引言
　　
　　随着数字经济的快速发展，信息通信重点设施（如数据中心、通信机房、基站等）的规模与数量持续扩张，其在支撑计算、存储、网络传输等核心功能的同时，用电量与碳排放量也不断增长，设施的低碳化运行已成为行业可持续发展的关键议题。然而，当前对这类设施的评价体系存在明显不足：一方面，单一的功能评价（聚焦计算力、数据存储力、网络运载力）仅能衡量设备性能，无法反映功能输出与能源资源输入的关系；另一方面，环境评价与能耗评价虽能体现部分环境影响与能耗水平，却难以衔接能源消耗与设施实际发挥的功能价值，导致无法全面、准确地评估设施的综合低碳水平。
　　
　　这种评价体系的碎片化，使得行业难以制定针对性的低碳优化策略，也无法科学衡量设施在“功能实现-能源消耗-低碳发展”链条中的综合表现，亟需一套兼顾功能性能与资源效率的一体化评价框架。在此背景下，构建信息通信重点设施低碳综合评价体系，不仅能提升现有评价方式的空白，还能为设施的规划、建设、运维提供量化依据，推动信息通信行业向绿色低碳方向转型，同时为国家“双碳”目标在数字基础设施领域的落地提供支撑。
　　
　　本研究围绕信息通信重点设施的低碳综合评价展开，主要内容包括：一是搭建融合功能评价（计算力、存储力、网络运载力）与水效、能效、碳效的综合评价体系，明确指标设计逻辑与整体框架；二是提出评价指标的具体计算方法，通过细分能耗与细分功能的耦合，实现精准评估；三是梳理算力、存力、运力及碳排放因子的数据采集路径，保障评价数据的科学性与可获得性；四是针对不同类型设施（数据中心、通信基站、机房）制定差异化关键指标，提升评价的针对性；五是探讨评价体系的外延方向，包括“有效计算”、存储安全、网络运力升级及行业绿色赋能等议题，为未来评价体系的完善提供参考。
　　
　　一、低碳综合评价体系
　　
　　单一对于设备信息计算力、数据存储力和网络运载力等的功能评价可以一定程度上衡量并评价相关设施的主设备功能性能，可体现设施所实际发挥的真实作用，但未体现设备性能与输入能源资源的关系。环境评价和能耗评价可以一定程度上衡量并评价相关设施的部分环境影响与能耗水平，可体现配套设备为支撑主设备服务小号的能源资源比例，但未体现设施所消耗的能源资源与实际发挥功能的关系。
　　
　　本文主要构建一套将信息计算力、数据存储力和网络运载力等功能评价与水效、能效和碳效相结合的评价体系，用来更全面准确的衡量与评价设施的主设备实际发挥功能与输入能源资源的关系，并进一步将算力等功能评价与设备设施的配套设备相融合，以实现对信息通信设施整体的低碳综合评价，如图1所示。
　　
　　该低碳综合评价中，充分考虑了传统能/碳/水效等方面的影响，分别以总耗电/总碳排放/总耗水量作为计算分子，其包含了信息通信设施的主设备及配套设备的共同能源资源消耗，整体考量了相关设施。此外，结合设备在计算、存储和传输上的实际功能，分别以浮点运算次数/存储容量/数据流量作为分母，体现了设施主设备的功能输出，详见图2所示。本研究实现了将算力等功能评价与设施的配套设备相耦合，从而对信息通信设施进行整体的低碳综合评价。
　　
　　二、评价指标计算方法
　　
　　图3为本研究中重点设施低碳综合评价指标计算公式汇总。其中，以下设备能耗（kW.h）为分母，分别细分总耗电量（kW.h）、总耗水量（L）及总碳排放量（t）为分子，其计算结果用以评估各领域的能耗情况。在此基础上，将IT设备功能细分为算力功能、存储功能及传输功能，分别以浮点运算次数、存储容量、数据流量作为分母，从而将细分的IT设备能耗与细分的功能领域相互耦合，得到更全面的对信息通信设施进行整体的低碳综合评价。
　　
　　三、评价指标数据采集
　　
　　对于信息通信重点设施的计算能力、存储能力和传输能力，其在数据采集方面可以涉及内容包括：
　　
　　1.信息计算力
　　
　　2018年诺贝尔经济学奖获得者威廉•诺德豪斯对算力进行定义：“算力是设备根据内部状态的改变，每秒可处理的信息数据量”。《泛在算力：智能社会的基石》结合众多权威定义中计算力的特征，将计算力定义为设备通过处理数据实现特定结果输出的能力。衡量计算机性能的一个重要指标就是计算峰值或者浮点计算峰值，它是指计算机每秒钟能完成的浮点计算最大次数。包括理论浮点峰值和实测浮点峰值。理论浮点峰值是该计算机理论上能达到的每秒钟能完成浮点计算最大次数，它主要是由CPU的主频决定的。
　　
　　计算公式为：
　　
