开云·娱乐官方网址(中国)官方网站：AI提升数据中心的可用性和效率

机器学习为数据中心运营商带给了更佳的风扇，功耗和性能。随着企业开始使用经过大型数据中心运营商和托管地服务提供商试用和测试过的机器学习技术，人工智能将在数据中心运营中扮演着更加最重要的角色。

今天的混合计算环境一般来说横跨了内部数据中心、云和配备站点以及边缘计算出来。企业找到传统的数据中心管理方法并不是拟合的。通过用于人工智能，机器学习，可以修改简单计算出来设施的管理。

目前，数据中心的AI主要环绕机器学习来监控和自动化设施组件的管理，如电力和配电元件，加热基础设施，机架系统和物理安全性。在数据中心设施内部，更加多的传感器正在从设备（还包括可用电源，配电设备，开关设备和冷却器）搜集数据。有关这些设备及其环境的数据将通过机器学习算法展开分析，例如，该算法可以详尽理解性能和容量，并确认必要的号召，变更设置或发送到警报。

随着条件的变化，机器学习系统能从变化中大大自学－它本质上是通过训练展开自我调整，而不是依赖特定的编程指令来继续执行其任务。目标是使数据中心运营商需要提升设施的可靠性和效率，并更加自律地运营它们。

但是，获取数据并不是一项非常简单的任务。基本拒绝是取得来自主要组件的动态数据，施耐德电气数据中心全球解决方案高级总监SteveCarlini说道。

还包括冷水机组，冷却塔，空气处理机，风机等等设备。在IT设备方面，你必须搜集诸如服务器利用率，温度和功耗等指标。“计量一个数据中心不是一件更容易的事。

”Carlini说道，“如果你想要尝试做到人工智能，你必须从数据中心获取数据，并且保证在数据中心有很多连接点用作供电和风扇。”IT专业人员习惯于设备监控和动态警报，但在房屋设施方面则没这个传统。“人们期望即时获得IT设备的通报。但在你的电力系统上，这不是必要需要获得的数据，“Carlini说道。

“这是一个有所不同的世界。”只有在过去的十年左右，第一批数据中心才几乎装备了仪器，并用于仪表来监控电力和加热器。

只要不存在计量的地方，标准化的构建往往都是艰难的：数据中心运营商依赖用于多种通信协议来建构管理系统——从Modbus和BACnet到LONworks和Niagara——它们必需符合于那些无法分享数据或无法通过远程控制操作者的设备。“TCP／IP，以太网相连——这些相连以前在动力系统末端和加热末端是闻所未闻的，”Carlini说道。好消息是，数据中心的监控正在向高级分析和机器学习所需的深度发展。服务提供商和托管地服务提供商仍然十分擅长于在机架级别展开监控，尤其是监控能源用于情况。

企业正在开始部署它，这各不相同数据中心的规模，“Carlini说道。机器学习使数据中心时刻维持炎热由于电力系统故障造成的达美航空数据中心停驶事件，使其在2016年的三天时间内停航大约2000次航班，导致损失1．5亿美元。这正是基于机器学习的自动化技术可以防止的场景。由于数据中心计量技术的变革以及云中数据池的经常出现，智能系统有可能以手动流程无法找到的方式找到数据中心运营中的漏洞并提高效率。

机器学习驱动智能的一个非常简单示例是基于条件的确保策略，它应用于数据中心中的消耗品，例如，加热过滤器。Carlini说道，通过监测通过多个过滤器的空气流量，智能系统可以检测出有一些过滤器否比其他过滤器阻塞更加多，然后将空气导向阻塞较较少的单元，直到必须替换所有过滤器为止。

另一个例子是监控UPS系统中电池的温度和静电。智能系统可辨识在较热环境中运行且有可能比其他系统更加频密运营的UPS系统，然后将其登录为可用UPS而不是主系统。

“它可以为你做到一些思维。这原本是必须手动已完成的，但现在机器也可以做。这些是基本的案例，”Carlini说道。

更加高层次的功能是动态加热优化，这是当今数据中心中最少见的机器学习的例子之一，特别是在较小的数据中心操作者人员和托管地服务提供商之间。通过动态加热优化，数据中心管理人员可以根据环境条件监控和掌控设施的加热基础设施。当设备移动或计算出来流量剧增时，建筑物内的热负荷也不会发生变化。动态调整加热输入以移往热负荷可协助避免不必要的制冷量并减少运营成本。

451Research数据中心技术和生态高效IT频道的研究主管RhondaAscierto说道，托管地服务提供商是动态加热优化的主要使用者。“机器学习对数据中心来说并不陌生，”Ascierto说道。“在很长一段时间内人们都企图根据容量和市场需求来提高风扇，机器学习可以让你动态做这一点。

”Vigilent是动态加热优化领域的领导者。其技术可以优化数据中心设施的气流，自动找到并避免热点。Vigilent的创始人，总裁兼首席技术官CliffFederspiel说道，数据中心运营商之前偏向于运营比他们所必须的更好的加热设备。

