Στη διαδικασία του ψηφιακού μετασχηματισμού της οικονομίας, η ανθρωπότητα πρέπει να χτίζει όλο και περισσότερα κέντρα επεξεργασίας δεδομένων. Τα ίδια τα κέντρα δεδομένων πρέπει επίσης να μεταμορφωθούν: τα ζητήματα της ανοχής σε σφάλματα και της ενεργειακής τους απόδοσης είναι πλέον πιο σημαντικά από ποτέ. Οι εγκαταστάσεις καταναλώνουν τεράστιες ποσότητες ηλεκτρικής ενέργειας και οι αστοχίες κρίσιμων υποδομών πληροφορικής που βρίσκονται μέσα σε αυτές είναι δαπανηρές για τις επιχειρήσεις. Οι τεχνολογίες τεχνητής νοημοσύνης και μηχανικής μάθησης έρχονται να βοηθήσουν τους μηχανικούς - τα τελευταία χρόνια χρησιμοποιούνται όλο και περισσότερο για τη δημιουργία πιο προηγμένων κέντρων δεδομένων. Αυτή η προσέγγιση αυξάνει τη διαθεσιμότητα των εγκαταστάσεων, μειώνει τον αριθμό των αστοχιών και μειώνει το λειτουργικό κόστος.
Πώς λειτουργεί;
Οι τεχνολογίες τεχνητής νοημοσύνης και μηχανικής μάθησης χρησιμοποιούνται για την αυτοματοποίηση της λήψης επιχειρησιακών αποφάσεων με βάση δεδομένα που συλλέγονται από διάφορους αισθητήρες. Κατά κανόνα, τέτοια εργαλεία είναι ενσωματωμένα με συστήματα κλάσης DCIM (Διαχείριση Υποδομής Κέντρου Δεδομένων) και σας επιτρέπουν να προβλέψετε την εμφάνιση καταστάσεων έκτακτης ανάγκης, καθώς και να βελτιστοποιήσετε τη λειτουργία του εξοπλισμού πληροφορικής, της μηχανικής υποδομής και ακόμη και του προσωπικού σέρβις. Πολύ συχνά, οι κατασκευαστές προσφέρουν υπηρεσίες cloud στους ιδιοκτήτες κέντρων δεδομένων που συγκεντρώνουν και επεξεργάζονται δεδομένα από πολλούς πελάτες. Τέτοια συστήματα γενικεύουν την εμπειρία της λειτουργίας διαφορετικών κέντρων δεδομένων και επομένως λειτουργούν καλύτερα από τα τοπικά προϊόντα.
Διαχείριση υποδομής πληροφορικής
Η HPE προωθεί την υπηρεσία προγνωστικής ανάλυσης cloud για τη διαχείριση της υποδομής πληροφορικής που βασίζεται σε συστήματα αποθήκευσης Nimble Storage και HPE 3PAR StoreServ, διακομιστές HPE ProLiant DL/ML/BL, συστήματα rack HPE Apollo και την πλατφόρμα HPE Synergy. Το InfoSight αναλύει τις μετρήσεις των αισθητήρων που είναι εγκατεστημένοι στον εξοπλισμό, επεξεργάζονται περισσότερα από ένα εκατομμύριο συμβάντα ανά δευτερόλεπτο και μαθαίνουν συνεχώς. Η υπηρεσία όχι μόνο εντοπίζει σφάλματα, αλλά προβλέπει και πιθανά προβλήματα με την υποδομή πληροφορικής (αστοχίες εξοπλισμού, εξάντληση της χωρητικότητας αποθήκευσης, μειωμένη απόδοση εικονικών μηχανών κ.λπ.) ακόμη και πριν εμφανιστούν. Για προγνωστικές αναλύσεις, το λογισμικό VoltDB αναπτύσσεται στο cloud, χρησιμοποιώντας μοντέλα πρόβλεψης αυτόματης παλινδρόμησης και πιθανολογικές μεθόδους. Μια παρόμοια λύση είναι διαθέσιμη για υβριδικά συστήματα αποθήκευσης από την Tegile Systems: η υπηρεσία cloud IntelliCare Cloud Analytics παρακολουθεί την υγεία, την απόδοση και τη χρήση πόρων των συσκευών. Οι τεχνολογίες τεχνητής νοημοσύνης και μηχανικής μάθησης χρησιμοποιούνται επίσης από την Dell EMC στις υπολογιστικές λύσεις υψηλής απόδοσης. Υπάρχουν πολλά παρόμοια παραδείγματα· σχεδόν όλοι οι κορυφαίοι κατασκευαστές υπολογιστικού εξοπλισμού και συστημάτων αποθήκευσης δεδομένων ακολουθούν τώρα αυτό το μονοπάτι.
