人工智能如何创建自动驾驶数据中心

围绕人工智能(AI)的大多数讨论都集中在自动车辆、聊天机器人、数字双胞胎技术、机器人以及使用基于人工智能的“智能”系统从大型数据集中提取商业见解。但是人工智能和机器学习(ML)总有一天会在企业数据中心内部的服务器机架中扮演重要角色。

人工智能在提高数据中心效率和扩展业务方面的潜力可以分为以下四个主要类别:

电源管理:基于人工智能的电源管理有助于优化加热和冷却系统，从而降低电力成本，减少员工数量，提高效率。该领域的代表性供应商包括施耐德电气、西门子、Vertiv和伊顿。设备管理:AI系统可以监控服务器、存储、网络设备的运行状态，检查系统配置是否正确，预测设备何时出现故障。根据Gartner的数据，AIOpsIT基础设施管理(ITIM)类别的供应商包括OpsRamp、Datadog、Virtana、ScienceLogic和Zenoss。工作负载管理:人工智能系统可以实时自动将工作负载移动到最高效的基础设施，包括数据中心内部，以及混合云环境中，prem、云和边缘环境之间。有越来越多的小公司提供基于人工智能的工作负载优化，包括Redwood、TidalAutomation和Ignio。思科、IBM、VMware等重量级企业也有产品。安全:人工智能工具可以“理解”正常的网络流量，发现异常情况，对需要安全从业者关注的告警进行优先级排序，事后帮助分析哪里出了问题，为填补企业的安全防御漏洞提供建议。提供此功能的供应商包括VectraAI、Darktrace、ExtraHop和Cisco。

综上所述，人工智能可以帮助企业打造高度自动化、安全、自我修复的数据中心，几乎不需要人工干预，可以高效、灵活地运行。

戴尔技术公司全球首席技术官办公室的杰出工程师塔贝特解释说:“人工智能自动化可以扩展到人类能力之外，以解释数据并收集优化能源使用、分配工作负载和最大化效率所需的必要见解，从而实现更高的数据中心资产利用率。”。

当然，就像自动驾驶汽车的承诺一样，自动驾驶数据中心还没有出现。在数据中心，存在阻碍人工智能突破的重大技术、运营和人员配备障碍。如今，技术的采用才刚刚开始，但潜在的好处会让企业不断寻找采取行动的机会。

电源管理利用服务器工作负载管理。

据估计，数据中心将消耗全球3%的电力供应，并造成约2%的温室气体排放。因此，无论是为了省钱还是为了保护环境，很多企业都在认真研究数据中心的电源管理。

451Research的高级分析师DanielBizo表示，基于人工智能的系统可以帮助数据中心运营商了解当前或潜在的冷却问题，如高密度机柜阻挡气流导致的冷空气输送不足，暖通空调设备性能不佳或冷热过道之间的空气密封不足。

Bizo表示，人工智能有望提供“不仅是良好设施设计的好处”。在数据中心层面，人工智能系统“可以通过将HVAC系统数据与环境感知读数相关联来学习设备”。

IT咨询和顾问公司StorageIO的创始人GregSchulz补充道:“电源管理是一项轻松的成就。”今天，它是关于生产力，关于每BTU做更多的工作，每瓦特能量做更多的工作，这意味着更智能地工作，使设备更智能地工作。"

还有一个能力规划的角度。除了寻找热点和冷点，人工智能系统还可以确保数据中心向适当数量的物理服务器供电，并有能力在临时需求激增的情况下启动(和关闭)新的物理服务器。

Schulz补充说，电源管理工具正在开发管理设备和工作负载的系统挂钩。例如，如果传感器检测到服务器运行过热，系统可能会快速自动地将工作负载转移到未充分利用的服务器，以避免潜在的停机时间……这可能会影响任务关键型应用程序。然后系统可以调查服务器过热的原因——可能是风扇出现故障(HVAC问题)，物理组件即将崩溃(设备问题)，或者服务器刚刚过载(工作负载问题)。

人工智能驱动的健康监控和配置管理监督

数据中心充满了需要定期维护的物理设备。人工智能系统可以超越常规维护，帮助收集和分析遥测数据，从而确定需要立即关注的特定区域。“人工智能工具可以嗅出所有这些数据和斑点图案，以及异常情况，”舒尔茨说。

Bizo补充说:“健康监控从检查设备是否正确配置以及性能是否符合预期开始。”由于有数百个IT机柜和数万个组件，这些普通的任务可能是劳动密集型的，因此它们并不总是被及时和彻底地执行。"

他指出，基于大量感官数据日志的预测性设备故障模型可以“发现即将发生的组件或设备故障，并评估是否需要立即维护，以避免任何可能导致服务中断的容量损失。”

JuniperNetworks企业和云营销副总裁MichaelBushong认为，企业数据中心运营商应该忽略一些与人工智能相关的过度宣传和炒作，专注于他所说的“无聊的创新”

