A digitális gazdaság átalakítása során az emberiség egyre több adatközpontot kénytelen építeni. Maguknak az adatközpontoknak is átalakulniuk kell: az elérhetőség és az energiahatékonyság kérdései soha nem voltak olyan fontosak, mint most. Az ilyen létesítmények hatalmas mennyiségű elektromos energiát fogyasztanak, míg a bennük elhelyezett kritikus IT infrastruktúrák meghibásodása a vállalkozásoknak nem olcsó mulatság. Az mérnökök segítségére sietnek a mesterséges intelligencia és a gépi tanulás technológiái - az utóbbi években egyre gyakrabban használják őket a modernebb adatközpontok létrehozására. Ez a megközelítés növeli a létesítmények felkészültségi szintjét, csökkenti a meghibásodások számát és csökkenti a fenntartási költségeket.
Hogyan működik ez?
A mesterséges intelligencia és a gépi tanulás technológiáit az operatív döntések automatizálására használják, a különböző érzékelőkből gyűjtött adatok alapján. Ezek az eszközök általában a DCIM (Data Center Infrastructure Management) osztályú rendszerekkel integrálódnak, így lehetővé teszik a váratlan helyzetek előrejelzését, valamint az IT berendezések, mérnöki infrastruktúrák és akár a karbantartó személyzet munkájának optimalizálását. Gyakran a gyártók felhőalapú szolgáltatásokat kínálnak az adatközpontok tulajdonosainak, amelyek sok ügyfél adatainak összegyűjtésére és feldolgozására szolgálnak. Ezek a rendszerek összegzik a különböző adatközpontok üzemeltetési tapasztalatait, ezért jobban működnek, mint a helyi termékek.
IT-infrastruktúra menedzsment
Az HPE cég a prediktív analitika felhőszolgáltatását népszerűsíti IT-infrastruktúra kezelésére, amely a Nimble Storage és HPE 3PAR StoreServ tárolórendszerekre, HPE ProLiant DL/ML/BL szerverekre, HPE Apollo állványos rendszerekre és az HPE Synergy platformra épül. Az InfoSight az eszközben telepített érzékelők méréseit elemzi, több mint egymillió eseményt dolgoz fel másodpercenként, és folyamatosan önképzi magát. A szolgáltatás nemcsak a hibákat észleli, hanem előre jelzi az IT-infrastruktúrával kapcsolatos lehetséges problémákat (az eszközhibákat, a tárolókapacitás kimerülését, a virtuális gépek teljesítményének csökkenését stb.) még azok bekövetkezése előtt. Az előrejelző analitika a felhőben a VoltDB szoftveréhez van telepítve, amely autoregresszív előrejelzési modelleket és valószínűségi módszereket alkalmaz. Hasonló megoldás elérhető a Tegile Systems hibrid adatkezelő rendszerei számára is: az IntelliCare Cloud Analytics felhőszolgáltatás végzi az eszközök állapotának, teljesítményének és erőforrás-használatának megfigyelését. A mesterséges intelligencia és gépi tanulás technológiáit a Dell EMC is alkalmazza nagy teljesítményű számítási megoldásaiban. Hasonló példákból számos található, ezen az úton jelenleg szinte minden vezető számítástechnikai és tárolórendszer-gyártó elindult.
Energiaellátás és hűtés
A mesterséges intelligencia másik alkalmazási területe a data centerekben a mérnöki infrastruktúra kezelése, elsősorban a hűtés, amelynek aránya a létesítmény összes energiafogyasztásában meghaladhatja a 30%-ot. Az okos hűtésről elsőként a Google vállalat gondolkodott: 2016-ban a DeepMind céggel közösen fejlesztették ki adatközpontok egyes komponenseinek megfigyelésére, amely lehetővé tette az energiafogyasztás 40%-os csökkentését a hűtés terén. Kezdetben csak javaslatokat tett a személyzetnek, de később továbbfejlesztették, és most már képes önállóan irányítani a gépi termek hűtését. A felhőben működő neurális hálózat elemzi az adatokat ezer belső és külső érzékelőtől: figyelembe veszi a szerverek terhelését, a hőmérsékletet, valamint a külső szél sebességét és sok más paramétert. A felhőrendszer által javasolt utasításokat az adatközpontba küldik, ahol a helyi rendszerek is ellenőrzik a biztonságot, miközben a személyzet bármikor leállíthatja az automatikus üzemmódot és manuálisan irányíthatja a hűtést. A Nlyte Software az IBM Watson csapatával közösen létrehozta , amely a hőmérsékletet és páratartalmat, az energiafogyasztást és az IT-eszközök terhelését rögzíti. Ez lehetővé teszi a mérnöki alrendszerek munkájának optimalizálását és nem igényel kapcsolatot a gyártó felhőinfrastruktúrájával — szükség esetén a megoldás közvetlenül az adatközpontban telepíthető.
Más példák
Számos innovatív okos megoldás létezik az adatközponti piacon, és folyamatosan újabbak jelennek meg. A Wave2Wave létrehozott egy robotizált rendszert a száloptikai kábelek kapcsolására az automatikus keresztkapcsolatok megszervezése érdekében a forgalmi cserehelyeken (Meet Me Room) az adatközponton belül. A ROOT Data Center és a LitBit által kifejlesztett rendszer mesterséges intelligenciát használ a tartalék dízelgenerátorok felügyeletére, míg a Romonet egy önállóan tanuló szoftvermegoldást dolgozott ki az infrastruktúra optimalizálására. A Vigilent által létrehozott megoldások gépi tanulást használnak a meghibásodások előrejelzésére és az adatközpontok hőmérsékleti környezetének optimalizálására. Az adatközpontokban való mesterséges intelligencia, gépi tanulás és más innovatív technológiák alkalmazása az automatizálási folyamatokhoz viszonylag nemrégiben kezdődött, de ma ez az iparág egyik legígéretesebb fejlődési irányzata. A modern adatközpontok túl nagyok és bonyolultak lettek ahhoz, hogy hatékonyan kézzel irányítsák őket.
Forrás: habr.com