　　理论浮点峰值=CPU主频×CPU每个时钟周期执行浮点运算次数×CPU数量
　　
　　根据目标处理的业务对象，计算力一般可分为通用算力、人工智能算力以及超算算力和指标类型。
　　
　　1）通用算力
　　
　　以CPU承载为主，主要面向通用软件应用，其计算模型主要是逻辑运算，有着不规则的数据结构、不可预测的存取模式、递归算法以及分支密集型算法。算力性能测试方面，SPEC（Standard Performance Evaluation Corporation，简称SPEC）服务器应用性能测试是一个全面衡量服务器性能的基础测试，该测试是目前业界标准的、权威的基准测试之一。得到众多国际软硬件厂商如Intel、BEA、Oracle、IBM、SUN等的支持和参与。
　　
　　2）人工智能算力
　　
　　以GPU承载为主，主要面向特定人工智能场景，其计算模型主要是并行数据计算，有着规则的数据结构（数组、矩阵类型的数值），具有可预测的存取模式。谷歌主导的MLPerf起源于2018年，是业内首套测量机器学习软硬件性能的基准套件。该基准套件囊括了组关键的机器学习训练和推理的工作负载，代表了重要的生产级别用例。此外，各大企业、高校和相关组织在人工智能性能基准测试领域已经有了很多探索，相继开发了各类基准评测程序，小米公司的Mobile AIbench，百度公司的Deep Bench，中国人工智能产业发展联盟的AIIA DNN Benchmark。
　　
　　3）超算算力
　　
　　以CPU/GPU承载为主，主要面向科学计算、工业计算、图形计算等数值仿真场景，其业务以物理世界的建模、数值计算为主，对精度要求高，其硬件结构对双精度计算单位要求高。在超算性能评价方面，普遍用计算速度，即浮点运算速度（FLOPS）来衡量超算的算力性能。国际知名排行榜TOP500，主要以超算系统运行LINPACK基准测试所能达到的最高性能对500个超算系统进行排名。
　　
　　计算能力评估时，可以考虑以下几个方面：现状评估、评估方法和指标、数据收集和分析，以及改进建议。现状评估：确定评估的范围和目标，例如评估整个计算机系统的算力能效或者特定应用程序的算力能效；收集计算机系统的相关信息，包括硬件规格、能源消耗数据、运行负载等；分析当前计算机系统的能源消耗和表现，了解现状并确定改进的潜力性能。评估方法和指标：选择适当的评估方法和指标，以衡量算力能效，根据评估的范围和目标，选择合适的方法和指标进行评估。数据收集和分析：收集计算机系统的能耗数据、性能数据和负载数据等；对收集到的数据进行分析，计算指标和评估结果；可以使用数据可视化工具来展示评估结果，以便更好地理解和比较不同系统的算力能效。改进建议：基于评估结果，提出改进建议和策略，以提高算力能效；建议可以包括优化算法、改进硬件设计、调整能源管理策略、提高资源利用率等；考虑到评估结果和实际需求，制定实施计划，并跟踪改进的效果。
　　
　　计算力评估在行业中主要面临以下几个难点：行业标准和认证、评估方法和指标、数据收集和分析，以及技术变化和需求。
　　
　　1）行业标准和认证：目前缺乏统一的行业标准和认证机制，这使得计算力评估更加困难。缺乏标准意味着不同厂商和组织可能使用不同的评估方法和指标，导致结果的可比性和一致性受到影响。建立行业标准和认证机制可以提高评估的准确性和可信度，促进行业的发展和竞争。
　　
　　2）评估方法和指标：确定合适的评估指标和方法也是一个挑战。计算力评估需要考虑多个因素，包括计算性能、能源消耗、散热效率等。确定合适的指标和方法，以及权衡不同因素之间的关系，需要深入了解计算机系统的特性和需求。
　　
　　3）数据收集和分析：进行计算力评估需要大量的数据收集和分析工作。这可能涉及到从各种设备和系统中收集数据，并对其进行处理和分析。数据的获取和处理可能会面临技术难题，例如数据的获取途径不统一、数据格式不一致等。同时，对大量数据进行有效的分析也是一个挑战，需要使用合适的分析工具和算法来提取有用的信息。
　　
　　4）技术变化和需求：计算机技术和应用需求在不断发展和变化，这对计算力评估提出了新的挑战。新的硬件架构、新的应用场景和新的性能要求可能需要更新评估方法和指标。因此，计算力评估需要与技术和需求的变化保持同步，及时进行更新和改进。
　　
　　2.网络存储力
　　
