En la procezo de cifereca transformo de la ekonomio, la homaro devas konstrui pli kaj pli da datumaj centroj. Datumcentroj mem ankaŭ devas esti transformitaj: temoj de ilia misfunkciado kaj energia efikeco estas nun pli gravaj ol iam. Instalaĵoj konsumas grandegajn kvantojn da elektro, kaj fiaskoj de kritika IT-infrastrukturo situanta ene de ili estas multekostaj por entreprenoj. Artefarita inteligenteco kaj maŝinlernado teknologioj venas al la helpo de inĝenieroj - en la lastaj jaroj ili estis ĉiam pli uzataj por krei pli altnivelajn datumcentrojn. Ĉi tiu aliro pliigas la haveblecon de instalaĵoj, reduktas la nombron da fiaskoj kaj reduktas operaciajn kostojn.
Kiel ĝi funkcias?
Artefarita inteligenteco kaj maŝinlernado teknologioj estas uzataj por aŭtomatigi funkcian decidon bazitan sur datumoj kolektitaj de diversaj sensiloj. Kiel regulo, tiaj iloj estas integritaj kun klasaj sistemoj DCIM (Data Center Infrastructure Management) kaj permesas antaŭdiri la okazon de kriz-situacioj, kaj ankaŭ optimumigi la funkciadon de IT-ekipaĵo, inĝenieristiko-infrastrukturo kaj eĉ servopersonaro. Tre ofte, fabrikistoj ofertas nubservojn al datumcentraj posedantoj, kiuj amasigas kaj prilaboras datumojn de multaj klientoj. Tiaj sistemoj ĝeneraligas la sperton funkciigi malsamajn datumcentrojn, kaj tial funkcias pli bone ol lokaj produktoj.
administrado de infrastrukturoj de IT
HPE antaŭenigas nuban prognozan analizan servon administri IT-infrastrukturon konstruitan sur Nimble Storage kaj HPE 3PAR StoreServ stokadsistemoj, HPE ProLiant DL/ML/BL-serviloj, HPE Apollo-rakosistemoj kaj la HPE Synergy-platformo. InfoSight analizas la legadojn de sensiloj instalitaj en ekipaĵo, prilaborante pli ol milionon da eventoj je sekundo kaj konstante memlernante. La servo ne nur detektas misfunkciadojn, sed ankaŭ antaŭdiras eblajn problemojn kun la IT-infrastrukturo (fiasoj de ekipaĵo, elĉerpiĝo de stoka kapacito, malpliigita rendimento de virtualaj maŝinoj, ktp.) eĉ antaŭ ol ili okazas. Por prognoza analizo, VoltDB-programaro estas deplojita en la nubo, uzante aŭtoregresajn prognozajn modelojn kaj probablajn metodojn. Simila solvo disponeblas por hibridaj stokaj sistemoj de Tegile Systems: la nuba servo IntelliCare Cloud Analytics kontrolas la sanon, rendimenton kaj uzadon de rimedoj de aparatoj. Artefarita inteligenteco kaj maŝinlernado teknologioj ankaŭ estas uzitaj fare de Dell EMC en ĝiaj alt-efikecaj komputiksolvoj. Estas multaj similaj ekzemploj; preskaŭ ĉiuj ĉefaj produktantoj de komputika ekipaĵo kaj datumstokaj sistemoj nun sekvas ĉi tiun vojon.
Elektroprovizo kaj malvarmigo
Alia areo de apliko de AI en datumcentroj rilatas al administrado de inĝenieristiko-infrastrukturo kaj, ĉefe, malvarmigo, kies parto en la tuta energikonsumo de instalaĵo povas superi 30%. Guglo estis unu el la unuaj, kiuj pensis pri inteligenta malvarmigo: en 2016, kune kun DeepMind, ĝi disvolvis por monitorado de individuaj datumcentraj komponantoj, kiuj reduktis energikostojn por klimatizilo je 40%. Komence, ĝi nur donis sugestojn al personaro, sed poste estis plibonigita kaj nun povas kontroli la malvarmigon de maŝinejoj sendepende. Neŭrala reto deplojita en la nubo prilaboras datumojn de miloj da endomaj kaj subĉielaj sensiloj: ĝi faras decidojn konsiderante la ŝarĝon sur serviloj, temperaturon, same kiel ventorapidecon ekstere kaj multajn aliajn parametrojn. La instrukcioj ofertitaj de la nuba sistemo estas senditaj al la datumcentro kaj tie ili denove estas kontrolitaj pri sekureco de lokaj sistemoj, dum dungitaro ĉiam povas malŝalti la aŭtomatan reĝimon kaj komenci administri la malvarmigon permane. Nlyte Software kune kun la IBM Watson-teamo kreita , kiu kolektas datumojn pri temperaturo kaj humideco, energikonsumo kaj ŝarĝo sur IT-ekipaĵo. Ĝi permesas vin optimumigi la funkciadon de inĝenieraj subsistemoj kaj ne postulas konekton al la nuba infrastrukturo de la fabrikanto - se necese, la solvo povas esti deplojita rekte en la datumcentro.
Aliaj ekzemploj
Estas multaj novigaj inteligentaj solvoj por datumcentroj sur la merkato kaj novaj konstante aperas. Wave2Wave kreis robotan optikan optikan ŝanĝsistemon por aŭtomate organizi kruckonektojn en trafikinterŝanĝaj nodoj (Meet Me Rooms) ene de la datumcentro. La sistemo evoluigita de ROOT Data Center kaj LitBit uzas AI por monitori rezervajn dizelgeneratorojn, kaj Romonet kreis memlernan programaran solvon por optimumigi infrastrukturon. La solvoj kreitaj de Vigilent uzas maŝinlernadon por antaŭdiri misfunkciadojn kaj optimumigi temperaturkondiĉojn en datumcentroj. La enkonduko de artefarita inteligenteco, maŝinlernado kaj aliaj novigaj teknologioj por proceza aŭtomatigo en datumcentroj komenciĝis relative lastatempe, sed hodiaŭ tio estas unu el la plej promesplenaj areoj de industrio-disvolviĝo. La hodiaŭaj datumcentroj fariĝis tro grandaj kaj kompleksaj por esti efike administritaj permane.
fonto: www.habr.com