W procesie cyfrowej transformacji gospodarki ludzkość zmuszona jest do budowy coraz większej liczby centrów danych. Same centra także muszą się transformować: kwestie ich odporności na awarie i efektywności energetycznej są teraz ważniejsze niż kiedykolwiek. Obiekty zużywają ogromne ilości energii elektrycznej, a awarie krytycznej infrastruktury IT w nich umieszczonej kosztują firmy sporo. Z pomocą inżynierom przychodzą technologie sztucznej inteligencji i uczenia maszynowego - w ostatnich latach coraz częściej są one wykorzystywane do tworzenia bardziej zaawansowanych centrów danych. Takie podejście zwiększa gotowość obiektów, zmniejsza liczbę awarii i obniża koszty operacyjne.
Jak to działa?
Technologie sztucznej inteligencji i uczenia maszynowego wykorzystuje się do automatyzacji podejmowania decyzji operacyjnych na podstawie danych zbieranych z różnych czujników. Jak zwykle takie środki integrują się z systemami klasy DCIM (Data Center Infrastructure Management) i pozwalają prognozować wystąpienie sytuacji kryzysowych, a także optymalizować pracę sprzętu IT, infrastruktury inżynieryjnej, a nawet personelu obsługującego. Często producenci oferują właścicielom centrów danych usługi chmurowe, które gromadzą i przetwarzają dane wielu klientów. Takie systemy podsumowują doświadczenia eksploatacji różnych centrów danych, dlatego działają lepiej niż lokalne produkty.
Zarządzanie infrastrukturą IT
Firma HPE promuje chmurową usługę analizy predykcyjnej do zarządzania infrastrukturą IT opartą na systemach pamięci Nimble Storage i HPE 3PAR StoreServ, serwerach HPE ProLiant DL/ML/BL, systemach rackowych HPE Apollo oraz platformie HPE Synergy. InfoSight analizuje dane zainstalowanych w sprzęcie czujników, przetwarzając ponad milion zdarzeń na sekundę i nieustannie samoucząc się. Usługa nie tylko identyfikuje usterki, ale także przewiduje możliwe problemy z infrastrukturą IT (awarie sprzętu, wyczerpanie pojemności pamięci masowej, spadek wydajności maszyn wirtualnych itp.) jeszcze przed ich wystąpieniem. Do analityki predykcyjnej w chmurze wdrożono oprogramowanie firmy VoltDB, które wykorzystuje modele autoregresyjne prognozowania i metody probabilistyczne. Takie rozwiązanie jest dostępne również dla hybrydowych systemów pamięci masowej firmy Tegile Systems: chmurowa usługa IntelliCare Cloud Analytics monitoruje stan, wydajność i wykorzystanie zasobów urządzeń. Technologie sztucznej inteligencji i uczenia maszynowego wykorzystuje także Dell EMC w swoich rozwiązaniach do obliczeń wysokowydajnych. Przykładów takich jest wiele, w tę stronę podąża obecnie praktycznie wszystkich czołowych producentów sprzętu komputerowego i systemów pamięci masowej.
Zasilanie i chłodzenie
Innym obszarem zastosowania AI w centrach danych jest zarządzanie infrastrukturą inżynieryjną, a przede wszystkim chłodzeniem, którego udział w ogólnym zużyciu energii obiektu może przekraczać 30%. Jednym z pierwszych, którzy pomyśleli o inteligentnym chłodzeniu, była korporacja Google: w 2016 roku we współpracy z firmą DeepMind opracowała do monitorowania poszczególnych komponentów centrum danych, co pozwoliło na 40% redukcję kosztów energii na klimatyzację. Początkowo tylko dawała wskazówki personelowi, ale potem została rozwinięta i teraz może samodzielnie zarządzać chłodzeniem pomieszczeń serwerowych. Rozwinięta w chmurze sieć neuronowa przetwarza dane z tysiąca wewnętrznych i zewnętrznych czujników: podejmuje decyzje biorąc pod uwagę obciążenie serwerów, temperaturę oraz prędkość wiatru na zewnątrz i wiele innych parametrów. Polecenia dostarczane przez system chmurowy są kierowane do centrum danych i tam ponownie weryfikowane pod kątem bezpieczeństwa przez lokalne systemy, przy czym personel zawsze może wyłączyć tryb automatyczny i zacząć ręcznie zarządzać chłodzeniem. Nlyte Software wspólnie z zespołem IBM Watson stworzyła , który zbiera dane o temperaturze i wilgotności, zużyciu energii oraz obciążeniu sprzętu IT. Umożliwia optymalizację pracy subsystems инженеры и не требует подключения к облаcznej инфраструктurze producenta – w razie potrzeby rozwiązanie może być wdrożone bezpośrednio w centrum danych.
Inne przykłady
Na rynku jest wiele innowacyjnych inteligentnych rozwiązań dla centrów danych, a nowe pojawiają się nieustannie. Firma Wave2Wave stworzyła zrobotyzowany system przełączania światłowodów do automatycznego organizowania połączeń krzyżowych w węzłach wymiany ruchu (Meet Me Room) wewnątrz centrum danych. Opracowany przez ROOT Data Center i LitBit system wykorzystuje AI do monitorowania rezerwowych zasilaczy, a w Romonet zbudowano samouczące się rozwiązanie programowe do optymalizacji infrastruktury. Rozwiązania stworzone przez firmę Vigilent stosują uczenie maszynowe do prognozowania awarii i optymalizacji temperatury w pomieszczeniach centrum danych. Wprowadzenie sztucznej inteligencji, uczenia maszynowego i innych innowacyjnych technologii do automatyzacji procesów w centrach danych rozpoczęło się stosunkowo niedawno, ale dzisiaj jest to jeden z najbardziej obiecujących kierunków rozwoju branży. Współczesne centra danych stały się zbyt duże i złożone, aby skutecznie nimi zarządzać ręcznie.
Źródło: habr.com
