Im Zuge der digitalen Transformation der Wirtschaft muss die Menschheit immer mehr Rechenzentren bauen. Auch Rechenzentren selbst müssen sich transformieren: Fragen ihrer Fehlertoleranz und Energieeffizienz sind heute wichtiger denn je. Anlagen verbrauchen enorme Mengen an Strom und Ausfälle der darin befindlichen kritischen IT-Infrastruktur sind für Unternehmen kostspielig. Künstliche Intelligenz und Technologien des maschinellen Lernens kommen Ingenieuren zu Hilfe – in den letzten Jahren wurden sie zunehmend zur Schaffung fortschrittlicherer Rechenzentren eingesetzt. Dieser Ansatz erhöht die Verfügbarkeit von Anlagen, reduziert die Anzahl von Ausfällen und senkt die Betriebskosten.
Wie funktioniert es?
Mithilfe künstlicher Intelligenz und maschineller Lerntechnologien wird die betriebliche Entscheidungsfindung auf der Grundlage von Daten verschiedener Sensoren automatisiert. In der Regel sind solche Tools in DCIM-Klassensysteme (Data Center Infrastructure Management) integriert und ermöglichen die Vorhersage des Auftretens von Notfallsituationen sowie die Optimierung des Betriebs von IT-Geräten, technischer Infrastruktur und sogar Servicepersonal. Sehr oft bieten Hersteller den Besitzern von Rechenzentren Cloud-Dienste an, die Daten von vielen Kunden sammeln und verarbeiten. Solche Systeme verallgemeinern die Erfahrungen aus dem Betrieb verschiedener Rechenzentren und funktionieren daher besser als lokale Produkte.
IT-Infrastrukturmanagement
HPE fördert den Cloud-Predictive-Analytics-Service zur Verwaltung der IT-Infrastruktur, die auf Nimble Storage- und HPE 3PAR StoreServ-Speichersystemen, HPE ProLiant DL/ML/BL-Servern, HPE Apollo-Racksystemen und der HPE Synergy-Plattform basiert. InfoSight analysiert die Messwerte der in Geräten installierten Sensoren, verarbeitet mehr als eine Million Ereignisse pro Sekunde und ist ständig selbstlernend. Der Dienst erkennt nicht nur Fehler, sondern prognostiziert auch mögliche Probleme mit der IT-Infrastruktur (Geräteausfälle, Erschöpfung der Speicherkapazität, verminderte Leistung virtueller Maschinen usw.), noch bevor sie auftreten. Für prädiktive Analysen wird die VoltDB-Software in der Cloud bereitgestellt und verwendet autoregressive Prognosemodelle und probabilistische Methoden. Eine ähnliche Lösung gibt es für Hybrid-Speichersysteme von Tegile Systems: Der Cloud-Dienst IntelliCare Cloud Analytics überwacht den Zustand, die Leistung und die Ressourcennutzung von Geräten. Auch künstliche Intelligenz und maschinelles Lernen werden von Dell EMC in seinen Hochleistungs-Computing-Lösungen eingesetzt. Ähnliche Beispiele gibt es viele; mittlerweile gehen fast alle führenden Hersteller von Computergeräten und Datenspeichersystemen diesen Weg.
Stromversorgung und Kühlung
Ein weiterer Anwendungsbereich von KI in Rechenzentren betrifft die Verwaltung der technischen Infrastruktur und vor allem der Kühlung, deren Anteil am Gesamtenergieverbrauch einer Anlage über 30 % betragen kann. Google war einer der ersten, der über intelligente Kühlung nachdachte: 2016 entwickelte es zusammen mit DeepMind zur Überwachung einzelner Rechenzentrumskomponenten, wodurch die Energiekosten für die Klimatisierung um 40 % gesenkt werden konnten. Anfangs gab es nur Hinweise für das Personal, wurde aber später verbessert und kann nun die Kühlung von Maschinenräumen selbstständig steuern. Ein in der Cloud eingesetztes neuronales Netzwerk verarbeitet Daten von Tausenden Innen- und Außensensoren: Es trifft Entscheidungen unter Berücksichtigung der Auslastung der Server, der Temperatur sowie der Windgeschwindigkeit draußen und vieler anderer Parameter. Die vom Cloud-System angebotenen Anweisungen werden an das Rechenzentrum gesendet und dort noch einmal von lokalen Systemen auf Sicherheit überprüft, während das Personal jederzeit den automatischen Modus ausschalten und mit der manuellen Steuerung der Kühlung beginnen kann. Nlyte Software hat zusammen mit dem IBM Watson-Team erstellt , das Daten zu Temperatur und Luftfeuchtigkeit, Energieverbrauch und Auslastung von IT-Geräten sammelt. Es ermöglicht Ihnen, den Betrieb von Engineering-Subsystemen zu optimieren und erfordert keine Verbindung zur Cloud-Infrastruktur des Herstellers – bei Bedarf kann die Lösung direkt im Rechenzentrum bereitgestellt werden.
Andere Beispiele
Es gibt viele innovative intelligente Lösungen für Rechenzentren auf dem Markt und es kommen ständig neue hinzu. Wave2Wave hat ein Roboter-Glasfaserkabel-Vermittlungssystem entwickelt, um Querverbindungen in Verkehrsaustauschknoten (Meet Me Rooms) innerhalb des Rechenzentrums automatisch zu organisieren. Das von ROOT Data Center und LitBit entwickelte System nutzt KI zur Überwachung von Backup-Dieselgeneratorsätzen, und Romonet hat eine selbstlernende Softwarelösung zur Optimierung der Infrastruktur entwickelt. Die von Vigilent entwickelten Lösungen nutzen maschinelles Lernen, um Ausfälle vorherzusagen und die Temperaturbedingungen in den Räumlichkeiten des Rechenzentrums zu optimieren. Die Einführung von künstlicher Intelligenz, maschinellem Lernen und anderen innovativen Technologien zur Prozessautomatisierung in Rechenzentren begann erst vor relativ kurzer Zeit, doch heute ist dies einer der vielversprechendsten Bereiche der Branchenentwicklung. Heutige Rechenzentren sind zu groß und komplex geworden, als dass sie manuell effektiv verwaltet werden könnten.
Source: habr.com