　　存储和计算均为数字基础设施中的重要组成部分，通过计算数据算力的体量和数据存方的容量可以评估数据中心建设的平衡性，避免因为存方的短缺造成算力的冗余而影响数据处理中的效率。随着数据为正的时代到来，数字应用的关键重点也从追求计算机的计算速度转变为追求大数据处理能力，单纯的数据算力无法单方面支撑整个数据中心的运营，还需要相匹配的数据存储容量。
　　
　　容量是存方最基础的指标。对于存储设备，存储容量等于存储系统配置的物理容量；对于数据中心，存储容量等于各类存储设备的容量加总。数据中心的存储能力通常都是PB级以上，1PB=1.024TB=1.048.576GB。而一个大型的数据中心，数据储存能力都是上百PB，如果按照一人磁盘1TB的容量来计算，一个500PB的数据中心就相当于有500×1024=512000块1TB磁盘组成。2020年统计报告显示，发达国家美国在存储、计算的匹配比例（算力：容量）为1:1，相比而言，中国在存储、计算的比例仅为1:2，比例严重地失衡。
　　
　　要测试计算设备的存方性能，可以采取的方法有：基准测试（Benchmarking）：使用专门设计的基准测试软件来评估计算设备的存方性能。这些软件通常会执行一系列的计算任务，并测量设备在完成这些任务时所需的时间。常见的基准测试软件包括SPEC CPU、Geekbench等。通过比较不同设备的基准测试结果，可以获得它们的存方性能指标。负载测试（Load Testing）：通过模拟实际工作负载测试计算设备的存方性能。可以使用负载测试工具来模拟不同类型的任务，并观察设备在处理这些任务时的性能表现。负载测试可以帮助评估设备在高负载情况下的稳定性和响应能力。实际应用测试：将计算设备应用于实际的计算任务中，并记录其性能表现。这可以通过在设备上运行真实的应用程序或使用实际的数据集来完成。观察设备在处理这些任务时的速度、效率和稳定性，可以提供有关存方性能的实际数据。数据采集和分析：使用监控工具来收集计算设备的各种性能指标，如CPU利用率、内存使用率、磁盘读写速度等。这些数据可以通过监控软件或操作系统提供的性能分析工具进行收集和分析。通过分析这些数据，可以了解设备的存方状况和潜在的性能瓶颈。需要注意的是，存方性能的测试方法可能因设备类型和应用场景而异。因此，在选择测试方法时，应根据具体情况选择最适合的方法来评估计算设备的存方性能。
　　
　　3.数据运载力
　　
　　评估相关设施的数据运载能力主要通过网络带宽、实时流量、累计流量三个方面进行考量。
　　
　　1）网络带宽：单位时间内能传输的数据量，网络带宽可以直接挂表测试，一般在数据中心、机房、和基站的验收环节，会有带宽测试。
　　
　　2）实时流量：单位时间实际传输的数据量，实时流量数据通常可以通过调用网络设备自身流量监测权限的方式获取，运营商和数据中心运营商有权限，也可以通过外挂数据测量设备方式获取。
　　
　　3）累计流量：指定时间周期内传输的数据总量，累计流量可以通过实时流量监控平台进行累计计算得到，一般带有流量分析功能的监控平台均有此功能。
　　
　　4.碳排放因子
　　
　　在核算相关设施碳排放总量时，电力碳排放因子也是不可忽视的一个重要影响因素，据生态环境部发布的《关于做好2023—2025年发电行业企业温室气体排放报告管理有关工作的通知》，2022年度全国电网平均排放因子为0.5703tCO2/MWh。信息通信设施用电结构与电力排放因子相结合，可计算其耗电导致的碳排放量。为精细化核算碳排放量，除全国电网平均排放因子外，还有区域电网平均排放因子、省级电网平均排放因子、碳交易试点地区电网平均排放因子等等，相关设施可具体依据电力来源，使用合适的电力排放因子进行碳排放核算。四、设施关键指标选取
　　
　　针对不同的设施，如通信机房、数据中心和基站，选择不同的评价指标，可实现对设施所发挥功能的能/碳/水效率评价。不同的信息通信重点设施，也应有不同的关键指标选择，或依据设施的业务需求、设计目标等，按需配置不同的指标权重，进行综合性低碳评价。
　　
　　对于数据中心来说，计算是数据中心的主要功能，经济社会对计算力要求不断提高，基础算力不断向智能算力演化，我国对计算力的需求持续扩大，计算基础设施愈发受到重视，近年来我国数据中心的用电量及CO2排放量也在不断增长，在这种背景下计算能效和计算效率更多的作为衡量数据中心的关键指标。
　　
