i-Cooling - Hackathon Cisco

Comparatif objectivé des technologies de refroidissement datacenter IA (AC, IC, RDHx, DLC) avec données capteurs en temps réel, score composite configurable et recommandation IA.

Stack

• Backend : FastAPI + PostgreSQL
• Broker : Kafka + Zookeeper
• Calcul : bloc métier Python pur (calculator.py) - fonctions pures, zéro I/O
• Frontend : React + Vite + Chart.js - dashboard responsive mobile/desktop
• IA : score composite multicritères configurable - service recommandation LLM (/stream-reco) architecturé, à connecter

Démarrage

Dataset

Générer le dataset de simulation (modèle physique réaliste) :

cd data
python genset_sync.py
# → écrit data/dataset_ia_72h_sync.jsonl (72h à 2s/mesure × 4 racks)

Modèle physique :

• p_it_kw = baseline + P_cpu_max × cpu% + P_gpu_max × gpu%
• Inertie thermique du 1er ordre par composant et techno (τ_gpu AC=120s, IC=60s)
• Machine à états partagée idle/training - transitions progressives (~4 min idle, ~10 min training)

Lancer les conteneurs Docker

cp .env.example .env
docker compose up --build

Le service init charge automatiquement le référentiel (4 technos, 6 mix électriques) au démarrage.

Service	URL
Dashboard	http://localhost:8080
API	http://localhost:8000
Swagger	http://localhost:8000/docs

Monitoring ( System + Kafka )

Service	URL	Description
Grafana	http://localhost:3000	Dashboards Kafka, System (admin/admin)
Prometheus	http://localhost:9090	Time-series database & metrics
Kafka Exporter	http://localhost:9308/metrics	Kafka broker metrics endpoint
Node Exporter	http://localhost:9100/metrics	System metrics (CPU, RAM, disk)

Dashboards Grafana

• Kafka Broker Monitoring - Brokers, partitions, ISR, replicas, under-replicated
• System Dashboard - CPU, RAM, network, disk monitoring

Endpoints

Temps réel (données capteurs Kafka)

Route	Description
GET /rt/latest	Dernière mesure par rack - capteurs bruts + métriques calculées
GET /rt/history	Série temporelle - params : window=30m|1h|24h, technos=AC, mix_scenarios=...

Simulateur (mode what-if)

Route	Description
POST /calculate	Calcul comparatif - body : {"p_it_kw": 50, "technos": ["AC","IC"], "prix_kwh": 0.15}
GET /history	N derniers calculs utilisateur
POST /stream-reco	Recommandation IA streaming SSE

Référentiel et utilitaires

Route	Description
GET /referentiel	Technos et mix disponibles
GET /health	Healthcheck
GET /docs	Swagger

Topics Kafka

Topic	Producteur	Consommateur
sensors.raw	producer (dataset simulé)	consumer → processed_rt
sensors.predicted	service IA prédictive (extension prévue)	consumer → processed_predicted

Payload capteur (sensors.raw)

{
  "timestamp": "2026-03-20T11:40:15Z",
  "rack_id": "Rack-01-AC",
  "techno": "AC",
  "p_it_kw": 12.88,
  "cpu_usage_percent": 7.2,
  "cpu_temp_c": 44.0,
  "ddr_temp_c": 25.3,
  "psu_temp_c": 42.2,
  "gpu_usage_percent": 1.8,
  "gpu_temp_c": 54.6,
  "hbm_temp_c": 51.5,
  "free_gpu_mem_percent": 91.0,
  "room_temp_c": 24.0,
  "source": "simulation_dataset"
}

Les 4 racks tournent le même workload simultanément - règle de comparaison obligatoire du sujet. Les températures diffèrent selon la techno de refroidissement.

