Yn y broses o drawsnewid yr economi yn ddigidol, mae'n rhaid i ddynoliaeth adeiladu mwy a mwy o ganolfannau prosesu data. Rhaid trawsnewid canolfannau data eu hunain hefyd: mae materion yn ymwneud â goddef diffygion ac effeithlonrwydd ynni bellach yn bwysicach nag erioed. Mae cyfleusterau'n defnyddio llawer iawn o drydan, ac mae methiannau'r seilwaith TG hanfodol sydd wedi'u lleoli ynddynt yn gostus i fusnesau. Mae technolegau deallusrwydd artiffisial a dysgu peiriannau yn dod i gymorth peirianwyr - yn ystod y blynyddoedd diwethaf maent wedi cael eu defnyddio'n gynyddol i greu canolfannau data mwy datblygedig. Mae'r dull hwn yn cynyddu argaeledd cyfleusterau, yn lleihau nifer y methiannau ac yn lleihau costau gweithredu.
Sut mae'n gweithio?
Defnyddir deallusrwydd artiffisial a thechnolegau dysgu peiriannau i awtomeiddio penderfyniadau gweithredol yn seiliedig ar ddata a gasglwyd o wahanol synwyryddion. Fel rheol, mae offer o'r fath wedi'u hintegreiddio â systemau dosbarth DCIM (Rheoli Isadeiledd Canolfannau Data) ac yn caniatáu ichi ragweld achosion brys, yn ogystal â gwneud y gorau o weithrediad offer TG, seilwaith peirianneg a hyd yn oed personél gwasanaeth. Yn aml iawn, mae gweithgynhyrchwyr yn cynnig gwasanaethau cwmwl i berchnogion canolfannau data sy'n cronni ac yn prosesu data gan lawer o gwsmeriaid. Mae systemau o'r fath yn cyffredinoli'r profiad o weithredu gwahanol ganolfannau data, ac felly'n gweithio'n well na chynhyrchion lleol.
Rheoli seilwaith TG
Mae HPE yn hyrwyddo gwasanaeth dadansoddeg rhagfynegol cwmwl i reoli seilwaith TG a adeiladwyd ar systemau storio Nimble Storage a HPE 3PAR StoreServ, gweinyddwyr HPE ProLiant DL/ML/BL, systemau rac HPE Apollo a llwyfan Synergy HPE. Mae InfoSight yn dadansoddi darlleniadau synwyryddion sydd wedi'u gosod mewn offer, yn prosesu mwy na miliwn o ddigwyddiadau yr eiliad ac yn hunan-ddysgu'n gyson. Mae'r gwasanaeth nid yn unig yn canfod diffygion, ond hefyd yn rhagweld problemau posibl gyda'r seilwaith TG (methiannau offer, disbyddu cynhwysedd storio, perfformiad is o beiriannau rhithwir, ac ati) hyd yn oed cyn iddynt ddigwydd. Ar gyfer dadansoddeg ragfynegol, mae meddalwedd VoltDB yn cael ei ddefnyddio yn y cwmwl, gan ddefnyddio modelau rhagweld awto-atchweliadol a dulliau tebygolrwydd. Mae datrysiad tebyg ar gael ar gyfer systemau storio hybrid gan Tegile Systems: mae gwasanaeth cwmwl IntelliCare Cloud Analytics yn monitro iechyd, perfformiad a defnydd adnoddau dyfeisiau. Mae Dell EMC hefyd yn defnyddio deallusrwydd artiffisial a thechnolegau dysgu peiriannau yn ei atebion cyfrifiadura perfformiad uchel. Mae yna lawer o enghreifftiau tebyg; mae bron pob gweithgynhyrchydd blaenllaw o offer cyfrifiadurol a systemau storio data bellach yn dilyn y llwybr hwn.
Cyflenwad pŵer ac oeri
Mae maes arall o gymhwyso AI mewn canolfannau data yn ymwneud â rheoli seilwaith peirianneg ac, yn anad dim, oeri, y gall ei gyfran yng nghyfanswm defnydd ynni cyfleuster fod yn fwy na 30%. Google oedd un o'r rhai cyntaf i feddwl am oeri craff: yn 2016, ynghyd â DeepMind, datblygodd ar gyfer monitro cydrannau canolfan ddata unigol, a oedd yn lleihau costau ynni ar gyfer aerdymheru 40%. I ddechrau, dim ond awgrymiadau a roddodd i'r staff, ond fe'i gwellwyd wedyn a gall bellach reoli'r broses o oeri ystafelloedd peiriannau yn annibynnol. Mae rhwydwaith niwral a ddefnyddir yn y cwmwl yn prosesu data o filoedd o synwyryddion dan do ac awyr agored: mae'n gwneud penderfyniadau gan ystyried y llwyth ar weinyddion, tymheredd, yn ogystal â chyflymder y gwynt y tu allan a llawer o baramedrau eraill. Anfonir y cyfarwyddiadau a gynigir gan y system cwmwl i'r ganolfan ddata ac yno unwaith eto cânt eu gwirio am ddiogelwch gan systemau lleol, tra gall staff bob amser ddiffodd y modd awtomatig a dechrau rheoli'r oeri â llaw. Creodd Nlyte Software ynghyd â thîm IBM Watson , sy'n casglu data ar dymheredd a lleithder, defnydd o ynni a llwyth ar offer TG. Mae'n caniatáu ichi wneud y gorau o weithrediad is-systemau peirianneg ac nid oes angen cysylltiad â seilwaith cwmwl y gwneuthurwr - os oes angen, gellir defnyddio'r datrysiad yn uniongyrchol yn y ganolfan ddata.
Enghreifftiau eraill
Mae yna lawer o atebion smart arloesol ar gyfer canolfannau data ar y farchnad ac mae rhai newydd yn ymddangos yn gyson. Mae Wave2Wave wedi creu system newid cebl ffibr optig robotig i drefnu traws-gysylltiadau yn awtomatig mewn nodau cyfnewid traffig (Meet Me Rooms) y tu mewn i'r ganolfan ddata. Mae'r system a ddatblygwyd gan ROOT Data Center a LitBit yn defnyddio AI i fonitro setiau generadur disel wrth gefn, ac mae Romonet wedi creu datrysiad meddalwedd hunan-ddysgu ar gyfer optimeiddio seilwaith. Mae'r atebion a grëwyd gan Vigilent yn defnyddio dysgu peiriannau i ragfynegi methiannau a gwneud y gorau o amodau tymheredd yn adeiladau'r ganolfan ddata. Dechreuwyd cyflwyno deallusrwydd artiffisial, dysgu peiriannau a thechnolegau arloesol eraill ar gyfer awtomeiddio prosesau mewn canolfannau data yn gymharol ddiweddar, ond heddiw dyma un o'r meysydd mwyaf addawol yn natblygiad y diwydiant. Mae canolfannau data heddiw wedi dod yn rhy fawr a chymhleth i gael eu rheoli'n effeithiol â llaw.
Ffynhonnell: hab.com