`

СПЕЦИАЛЬНЫЕ
ПАРТНЕРЫ
ПРОЕКТА

Архив номеров

Как изменилось финансирование ИТ-направления в вашей организации?

Best CIO

Определение наиболее профессиональных ИТ-управленцев, лидеров и экспертов в своих отраслях

Человек года

Кто внес наибольший вклад в развитие украинского ИТ-рынка.

Продукт года

Награды «Продукт года» еженедельника «Компьютерное обозрение» за наиболее выдающиеся ИТ-товары

 

Леонид Бараш

ИИ усиливает доступность и эффективность ЦОД

+11
голос

Машинное обучение позволяет операторам ЦОД лучше справляться с охлаждением, мощностью и производительностью.

ИИ начинает играть все большую роль в операциях ЦОД, поскольку предприятия начинают применять технологии машинного обучения, которые были опробованы более крупными операторами и поставщиками колокейшн.

Современные гибридные вычислительные среды часто охватывают локальные ЦОД, облачные и коллокационные сайты и развертывания вычислений на границе. И предприятия находят, что традиционный подход к управлению ЦОД не является оптимальным. Использование ИИ таит огромный потенциал для оптимизации управления сложными вычислительными средами.

Внутри ЦОД все больше датчиков, которые собирают данные с устройств, включая резерв мощности (ИБП), распределительные устройства, коммутационную аппаратуру и системы охлаждения. Данные об этих устройствах и их среде анализируются с помощью алгоритмов машинного обучения, которые, например, анализируют производительность и емкость и вырабатывают соответствующие рекомендации, такие как изменение настройки или отправка предупреждения. По мере изменения условий система машинного обучения учится на этих изменениях - она обучается самонастраиваться, а не полагаться на конкретные инструкции по программированию для выполнения своих задач.

Главным требованием являются данные в реальном времени от основных компонентов. Это означает системы охлаждения, градирни, отвод воздуха, вентиляторы и многое другое. Со стороны ИТ-оборудования это означает такие показатели, как степень утилизации сервера, температура и потребление энергии.

Хорошей новостью является то, что мониторинг центров обработки данных продвигается к глубине, необходимой для расширенной аналитики и машинного обучения.

Благодаря достижениям в области измерения показателей и появлению пулов данных в облаке, интеллектуальные системы могут выявлять уязвимости и повышать эффективность операций ЦОД способами, которые не могут быть осуществлены посредством ручных процессов.

Одним из примеров является контроль температуры и разрядки аккумуляторов в системах ИБП. Интеллектуальная система может идентифицировать систему ИБП, которая работает в более нагретой среде, и может быть разряжается чаще, чем другие, а затем назначить ее в качестве резервной, а не основной.

Другой наиболее распространенный пример использования машинного обучения в ЦОД сегодня, особенно среди крупных операторов и поставщиков колокейшн, - это динамическая оптимизация охлаждения. Благодаря динамической оптимизации охлаждения менеджеры ЦОД могут осуществлять мониторинг и управление инфраструктурой охлаждения объекта в зависимости от меняющихся условий окружающей среды. Когда оборудование перемещается или скачком увеличивается трафик, тепловые нагрузки в здании также могут меняться. Динамическая регулировка мощности охлаждения для сдвига тепловых нагрузок может помочь устранить излишнее охлаждение и снизить эксплуатационные расходы.

Планирование сценария - это еще один процесс, который получит выгоды от машинного обучения. Например, сегодня компании планируют сценарий, оценивая влияние оборудования на потребление энергии. Конечно, это доступно без машинного обучения. Но возможность применения данных машинного обучения, исторических данных к конкретным конфигурациям и различным конструкциям позволит определять результат конкретной конфигурации или дизайна намного лучше. Кроме того, анализ рисков и смягчения рисков планирования могут извлечь выгоду из более глубокой аналитики.

ИИ усиливает доступность и эффективность ЦОД  
В будущем широкое применение машинного обучения в ЦОД даст предприятиям больше информации для принятия решения о том, где выполнять определенные рабочие нагрузки. Интеллектуальные системы могут решать еще более сложные задачи, позволяя ЦОД динамически корректировать рабочие нагрузки на основе того, где они будут работать наиболее эффективно или надежно

+11
голос

Напечатать Отправить другу

Читайте также

 
 
IDC
Реклама

  •  Home  •  Рынок  •  ИТ-директор  •  CloudComputing  •  Hard  •  Soft  •  Сети  •  Безопасность  •  Наука  •  IoT