Tests

# Unitaires
docker compose exec backend python -m pytest tests/unit/

# Intégration
docker compose exec backend python -m tests.integration.smoke_test

# Test manuel Kafka
docker compose exec kafka bash
echo '{"timestamp":"2026-03-20T12:00:00Z","rack_id":"Rack-01-AC","techno":"AC","p_it_kw":12.88,...}' \
  | kafka-console-producer --bootstrap-server localhost:9092 --topic sensors.raw

Structure

data/
└── genset_sync.py             # génère le dataset (modèle physique synchronisé)
services/
├── backend/
│   ├── app/
│   │   ├── core/
│   │   │   └── calculator.py      # bloc métier - fonctions pures, zéro I/O
│   │   ├── main.py                # routes FastAPI
│   │   ├── init_db.py             # chargement référentiel au boot
│   │   └── kafka_consumer.py      # consumer Kafka → calculator → DB
│   └── tests/
│       ├── unit/
│       └── integration/
├── producer/
│   └── app/
│       └── producer.py            # lit dataset.jsonl → Kafka
├── frontend/
│   ├── src/
│   │   ├── App.jsx                # orchestrateur - 3 onglets
│   │   ├── components/
│   │   │   ├── SimPage.jsx        # simulateur what-if
│   │   │   ├── RTPage.jsx         # temps réel + drawer historique
│   │   │   ├── TechnoCards.jsx    # cards résultats par techno
│   │   │   ├── Charts.jsx         # énergie, CO2e, ROI
│   │   │   ├── ScoreChart.jsx     # score composite configurable
│   │   │   ├── RTTable.jsx        # tableau comparatif RT
│   │   │   ├── MetricDrawer.jsx   # drawer historique + formules
│   │   │   ├── AIReco.jsx         # recommandation IA SSE
│   │   │   ├── HistPage.jsx       # historique simulations
│   │   │   └── Topbar.jsx         # navigation + hamburger mobile
│   │   ├── hooks/
│   │   │   └── useApi.js          # hooks API + historique RT persisté
│   │   └── constants.js           # couleurs, helpers
│   ├── Dockerfile                 # multi-stage node build → nginx
│   └── nginx.conf                 # proxy /api → backend
├── ai/                            # service IA (à connecter)
└── postgres/
    └── migrations/
        └── 001_init.sql           # schéma complet - 6 tables

Tables DB

Table	Type	Description
referentiel_pue	Statique	Constantes métier par techno (PUE, WUE, ERF, CAPEX...)
mix_electrique	Statique	Facteurs CO₂e par mix électrique (6 scénarios)
sensors_raw	RT	Mesures brutes capteurs archivées
processed_rt	RT	Résultats calculator sur mesures réelles (4 technos × 6 mix par message)
processed_predicted	RT	Résultats calculator sur mesures prédites (extension prévue)
user_calculation	On-demand	Calculs lancés depuis le simulateur

Dashboard - fonctionnalités

Onglet Simulateur

• Paramètres : charge IT (kW), mix électrique, technologies à comparer
• Cards comparatives par techno avec delta % vs AC - formule et source accessibles au survol
• Bar chart énergie par poste (IT / Refroidissement / Énergie récupérable)
• Bar chart CO₂e × 6 mix électriques
• Courbe ROI payback cumulé sur 10 ans
• Score composite configurable - 4 profils sourcés (Environnemental, Économique, Zone sèche, Haute densité) + mode personnalisé avec poids ajustables
• Périmètre & hypothèses sourcés (ASHRAE, GHG Protocol, Uptime Institute)
• Recommandation IA streaming SSE (service /stream-reco à connecter)

Onglet Temps Réel

• KPI cards par rack avec courbe p_it_kw intégrée (historique ~2 min)
• Tableau comparatif live - métriques capteurs + PUE/WUE/ERF calculés
• Drawer au clic sur une métrique - courbe historique plein format + stats min/max/moy + formule sourcée
• Historique persisté en DB - résiste aux refreshs de page

Onglet Historique

• Liste des N dernières simulations utilisateur

Perspectives d'évolution

• MQTT - remplacer le producer simulé par un broker Mosquitto branché sur les capteurs IPMI/Redfish des serveurs physiques Cisco
• Apache NiFi - orchestrer l'ingestion multi-sources (IPMI, SNMP, Redfish, Intersight) en amont de Kafka
• LLM - connecter /stream-reco à Claude API ou Groq pour une recommandation argumentée depuis les résultats du calculateur
• Hardware In the Loop - valider le pipeline sur un rack IC physique Cisco C220/C245