機器學習工具在資料中心的應用與發展

在網際網路誕生之初，資料中心規模很小並且很簡單。乙個大型電子商務服務資料中心僅用幾個19英吋機架來部署所需的伺服器，儲存器，以及網路裝置。如今，超大型資料中心成千上萬的硬體裝置部署在數千個機架上。隨著資料中心設計的變化，這些大型資料中心或建在靠近大型人口中心，或建在電力廉價的偏遠的地區。

隨著資料中心運營的自動化的發展，像aws或微軟 azure這樣的公共雲**商所雇用的高階資料中心工程師越來越少，數量通常比安全人員和普通技術工人更少。更少的人員管理更多伺服器，這意味著監控資料中心電力和冷卻基礎架構需要更多依賴感測器，這些現在都被稱為物聯網硬體。這些硬體有助於在一定程度上識別問題，但是在很多情況下，感測器並不能代替經驗豐富的設施工程師。例如，通過聲音辨別裝置執行的情況，通過聲音還可以了解哪個個風扇將出現故障或通過水滴的聲音來定位洩漏的地方等等。

谷歌公司為機器學習而定製的採用張量處理器(tpu)的伺服器機架

資料中心管理人員需要更多的感測器來監控現代資料中心基礎設施，新一代應用程式旨在通過將機器學習應用於物聯網感測器網路來來填補這一空白。這個想法是將經驗轉變成規則來幫助感測器辨析聲音和影像，例如，為資料中心增加乙個新的自動化管理層，可以**和防止資料中心基礎架構的故障。 451 research公司分析師rhonda ascierto表示：「快速的恢復時間和有效的容量配置也可以降低資料中心風險。」

結合dcim和多樣性的資料

第一步是利用資料中心基礎設施管理或dcim軟體中的**分析。以位於加利福尼亞州奧克蘭的一家名為vigilent公司的軟體為例。「控制系統基於機器學習軟體，用於確定變數之間的關係，如機架溫度，冷卻單元設定，冷卻能力，冷卻冗餘，功耗和故障風險。它通過開啟和關閉各相關單元來調節冷卻單元，包括變頻器(vfd)，上下調節變頻器，以及調節單元的溫度設定值。」ascierto說。它使用無線溫度感測器，並**如果操作員採取某些措施會發生什麼，例如關閉冷卻單元或增加設定點溫度。

另乙個例子是英國oneserve infinite公司，該公司將感測器與多種資料點相結合，例如使用天氣條件，以提供稱之為「**性現場服務管理」的exeter.其目的是**維護要求，避免故障停機，並將停機時間降至最低。 oneserve公司首席執行官chris proctor表示，通過應用這些技術，可以同時處理戰略規劃和採購。「資料中心將能夠更準確，有效地管理資產和資源。」(據悉這種功能尚未在任何資料中心中使用。)

oneserve公司更關注的是維護問題，跟蹤了解過去維護中的問題，允許使用者詳細地說明每次出現問題的地方。在現在，這依然是一種非常費時費力的人工操作方法，但是將來工作人員會利用這種資料來訓練機器學習系統。

挖掘人類的知識

這家初創公司提供了乙個託管雲服務，可以利用許多使用者的匿名資料來構建更複雜和更準確的模型。一些客戶會將他們的訓練模式進行保密，而另外一些客戶可能會將其作為額外的收入**對外**。正如ascierto所指出的那樣，「資料中心管理資料的價值在大規模聚合和分析時會倍增。通過將演算法應用於許多客戶聚集的大型資料集，包括不同型別的資料中心和不同的位置，**商可以**裝置何時出現故障，以及何時會出現冷卻閾值。

當具有知識經驗的操作人員不在身邊時，一些隱含的知識可以幫助系統在操作中來識別問題並做出更快的反應。資料中心人工智慧可能不會完全替代資料中心工作人員，但它可以不斷地增強技能幫助運維人員解決問題。

這個領域還不成熟，但發展速度很快。對感測器進行機器學習正在迅速發展，並被廣泛應用於各行各業。微軟研究部門一直在與sierra 系統公司合作，開發基於機器學習的油氣管道缺陷的音訊分析，利用其認知工具包來幫助對出現的異常進行分類。

基於人工智慧的資料中心管理服務是新興技術，目前還在發展中，還需要進行大量的培訓。 ascierto指出，企業的dcim軟體可能需要更多的感測器。「如果企業想利用人工智慧進行端到端冷水機組到機架的決策，那麼其裝置以及環境感測器和電氣儀表將需要安裝聲學和振動感測器。如果目標是優化和自動化冷卻單元的設定點溫度，則可能每個機架(頂部，中間，底部)需要多個環境感測器。

人工智慧系統正式交付使用還將需要一定的時間，就像資料中心招募的新的工作人員一樣，不過類似的機器學習工具終將可以真正的幫助您運營資料中心。

機器學習工具在資料中心的應用與發展

機器學習工具在資料中心的應用與發展

MPO MTP光纜在資料中心中的應用

塊鏈技術在資料中心應用的成與敗

機器學習工具在資料中心的應用與發展

機器學習工具在資料中心的應用與發展

MPO MTP光纜在資料中心中的應用

塊鏈技術在資料中心應用的成與敗

相關推薦