人工智慧和機器學習如何準備好改變資料中心營運的遊戲規則?

資料中心如今面臨著一個看起來幾乎無法解決的挑戰。雖然資料中心的營運從未如此繁忙，但作為企業碳減排目標的一部分，資料中心營運團隊面臨減少能耗的壓力。而且，急劇上漲的電價正在給資料中心營運商帶來預算壓力。

隨著資料中心專注於支援人們越來越需要的工作和生活的基本技術服務，資料中心的運作如此繁重也就不足為奇了。在沒有放緩跡象的推動下，人們看到與視訊、儲存、運算需求、智慧物聯網整合以及5G連接推出相關的數據使用量大幅增加。然而，儘管工作量不斷增加，但不幸的是，現今許多資料中心設施的運作效率都不夠高。

鑑於資料中心的平均工作壽命超過20年，這不足為奇。效率總是取決於資料中心設施的原始設計，並且基於早已被超越的預期IT負載。同時，變化是一個不變的因素，平台、設備設計、拓撲、功率密度和冷卻要求都隨著新的應用的不斷發展而變化。結果是經常發現全球各地的資料中心很難將當前和計劃的IT負載與其關鍵基礎設施相匹配。隨著資料中心需求的增加，這種情況只會加劇。根據分析師的預測，從現在到2025年，資料中心的工作負載量將以每年20%左右的速度持續成長。

傳統的資料中心技術和方法難以滿足這些不斷升級的需求。對可用性進行優先排序在很大程度上是以犧牲效率為代價的，太多的工作仍然依賴營運人員的經驗，並且相信假設是正確的。不幸的是，有證據表明這種模式不再適用。遠端感測器監控供應商EkkoSense公司的研究表明，資料中心中平均有15%的IT機架在ASHRAE的溫度和濕度指南規定的範圍之外運行，而由於效率低下甚至導致資料中心冷卻能耗高達60% 。這是一個主要問題，根據Uptime Institute估計，由於冷卻和氣流管理效率低下，全球資料中心浪費的能源損失約為180億美元。這相當於浪費了約1500億度電。

資料中心基礎設施使用的35%的能源用於冷卻，很明顯，傳統的效能最佳化方法錯過了實現效率提升的巨大機會。 EkkoSense公司的調查表明，三分之一的非計劃性資料中心中斷是由過熱問題引發的。因此需要找到不同的方法來管理這個問題，可以為資料中心營運團隊提供很好的方法來確保可用性和提高效率。

傳統監控技術的限制

不幸的是，目前只有大約5%的維運團隊在每個機架上監控和報告他們的資料中心設備溫度。此外，DCIM和傳統監控解決方案可以提供趨勢數據，並設定成在發生故障時提供警報，但這些措施還不夠。它們缺乏分析能力，無法深入了解問題的原因，以及如何在未來解決和避免問題。

營運團隊意識到這種傳統監控技術有其局限性，但他們也知道根本沒有資源和時間來獲取他們擁有的數據，並從分析數據中獲得有意義的見解。好消息是，現在可以使用技術解決方案來幫助資料中心解決這個問題。

現在是讓資料中心與機器學習和人工智慧結合的時候了

機器學習和人工智慧的應用在如何處理資料中心運作方面創造了一個新的模式。營運團隊現在可以利用機器學習來收集更細緻的數據，而不是被過多的效能數據淹沒——這意味著他們可以開始即時存取資料中心的運作。關鍵是使其易於訪問，使用智慧3D視覺化是一種很好的方法，可以讓資料中心團隊更輕鬆地在更深層次上解釋效能和資料：例如顯示變更和突出顯示異常。

下一階段是應用機器學習和人工智慧分析來提供可行的見解。透過使用機器學習演算法擴充測量資料集，資料中心團隊可以立即受益於易於理解的見解，以幫助支援他們的即時最佳化決策。每五分鐘進行一次即時粒度資料收集和人工智慧/機器學習分析相結合，使營運人員不僅可以查看其資料中心設施中發生的情況，還可以找出原因，以及應該如何處理。

人工智慧和機器學習支援的分析還可以揭示建議關鍵領域的可操作變更所需的洞察力，如最佳設定點、地板格柵佈局、冷卻設施操作以及風扇速度調整等。熱量分析還將顯示安裝機架的最佳位置。而且，由於人工智慧能夠實現即時視覺化，資料中心團隊可以快速獲得任何已經執行變更的即時效能回饋。

人工智慧和機器學習為資料中心運作提供幫助

鑑於減少碳排放量和盡量減少電價上漲影響的壓力，資料中心團隊如果要實現其可靠性和效率目標，就需要新的優化支援。

利用最新的機器學習和人工智慧驅動的資料中心優化方法當然可以透過減少冷卻能源和使用來產生影響——在幾週內即可獲得即時的結果。將細粒度資料置於優化計畫的最前沿，資料中心團隊不僅能夠消除過熱和電力故障風險，還能確保將冷卻能耗成本和碳排放量平均降低30%。很難忽視這種成本節省可能產生的影響，尤其是在電價快速上漲的時期。如今為優化而權衡風險和可用性的日子已經一去不復返了，人工智慧和機器學習技術將應用在資料中心營運的最前沿。

以上是人工智慧和機器學習如何準備好改變資料中心營運的遊戲規則?的詳細內容。更多資訊請關注PHP中文網其他相關文章！