Im Zuge der digitalen Transformation der Wirtschaft sieht sich die Menschheit mit der Errichtung immer neuer Rechenzentren konfrontiert. Diese Rechenzentren müssen sich ebenfalls wandeln: Fragen der Ausfallsicherheit und Energieeffizienz sind aktueller denn je. Die Einrichtungen verbrauchen enorme Mengen an Energie, und Ausfälle von kritischen IT-Infrastrukturen sind für Unternehmen kostspielig. Um Ingenieuren zu helfen, setzen sie zunehmend auf Technologien der künstlichen Intelligenz und des maschinellen Lernens — in den letzten Jahren werden diese Technologien immer häufiger genutzt, um leistungsfähigere Rechenzentren zu schaffen. Dieser Ansatz erhöht die Betriebsbereitschaft der Einrichtungen, verringert die Ausfallraten und senkt die Betriebskosten.
Wie funktioniert das?
Künstliche Intelligenz und maschinelles Lernen werden eingesetzt, um operationale Entscheidungen auf Grundlage von Daten, die von verschiedenen Sensoren gesammelt werden, zu automatisieren. In der Regel werden solche Lösungen mit Data Center Infrastructure Management (DCIM)-Systemen integriert, um das Auftreten von Störfällen vorherzusagen und die Leistung von IT-Ausrüstung, ingenieurtechnischer Infrastruktur und sogar des Servicepersonals zu optimieren. Oft bieten Hersteller Cloud-Dienste an, die Daten vieler Kunden erfassen und verarbeiten. Solche Systeme fassen die Erfahrungen des Betriebs verschiedener Rechenzentren zusammen und arbeiten daher effizienter als lokale Produkte.
Verwaltung der IT-Infrastruktur
HPE fördert einen Cloud-Dienst für prädiktive Analysen für das Management von IT-Infrastrukturen, die auf Nimble Storage- und HPE 3PAR StoreServ-Speichersystemen, HPE ProLiant DL/ML/BL-Servern, HPE Apollo-Racksystemen und der HPE Synergy-Plattform basieren. InfoSight analysiert die Werte der installierten Sensoren in der Hardware, verarbeitet über eine Million Ereignisse pro Sekunde und lernt kontinuierlich dazu. Der Service erkennt nicht nur Störungen, sondern prognostiziert auch mögliche Probleme mit der IT-Infrastruktur (z. B. Hardwareausfälle, Erschöpfung der Speicherkapazität, Leistungseinbußen virtueller Maschinen usw.) noch bevor sie auftreten. Für Predictive Analytics in der Cloud wurde die Software des Unternehmens VoltDB implementiert, die autoregressive Prognosemodelle und probabilistische Methoden nutzt. Eine ähnliche Lösung ist auch für die hybriden Datenspeichersysteme von Tegile Systems verfügbar: Der Cloud-Service IntelliCare Cloud Analytics überwacht den Zustand, die Leistung und die Ressourcennutzung der Geräte. Auch Dell EMC nutzt KI- und Machine-Learning-Technologien in seinen Lösungen für Hochleistungsrechnungen. Solche Beispiele gibt es viele, und heute folgen beinahe alle führenden Hersteller von Rechenhardware und Datenspeichersystemen diesem Trend.
Energieversorgung und Kühlung
Ein weiterer Anwendungsbereich der KI in Rechenzentren betrifft das Management der technischen Infrastruktur, insbesondere die Kühlung, deren Anteil am gesamten Energieverbrauch des Objekts 30 % überschreiten kann. Eines der ersten Unternehmen, das über intelligente Kühlung nachdachte, war Google: 2016 entwickelte es in Zusammenarbeit mit DeepMind zur Überwachung einzelner Komponenten des Rechenzentrums, die die Energiekosten für die Klimatisierung um 40 % gesenkt hat. Zunächst gab sie nur Hinweise an das Personal, wurde jedoch später weiterentwickelt und kann nun die Kühlung der Serverräume eigenständig steuern. Ein in der Cloud bereitgestelltes neuronales Netzwerk verarbeitet Daten von Tausenden interner und externer Sensoren: Es trifft Entscheidungen unter Berücksichtigung der Serverlast, der Temperatur sowie der Windgeschwindigkeit im Freien und vieler weiterer Parameter. Die von dem Cloud-System angebotenen Anweisungen werden an das Rechenzentrum weitergeleitet und dort erneut von lokalen Systemen auf Sicherheit überprüft. Dabei kann das Personal jederzeit den automatischen Modus deaktivieren und die Kühlung manuell steuern. Nlyte Software hat zusammen mit dem IBM Watson-Team , das Daten über Temperatur und Luftfeuchtigkeit, Energieverbrauch und Auslastung der IT-Ausrüstung sammelt. Es ermöglicht die Optimierung der Arbeit der Ingenieursubsysteme und erfordert keine Verbindung zur Cloud-Infrastruktur des Herstellers – falls notwendig, kann die Lösung direkt im Rechenzentrum bereitgestellt werden.
Weitere Beispiele
Es gibt zahlreiche innovative intelligente Lösungen für Rechenzentren auf dem Markt, und ständig kommen neue hinzu. Das Unternehmen Wave2Wave hat ein roboterbasiertes System zur automatischen Verwaltung von Glasfaser-Kabelverbindungen entwickelt, um Kreuzverbindungen in Traffic Exchange Punkten (Meet Me Room) innerhalb von Rechenzentren zu organisieren. Die von ROOT Data Center und LitBit entwickelte Lösung nutzt KI, um Backup-Notstromaggregate zu überwachen, während Romonet eine selbstlernende Softwarelösung zur Optimierung der Infrastruktur entwickelt hat. Die von Vigilent entwickelten Lösungen setzen maschinelles Lernen ein, um Ausfälle vorherzusagen und die Temperaturregelung in Rechenzentren zu optimieren. Der Einsatz von Künstlicher Intelligenz, maschinellem Lernen und anderen innovativen Technologien zur Automatisierung von Prozessen in Rechenzentren hat erst vor relativ kurzer Zeit begonnen, ist jedoch heute eines der vielversprechendsten Entwicklungsfelder der Branche. Moderne Rechenzentren sind so groß und komplex geworden, dass sie nicht mehr manuell effektiv verwaltet werden können.
Quelle: habr.com
