در فرآیند تحول دیجیتالی اقتصاد، بشریت مجبور است مراکز پردازش داده های بیشتری بسازد. خود مراکز داده نیز باید متحول شوند: مسائل مربوط به تحمل خطا و بهره وری انرژی آنها اکنون بیش از هر زمان دیگری مهم است. تأسیسات مقادیر زیادی برق مصرف می کنند و خرابی زیرساخت های حیاتی فناوری اطلاعات واقع در آنها برای مشاغل پرهزینه است. فناوری های هوش مصنوعی و یادگیری ماشین به کمک مهندسان می آیند - در سال های اخیر به طور فزاینده ای برای ایجاد مراکز داده پیشرفته تر استفاده شده است. این رویکرد باعث افزایش در دسترس بودن امکانات، کاهش تعداد خرابی ها و کاهش هزینه های عملیاتی می شود.
چگونه کار می کند؟
فناوری‌های هوش مصنوعی و یادگیری ماشین برای خودکارسازی تصمیم‌گیری عملیاتی بر اساس داده‌های جمع‌آوری‌شده از حسگرهای مختلف استفاده می‌شوند. به عنوان یک قاعده، چنین ابزارهایی با سیستم های کلاس DCIM (مدیریت زیرساخت مرکز داده) ادغام می شوند و به شما امکان می دهند وقوع شرایط اضطراری را پیش بینی کنید و همچنین عملکرد تجهیزات فناوری اطلاعات، زیرساخت های مهندسی و حتی پرسنل خدمات را بهینه کنید. اغلب، سازندگان خدمات ابری را به صاحبان مراکز داده ارائه می دهند که داده های بسیاری از مشتریان را جمع آوری و پردازش می کند. چنین سیستم هایی تجربه بهره برداری از مراکز داده مختلف را تعمیم می دهند و بنابراین بهتر از محصولات محلی کار می کنند.
مدیریت زیرساخت فناوری اطلاعات
HPE سرویس تحلیل پیش بینی ابری را ارتقا می دهد برای مدیریت زیرساخت های فناوری اطلاعات ساخته شده بر روی سیستم های ذخیره سازی Nimble Storage و HPE 3PAR StoreServ، سرورهای HPE ProLiant DL/ML/BL، سیستم های HPE Apollo rack و پلت فرم HPE Synergy. InfoSight خوانش حسگرهای نصب شده در تجهیزات را تجزیه و تحلیل می کند، بیش از یک میلیون رویداد را در ثانیه پردازش می کند و دائماً خودآموز است. این سرویس نه تنها عیوب را شناسایی می کند، بلکه مشکلات احتمالی زیرساخت فناوری اطلاعات (خرابی تجهیزات، اتمام ظرفیت ذخیره سازی، کاهش عملکرد ماشین های مجازی و غیره) را حتی قبل از وقوع پیش بینی می کند. برای تجزیه و تحلیل پیش‌بینی‌کننده، نرم‌افزار VoltDB با استفاده از مدل‌های پیش‌بینی خودکار و روش‌های احتمالی در فضای ابری مستقر شده است. راه حل مشابهی برای سیستم های ذخیره سازی ترکیبی از Tegile Systems در دسترس است: سرویس ابری IntelliCare Cloud Analytics سلامت، عملکرد و استفاده از منابع دستگاه ها را نظارت می کند. فناوری‌های هوش مصنوعی و یادگیری ماشین نیز توسط Dell EMC در راه‌حل‌های محاسباتی با کارایی بالا استفاده می‌شوند. نمونه‌های مشابه زیادی وجود دارد؛ تقریباً تمام تولیدکنندگان پیشرو تجهیزات محاسباتی و سیستم‌های ذخیره‌سازی داده‌ها اکنون این مسیر را دنبال می‌کنند.
منبع تغذیه و خنک کننده
یکی دیگر از حوزه‌های کاربرد هوش مصنوعی در مراکز داده مربوط به مدیریت زیرساخت‌های مهندسی و بالاتر از همه خنک‌سازی است که سهم آن در کل انرژی مصرفی یک مرکز می‌تواند بیش از 30 درصد باشد. گوگل یکی از اولین کسانی بود که در مورد خنک کننده هوشمند فکر کرد: در سال 2016، همراه با DeepMind توسعه داد. برای نظارت بر تک تک اجزای مرکز داده، که هزینه انرژی برای تهویه مطبوع را تا 40٪ کاهش داد. در ابتدا، فقط به کارکنان اشاره می کرد، اما متعاقباً بهبود یافت و اکنون می تواند به طور مستقل خنک کننده اتاق ماشین را کنترل کند. یک شبکه عصبی مستقر در ابر داده‌های هزاران حسگر داخلی و خارجی را پردازش می‌کند: با در نظر گرفتن بار روی سرورها، دما و همچنین سرعت باد در خارج و بسیاری از پارامترهای دیگر تصمیم‌گیری می‌کند. دستورالعمل های ارائه شده توسط سیستم ابری به مرکز داده ارسال می شود و در آنجا یک بار دیگر توسط سیستم های محلی برای امنیت بررسی می شود، در حالی که کارکنان همیشه می توانند حالت خودکار را خاموش کرده و به صورت دستی خنک کننده را مدیریت کنند. Nlyte Software به همراه تیم IBM Watson ایجاد کردند که داده های دما و رطوبت، مصرف انرژی و بار روی تجهیزات فناوری اطلاعات را جمع آوری می کند. این به شما امکان می دهد تا عملکرد زیرسیستم های مهندسی را بهینه کنید و نیازی به اتصال به زیرساخت ابری سازنده ندارد - در صورت لزوم، راه حل را می توان مستقیماً در مرکز داده مستقر کرد.
مثالهای دیگر
راه حل های هوشمند مبتکرانه زیادی برای مراکز داده در بازار وجود دارد و راه حل های جدید دائماً ظاهر می شوند. Wave2Wave یک سیستم سوئیچینگ کابل فیبر نوری روباتیک ایجاد کرده است تا به طور خودکار اتصالات متقابل را در گره های تبادل ترافیک (Meet Me Rooms) در مرکز داده سازماندهی کند. سیستم توسعه یافته توسط ROOT Data Center و LitBit از هوش مصنوعی برای نظارت بر مجموعه های دیزل ژنراتور پشتیبان استفاده می کند و Romonet یک راه حل نرم افزاری خودآموز برای بهینه سازی زیرساخت ایجاد کرده است. راه حل های ایجاد شده توسط Vigilent از یادگیری ماشین برای پیش بینی خرابی ها و بهینه سازی شرایط دما در محوطه مرکز داده استفاده می کند. معرفی هوش مصنوعی، یادگیری ماشین و سایر فناوری‌های نوآورانه برای اتوماسیون فرآیند در مراکز داده نسبتاً اخیراً آغاز شده است، اما امروزه این یکی از امیدوارکننده‌ترین حوزه‌های توسعه صنعت است. مراکز داده امروزی بیش از حد بزرگ و پیچیده شده اند که نمی توان آنها را به صورت دستی مدیریت کرد.
منبع: www.habr.com