9理论转速约为20%*15500=3100rpm,实测结果基本符合预期。
关注OurBMC公众号,后台回复 “策略及实现方案”,获取《OurBMC框架下基于虚拟温度传感器线性控制风扇的策略及实现方案》:
欢迎各成员单位及开发者积极投稿,为社区建设添砖加瓦,投稿请联系:
点击下方链接了解 “BMC调测载板免费申请活动” 详情:

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
- 上一篇
HBase 在统一内容平台业务的优化实践
作者:来自 vivo 互联网服务器团队-Leng Jianyu、Huang Haitao HBase是一款开源高可靠性、扩展性、高性能和灵活性的分布式非关系型数据库,本文围绕数据库选型以及使用HBase的痛点展开,从四个方面对HBase的使用进行优化,取得了一些不错效果。 一、业务简介 统一内容平台主要承担vivo内容生态的内容审核、内容理解、内容智作和内容分发等核心功能,通过聚合全网内容,建设行业级的业务中台和内容生态,为上下游提供优质可靠的一站式服务,目前服务的业务方包括视频业务、泛信息流业务等。 作为一个内容中台,每天要新增存储大量图文和视频内容来满足分发的需要。与此同时,对这些内容加工处理的数据也都需要存储,包括基础信息,分类标签信息,审核信息等等。而且不仅仅是需要存储的数据量级很大,对数据的读取和写入操作也非常频繁,当前对数据库的读写主要集中在两个方面: 核心链路的内容处理包含了大量对内容特征信息的读取和写入操作; 对外提供的查询服务会产生很多回源查询数据库的操作。 在经过多年累积后,当前存储的数据量越变越大,并且可以预见数据量级会不断膨胀下去,如何选择一种可靠的存储选型,来...
- 下一篇
给 「大模型初学者」 的 LLaMA 3 核心技术剖析
编者按: 本文旨在带领读者深入了解 LLaMA 3 的核心技术 ------ 使用 RMSNorm 进行预归一化、SwiGLU 激活函数、旋转编码(RoPE)和字节对编码(BPE)算法。RMSNorm 技术让模型能够识别文本中的重点,SwiGLU 激活函数则如同"神笔",让模型生成的文本更加突出重点且易于理解;RoPE 赋予了模型处理序列中词语位置的灵活性,而 BPE 算法则有效提升了模型处理长文本的能力。 从开发环境配置到项目逻辑梳理,各组件的介绍与构建,再到模型组件的整合,本文将带你一步步走过从文本数据分词到创建嵌入、从注意力机制到多头注意力实现的全过程。仅需具备一定的 Python 编程基础,并对神经网络和 Transformer 架构有基本的认识,便能跟随本文的指引,观察 LLaMA 3 如何根据输入生成输出,见证它如何基于输入生成连贯且有意义的文本。 本文作者提供了完整的代码示例和详细的指导文档,无需 GPU ,仅需 17 GB RAM 即可开始实践。无论是希望深化理论认识还是渴望实践技能提升,本文都将是不可多得的优质内容。 作者 | Fareed Khan 编译 | 岳扬 ...
相关文章
文章评论
共有0条评论来说两句吧...
文章二维码
点击排行
推荐阅读
最新文章
- CentOS6,7,8上安装Nginx,支持https2.0的开启
- CentOS关闭SELinux安全模块
- CentOS8,CentOS7,CentOS6编译安装Redis5.0.7
- SpringBoot2更换Tomcat为Jetty,小型站点的福音
- CentOS6,CentOS7官方镜像安装Oracle11G
- SpringBoot2编写第一个Controller,响应你的http请求并返回结果
- Red5直播服务器,属于Java语言的直播服务器
- CentOS7编译安装Cmake3.16.3,解决mysql等软件编译问题
- SpringBoot2整合MyBatis,连接MySql数据库做增删改查操作
- SpringBoot2整合Thymeleaf,官方推荐html解决方案