　　对于通信基站和通信机房来说，网络数据传输是通信基站及机房的主要功能输出，单位信息流量综合能耗已成为基站机房绿色低碳发展考核指标，基站耗能占据了信息通信业的极大比重，因此传输能效和传输效率成为通信基站和通信机房的最关键指标。
　　
　　五、评价指标体系外延
　　
　　目前，针对信息通信设施的功能评价不断向综合性、先进性、系统性演进，仅考虑计算力规模、存储容量、数据传输量已无法满足对设施功能性能的科学评价，还需进一步考虑多重评价指标。
　　
　　计算方面，除计算规模外，“有效计算”也同样重要，“有效计算”是综合考虑芯片、存储、网络以及平台软件各层协同所呈现的综合业务性能，属于涵盖了计算、存储、网络、基础软件（OS、云平台）等硬件全栈综合业务性能的基准程序法，其方法是从以规格能力进行衡量的方式，演进到以真实业务可获得的性能进行衡量。以实现牵引最终用户从计算中心实际使用效果角度进行规划，牵引系统厂商从软硬件整体，合理性基础设施、基础软件、应用软件等全栈角度进行计算中心的建设和优化。
　　
　　“有效计算”与“计算规模”之间的关系：有效计算是对计算规模的补充。传统上，计算中心用计算芯片的计算规模进行性能衡量，这种衡量方式较为简洁，从宏观与统计的角度实现计算整体的呈现，但缺乏对计算芯片浮点、整型数据处理等多方面能力的刻画，缺乏对计算中心网络、存储等集群系统能力完整地刻画。例如，在人工智能领域，有效计算力的引入改变了传统上只按照人工智能规格算力（如FLOPS,TOPS,甚至HZ等）来计算计算能力的方式，并朝着对于用户具备实际参考意义的方向推进了一步。计算规模并不能准确反映实际计算能力，因为计算的发挥需要人工智能服务系统各个部件的协作，任何性能上的薄弱环节（如有限的内存访问速率、总线带宽、网络交换速率等）都会对整个计算系统产生影响。因此，有效计算能够更为直观地反映计算系统在特定作业上的、用户可获得的计算能力，是计算力计量评估方法的有力补充。
　　
　　存储方面，除存储容量外，存储安全性、先进存储占比等指标也是衡量设施存储功能的重要评估指标。
　　
　　存储安全性：存储安全是指为确保存储介质上的数据安全性，而采取的一系列措施。为保障数据的存储安全，需要通过各类举措，例如：明确负责存储安全工作的团队及职责；在数据分类分级的基础上，结合业务场景，明确不同类别和级别数据的加密存储要求，包括对加密算法的要求和加密密钥的管理要求；建立存储系统或平台，并实现对账号、权限、安全基线等的管理；建立存储介质管理系统或平台，对购买、标记、审批、入库、出库等操作进行安全管理，保障存储介质本身的安全。
　　
　　先进存储占比：先进存储（AdvancedStorage,AS）指应用全闪存阵列、SSD等先进存储部件，采用存算分离、高密等先进技术，单位容量数据操作能力达到万IOPS（每秒读写次数）以上的存储模块。《算力基础设施高质量发展行动计划》制定了到2025年的主要发展目标，其中重点提出鼓励先进存储技术的部署应用，实现存储闪存化升级，并预计到2025年全国存储总量超过1800EB，先进存储容量占比达到30%以上。
　　
　　运载方面，网络运力是支撑算力高品质连接、算力应用快速访问、算力资源灵活调度与编排的信息基础设施底座，其重要性也愈加凸显。目前我国网络运力已在网络规模、承载能力等方面取得长足发展，面向算力时代新需求，全光低时延、IP+光协同、确定可靠承载、多维协同感知、网络自智运维、绿色节能低碳成为未来网络运力发展的重要方向，也将是评估运力的重要依据。
　　
　　除此之外，运维、管理、赋能等都是衡量设施绿色节能发展的重要方面。优秀的运维方式可以降低设施运维过程的能源资源消耗，降低设施运行过程中的碳排放。科学管理可以实现设施的精细化、智能化运行，提高能源资源利用效率，减少无用损耗。信息通信设施对各行各业的赋能作用日益强化，《算力基础设施高质量发展行动计划》中明确提出了要加强应用赋能的发展目标，打造一批算力新业务、新模式、新业态、工业、金融等领域算力渗透率显著提升，医疗、交通等领域应用实现规模化复制推广，能源、教育等领域应用范围进一步扩大。因此对于信息通信重点设施的低碳综合评价而言，信息通信设施对于行业绿色节能发展赋能也将是未来衡量相关设施的重要一环，但目前如何对赋能作用进行定量评估尚处于研究阶段，也是行业目前的热点难点所在。
　　
　　作者简介
　　
　　叶行方，中国信息通信研究院工程师，从事信息通信能源技术、产业、标准化研究，聚焦清洁能源区区域化领域的发展研究。
　　
　　编辑：Harris