Τροφοδοσία και ψύξη
Ένας άλλος τομέας εφαρμογής της τεχνητής νοημοσύνης στα κέντρα δεδομένων σχετίζεται με τη διαχείριση της μηχανικής υποδομής και, κυρίως, την ψύξη, το μερίδιο της οποίας στη συνολική κατανάλωση ενέργειας μιας εγκατάστασης μπορεί να ξεπεράσει το 30%. Η Google ήταν από τους πρώτους που σκέφτηκε την έξυπνη ψύξη: το 2016, μαζί με την DeepMind, ανέπτυξε για την παρακολούθηση μεμονωμένων στοιχείων του κέντρου δεδομένων, γεγονός που μείωσε το ενεργειακό κόστος για τον κλιματισμό κατά 40%. Αρχικά, έδινε μόνο υποδείξεις στο προσωπικό, αλλά στη συνέχεια βελτιώθηκε και τώρα μπορεί να ελέγχει ανεξάρτητα την ψύξη των μηχανοστασίων. Ένα νευρωνικό δίκτυο που αναπτύσσεται στο σύννεφο επεξεργάζεται δεδομένα από χιλιάδες εσωτερικούς και εξωτερικούς αισθητήρες: λαμβάνει αποφάσεις λαμβάνοντας υπόψη το φορτίο στους διακομιστές, τη θερμοκρασία, καθώς και την ταχύτητα του ανέμου έξω και πολλές άλλες παραμέτρους. Οι οδηγίες που προσφέρει το σύστημα cloud αποστέλλονται στο κέντρο δεδομένων και εκεί ελέγχονται ξανά για ασφάλεια από τα τοπικά συστήματα, ενώ το προσωπικό μπορεί πάντα να απενεργοποιήσει την αυτόματη λειτουργία και να αρχίσει να διαχειρίζεται την ψύξη χειροκίνητα. Η Nlyte Software μαζί με την ομάδα της IBM Watson δημιούργησαν , το οποίο συλλέγει δεδομένα για τη θερμοκρασία και την υγρασία, την κατανάλωση ενέργειας και το φορτίο στον εξοπλισμό πληροφορικής. Σας επιτρέπει να βελτιστοποιήσετε τη λειτουργία των υποσυστημάτων μηχανικής και δεν απαιτεί σύνδεση με την υποδομή cloud του κατασκευαστή - εάν είναι απαραίτητο, η λύση μπορεί να αναπτυχθεί απευθείας στο κέντρο δεδομένων.
Άλλα παραδείγματα
Υπάρχουν πολλές καινοτόμες έξυπνες λύσεις για data centers στην αγορά και νέες εμφανίζονται συνεχώς. Η Wave2Wave δημιούργησε ένα ρομποτικό σύστημα μεταγωγής καλωδίων οπτικών ινών για αυτόματη οργάνωση διασυνδέσεων σε κόμβους ανταλλαγής κίνησης (Meet Me Rooms) μέσα στο κέντρο δεδομένων. Το σύστημα που αναπτύχθηκε από το ROOT Data Center και το LitBit χρησιμοποιεί AI για την παρακολούθηση εφεδρικών συνόλων γεννητριών ντίζελ και η Romonet έχει δημιουργήσει μια λύση λογισμικού αυτομάθησης για τη βελτιστοποίηση της υποδομής. Οι λύσεις που δημιουργήθηκαν από το Vigilent χρησιμοποιούν μηχανική εκμάθηση για την πρόβλεψη βλαβών και τη βελτιστοποίηση των συνθηκών θερμοκρασίας στις εγκαταστάσεις του κέντρου δεδομένων. Η εισαγωγή της τεχνητής νοημοσύνης, της μηχανικής μάθησης και άλλων καινοτόμων τεχνολογιών για την αυτοματοποίηση διαδικασιών στα κέντρα δεδομένων ξεκίνησε σχετικά πρόσφατα, αλλά σήμερα αυτός είναι ένας από τους πιο υποσχόμενους τομείς ανάπτυξης της βιομηχανίας. Τα σημερινά κέντρα δεδομένων έχουν γίνει πολύ μεγάλα και πολύπλοκα για να τα διαχειρίζονται αποτελεσματικά με μη αυτόματο τρόπο.
Πηγή: www.habr.com