“它一般来说不会产生半可拒绝接受的温度产于，且成本十分低。”如果有热点，传统的措施是减少更好的加热能力。

实质上，较高的空气速度不会产生压力差，阻碍穿越设备的空气流动或阻碍热空气回到到加热设备。有可能这不是直觉，有时候减少风扇速度有可能更加有效地。Vigilent的基于机器学习的技术可以理解哪些气流设置可以优化每个客户的风扇环境。

该公司回应，获取必要的加热量在必须的地方，一般来说能使加热能耗减少40％。除了自动化冷却系统之外，Vigilent的软件还容许客户用于分析工具来对其设施展开运营决策。

Federspiel说道：“我们的客户更加有兴趣利用这些数据来协助管理他们的资本开支、能力规划和可靠性计划。这为数据中心内的大量新型的数据涉及的决策建构了机会。”AI使现有流程更加完备展望未来，数据中心运营商正在希望将动态加热器优化的顺利扩展到其他领域。

一般来说，合适机器学习的领域是那些必须大量重复性的工作的地方。Ascierto回应：“新的基于机器学习的数据中心方法很可能会应用于现有的业务流程，因为当您完全理解业务问题和规则时，机器学习不会展现出的更佳。”企业早已有一些在用于中的监控工具。

有一种长期存在的数据中心基础设施管理（DCIM）软件，可以为数据中心资产、互相依赖性、性能和容量获取可见性。DCIM软件具备远程设备监控，电力和环境监控，IT资产管理，数据管理和报告等功能。企业用于DCIM软件来修改容量规划和资源分配，并保证尽量高效地用于电力，设备和占地面积。“如果你有一个基本的监控和资产管理，你的预测能力将不会大大提高，”Ascierto说道。

“人们早已在用于他们自己的数据。”接下来的目标是：将外部数据加到到DCIM人组中。

这就是机器学习充分发挥关键作用的地方。数据中心管理即服务或DMaaS是基于DCIM软件的服务。但它某种程度是一个SaaS版本的DCIM软件。DMaaS将更进一步搜集数据，汇总来自数十个数据中心的设备和设备数据。

然后将这些数据电子邮件化，汇总并用于机器学习展开大规模分析。两家DMaaS市场的早期参与者是SchneiderElectric和Eaton。这两家厂商都从他们在数据中心领域多年的经验中挖掘出了大量数据，其中还包括设计和建构数据中心，楼宇管理，配电以及电力和加热器服务。

“SchneiderElectric和Eaton正在做到的事情将产生根本性的变化，那就是享有众多客户数据的数据湖。这对于数据中心部门来说十分有意思，”Ascierto说道。

通过从普遍的操作者环境中提供这类数据，使企业需要将自己的数据中心性能与全球基准展开较为。例如，Schneider的DMaaS产品取名为EcoStruxureIT，它与来自500多个客户和220万个传感器的基准数据的数据湖相关联。“您不仅可以用于自己的数据解读和解决问题。而且，您还可以用于数千个其他设施的数据，其中还包括许多与您的设施十分相近的数据。

这是仅次于的区别，”Ascierto说道。例如，预测性和预防性确保可以从更加深层次的智能中获益。Ascierto说道：“以其他机器为基础，在用于水平相近、用于时间相似、部件相近的环境中工作，人工智能可以提早预测出可能会经常出现的故障。

”情景规划是另一个可以从机器学习中受益的过程。例如，公司今天展开情景规划，估计设备移动对功耗的影响。

“这完全无法展开机器学习，”Ascierto说道。“但通过将机器学习数据、历史数据应用于到特定的配备和有所不同的设计中——使得确认特定配备或设计的结果的能力大大提高。”风险分析和风险对冲计划也将获益于更加了解的分析。

Ascierto说道：“数据中心非常复杂，今天的规模如此之大，以至于人类知道很难借此寻找规律，但对于机器来说这是轻而易举的。”未来，机器学习在数据中心的广泛应用将为企业在要求运营某些工作阻抗的方位时获取更加多建议。

“这对的组织来说十分有价值，尤其是如果他们正在环绕最佳继续执行场所作出要求时，”Ascierto说道。“这个应用程序应当在这个数据中心运营吗？或者我们应当用于额外的数据中心吗？”展望未来，智能系统可以分担更加简单的任务，使数据中心需要根据运营效率最低或最可信的设置来动态调整工作阻抗。Carlini说道：“简单的人工智能在未来仍有一段路要回头。

”与此同时，对于刚刚入门的公司，他特别强调了让设备和IT团队展开更加多合作的重要性。Carlini说道：“考虑到数据中心的所有部件－电源系统，冷却系统和IT管理室都是十分最重要的。必需希望确保有所不同领域的技术之间的互操作性。

同时，企业必须在人员配备方面也这样做到。“虽然这在技术层面上很更容易做，但在组织上，提高的空间仍然十分极大，”他说道。

本文来源：开云·娱乐官方网址-www.xingdoushangmao.com