I processen med digital omvandling av ekonomin måste mänskligheten bygga fler och fler databehandlingscenter. Datacenter själva måste också omvandlas: frågor om deras feltolerans och energieffektivitet är nu viktigare än någonsin. Anläggningar förbrukar enorma mängder elektricitet, och fel i kritisk IT-infrastruktur som finns inom dem är kostsamma för företag. Artificiell intelligens och maskininlärningsteknologier kommer ingenjörerna till hjälp – de senaste åren har de använts alltmer för att skapa mer avancerade datacenter. Detta tillvägagångssätt ökar tillgängligheten av anläggningar, minskar antalet fel och minskar driftskostnaderna.
Hur fungerar det?
Artificiell intelligens och maskininlärningsteknik används för att automatisera operativt beslutsfattande baserat på data som samlats in från olika sensorer. Som regel är sådana verktyg integrerade med DCIM (Data Center Infrastructure Management) klasssystem och låter dig förutsäga förekomsten av nödsituationer, samt optimera driften av IT-utrustning, teknisk infrastruktur och till och med servicepersonal. Mycket ofta erbjuder tillverkare molntjänster till datacenterägare som ackumulerar och bearbetar data från många kunder. Sådana system generaliserar upplevelsen av att driva olika datacenter och fungerar därför bättre än lokala produkter.
IT-infrastrukturhantering
HPE främjar molnförutsägande analystjänst att hantera IT-infrastruktur byggd på Nimble Storage och HPE 3PAR StoreServ-lagringssystem, HPE ProLiant DL/ML/BL-servrar, HPE Apollo-racksystem och HPE Synergy-plattformen. InfoSight analyserar avläsningarna av sensorer installerade i utrustning, bearbetar mer än en miljon händelser per sekund och ständigt självlärande. Tjänsten upptäcker inte bara fel, utan förutsäger även möjliga problem med IT-infrastrukturen (utrustningsfel, uttömning av lagringskapacitet, minskad prestanda hos virtuella maskiner etc.) redan innan de inträffar. För prediktiv analys är VoltDB-mjukvaran utplacerad i molnet, med hjälp av autoregressiva prognosmodeller och probabilistiska metoder. En liknande lösning finns tillgänglig för hybridlagringssystem från Tegile Systems: Molntjänsten IntelliCare Cloud Analytics övervakar enheters hälsa, prestanda och resursanvändning. Artificiell intelligens och maskininlärningsteknik används också av Dell EMC i sina högpresterande datorlösningar. Det finns många liknande exempel, nästan alla ledande tillverkare av datorutrustning och datalagringssystem följer nu denna väg.
Strömförsörjning och kyla
Ett annat tillämpningsområde för AI i datacenter är relaterat till hantering av teknisk infrastruktur och framför allt kylning, vars andel av den totala energiförbrukningen för en anläggning kan överstiga 30%. Google var en av de första att tänka på smart kylning: 2016 utvecklade det tillsammans med DeepMind för övervakning av enskilda datacenterkomponenter, vilket minskade energikostnaderna för luftkonditionering med 40 %. Till en början gav den bara tips till personalen, men förbättrades sedan och kan nu styra kylningen av maskinrum självständigt. Ett neuralt nätverk som är utplacerat i molnet bearbetar data från tusentals inomhus- och utomhussensorer: det fattar beslut med hänsyn till belastningen på servrar, temperatur, såväl som vindhastighet utanför och många andra parametrar. De instruktioner som molnsystemet erbjuder skickas till datacentret och där säkerhetskontrolleras de återigen av lokala system, samtidigt som personalen alltid kan stänga av det automatiska läget och börja hantera kylningen manuellt. Nlyte Software tillsammans med IBM Watson-teamet skapade , som samlar in data om temperatur och luftfuktighet, energiförbrukning och belastning på IT-utrustning. Det låter dig optimera driften av tekniska delsystem och kräver ingen anslutning till tillverkarens molninfrastruktur - vid behov kan lösningen distribueras direkt i datacentret.
Andra exempel
Det finns många innovativa smarta lösningar för datacenter på marknaden och det dyker ständigt upp nya. Wave2Wave har skapat ett robotiserat fiberoptisk kabelväxlingssystem för att automatiskt organisera korskopplingar i trafikutbytesnoder (Meet Me Rooms) inne i datacentret. Systemet som utvecklats av ROOT Data Center och LitBit använder AI för att övervaka backup-dieselgeneratorer, och Romonet har skapat en självlärande mjukvarulösning för att optimera infrastrukturen. Lösningarna som skapats av Vigilent använder maskininlärning för att förutsäga fel och optimera temperaturförhållandena i datacenterlokaler. Införandet av artificiell intelligens, maskininlärning och andra innovativa teknologier för processautomation i datacenter började relativt nyligen, men idag är detta ett av de mest lovande områdena inom industriutveckling. Dagens datacenter har blivit för stora och komplexa för att effektivt kunna hanteras manuellt.
Källa: will.com