是的，人工智能系统可能有一天会“告诉我问题在哪里，并解决它”，但在这一点上，许多数据中心运营商都会接受“如果有问题，请告诉我去哪里找”，卜松说。

依赖映射也是人工智能的一个重要但并不特别令人兴奋的领域。如果数据中心经理对防火墙或其他设备进行策略更改，会有什么意外后果？“如果我提出改变，知道爆炸半径内可能有什么是非常有用的。

保持设备平稳安全运行的另一个重要方面是控制所谓的configurationdrift，这是一个数据中心术语，意思是随着时间的推移，临时配置的改变会导致问题的出现。Bushong表示，人工智能可以被用作“额外的安全检查”，以识别即将到来的基于配置的数据中心问题。

人工智能与安全

Bizo认为，人工智能和机器学习“可以通过快速对事件进行分类和聚类来简化事件处理(事件响应)，从而识别重要事件并将其从噪声中分离出来。更快的根本原因分析有助于运营商做出明智的决策并采取行动。”

舒尔茨补充说，人工智能在实时入侵检测中特别有用。基于人工智能的系统可以检测、阻止和隔离威胁，然后它们可以回去进行取证调查，以确定发生了什么以及黑客可以利用哪些漏洞。

在安全运营中心(SOC)工作的安全专业人员经常会收到太多的警报，但基于人工智能的系统可以扫描大量的遥测数据和日志信息，从而消除日常任务，使安全专家可以腾出时间来处理更深入的调查。

基于人工智能的工作负载优化

在应用层，人工智能可以自动将工作负载移动到适当的着陆点，无论是在内部还是在云中。在未来，AI/ML应该根据性能、成本、治理、安全、风险和可持续性的许多规范，实时决定将工作负载放在哪里。

例如，可以将工作负载自动移动到能效最高的服务器上，同时确保服务器以最高的效率运行，即70-80%的利用率。Bizo表示，人工智能系统可以将性能数据整合到方程中，因此时间敏感的应用程序运行在高效的服务器上，同时确保不需要快速执行的应用程序不会消耗太多的能量。

基于人工智能的工作负载优化引起了麻省理工学院研究人员的关注，他们在去年宣布，他们开发出了一种人工智能系统，可以自动学习如何在数千台服务器上调度数据处理操作。

然而，正如Bushong指出的那样，现实情况是，今天的工作负载优化是亚马逊、谷歌和Azure这样的超大型公司的专利，而不是普通的企业数据中心。原因有很多。

实现人工智能的挑战

Opti……使数据中心充满活力并实现自动化是正在进行的数字化转型计划不可或缺的一部分。戴尔的塔贝特补充道，“在新冠肺炎的帮助下，许多公司现在正在寻求进一步的自动化，并推广由人工智能驱动、能够自我修复的‘数字数据中心’概念。”

2018年，谷歌宣布将几个超大型数据中心的冷却系统的控制变成了人工智能程序。该公司报告称，人工智能算法提供的建议减少了40%的能源使用。

然而，Bizo表示，对于名字不是Google的公司来说，在数据中心使用人工智能“在很大程度上是一种理想”。一些AI/ML功能可用于事件处理、基础设施健康和冷却优化。然而，AI/ML模型要比当前的标准数据中心基础设施管理(DCIM)取得更明显的突破，还需要更多年的时间。与自动驾驶汽车开发非常相似，早期阶段可能很有趣，但远不是它最终承诺的突破性经济/商业案例。"

塔贝特认为，一些障碍是“需要雇佣或培训合适的人来管理系统。另一个需要注意的问题是对数据标准和相关架构的需求。”

Gartner表示:“AIOps平台的成熟度、it技能和运营成熟度是主要障碍。高级部署面临的其他新挑战包括数据质量以及“IT基础架构和运营团队”缺乏数据科学技能。

卜松补充说，最大的障碍一直是人。他指出，外包数据科学家对许多企业来说是一种挑战，也是现有员工培训的障碍。

此外，卜松表示，员工对技术的抵制由来已久。他指出，软件定义网络(SDN)已经存在了十年，但超过四分之三的IT操作仍然由CLI驱动。

“我们必须相信，各种基础设施的运营商已经准备好将控制权交给人工智能，”卜冲说。“如果一群人还不相信空管员能做决定，你怎么训练、教育、安慰一群人做出这么大的改变？业内普遍的态度是，如果我这样做，我就会失业。”

这就是为什么Bushong建议企业在人工智能方面采取那些小而无聊的步骤，而不是陷入经常围绕一项新技术的炒作中。

围绕人工智能(AI)的大多数讨论都集中在自动车辆、聊天机器人、数字双胞胎技术、机器人以及使用基于人工智能的“智能”系统从大型数据集中提取商业见解。但是人工智能和机器学习(ML)总有一天会在企业数据中心内部的服务器机架中扮演重要角色。

人工智能在提高数据中心效率和扩展业务方面的潜力可以分为以下四个主要类别:

电源管理:基于人工智能的电源管理有助于优化加热和冷却系统，从而降低电力成本，减少员工数量，提高效率。该领域的代表性供应商包括施耐德电气、西门子、Vertiv和伊顿。设备管理:AI系统可以监控服务器、存储、网络设备的运行状态，检查系统配置是否正确，预测设备何时出现故障。根据Gartner的数据，AIOpsIT基础设施管理(ITIM)类别的供应商包括OpsRamp、Datadog、Virtana、ScienceLogic和Zenoss。工作负载管理:人工智能系统可以实时自动将工作负载移动到最高效的基础设施，包括数据中心内部，以及混合云环境中，prem、云和边缘环境之间。有越来越多的小公司提供基于人工智能的工作负载优化，包括Redwood、TidalAutomation和Ignio。思科、IBM、VMware等重量级企业也有产品。安全:人工智能工具可以“理解”正常的网络流量，发现异常情况，对需要安全从业者关注的告警进行优先级排序，事后帮助分析哪里出了问题，为填补企业的安全防御漏洞提供建议。提供此功能的供应商包括VectraAI、Darktrace、ExtraHop和Cisco。

总之，人工智能可以帮助企业创建高度自动化、安全和自我修复的数据中心，这些数据中心需要很少的人工干预，并且可以高效地运行……和灵活性。

戴尔技术公司全球首席技术官办公室的杰出工程师塔贝特解释说:“人工智能自动化可以扩展到人类能力之外，以解释数据并收集优化能源使用、分配工作负载和最大化效率所需的必要见解，从而实现更高的数据中心资产利用率。”。

当然，就像自动驾驶汽车的承诺一样，自动驾驶数据中心还没有出现。在数据中心，存在阻碍人工智能突破的重大技术、运营和人员配备障碍。如今，技术的采用才刚刚开始，但潜在的好处会让企业不断寻找采取行动的机会。

电源管理利用服务器工作负载管理。

据估计，数据中心将消耗全球3%的电力供应，并造成约2%的温室气体排放。因此，无论是为了省钱还是为了保护环境，很多企业都在认真研究数据中心的电源管理。

451Research的高级分析师DanielBizo表示，基于人工智能的系统可以帮助数据中心运营商了解当前或潜在的冷却问题，如高密度机柜阻挡气流导致的冷空气输送不足，暖通空调设备性能不佳或冷热过道之间的空气密封不足。

Bizo表示，人工智能有望提供“不仅是良好设施设计的好处”。在数据中心层面，人工智能系统“可以通过将HVAC系统数据与环境感知读数相关联来学习设备”。

IT咨询和顾问公司StorageIO的创始人GregSchulz补充道:“电源管理是一项轻松的成就。”今天，它是关于生产力，关于每BTU做更多的工作，每瓦特能量做更多的工作，这意味着更智能地工作，使设备更智能地工作。"

还有一个能力规划的角度。除了寻找热点和冷点，人工智能系统还可以确保数据中心向适当数量的物理服务器供电，并有能力在临时需求激增的情况下启动(和关闭)新的物理服务器。

Schulz补充说，电源管理工具正在开发管理设备和工作负载的系统挂钩。例如，如果传感器检测到服务器运行过热，系统会快速自动将工作负载转移到未充分利用的服务器，以避免可能影响关键任务应用程序的潜在停机时间。然后系统可以调查服务器过热的原因——可能是风扇出现故障(HVAC问题)，物理组件即将崩溃(设备问题)，或者服务器刚刚过载(工作负载问题)。

人工智能驱动的健康监控和配置管理监督

数据中心充满了需要定期维护的物理设备。人工智能系统可以超越常规维护，帮助收集和分析遥测数据，从而确定需要立即关注的特定区域。“人工智能工具可以嗅出所有这些数据和斑点图案，以及异常情况，”舒尔茨说。

Bizo补充说:“健康监控从检查设备是否正确配置以及性能是否符合预期开始。”由于有数百个IT机柜和数万个组件，这些普通的任务可能是劳动密集型的，因此它们并不总是及时和彻底地执行。"

他指出，基于大量感官数据日志的预测性设备故障模型可以“发现即将发生的组件或设备故障，并评估是否需要立即维护，以避免任何可能导致服务中断的容量损失。”

JuniperNetworks企业和云营销副总裁MichaelBushong认为，企业数据中心运营商应该忽略一些与人工智能相关的过度宣传和炒作，专注于他所说的“无聊的创新”

是的，人工智能系统可能有一天会“告诉我问题在哪里，并解决它”，但在这一点上，许多数据中心运营商都会接受“如果有问题，请告诉我去哪里找”，卜松说。

依赖映射也是人工智能的一个重要但并不特别令人兴奋的领域。如果数据中心经理对防火墙或其他设备进行策略更改，会有什么意外后果？“如果我提出改变，知道爆炸半径内可能有什么是非常有用的。

保持设备平稳和安全运行的另一个重要方面是控制所谓的配置……urationdrift，这是一个数据中心术语，意思是随着时间的推移，临时配置的改变会导致问题。Bushong表示，人工智能可以被用作“额外的安全检查”，以识别即将到来的基于配置的数据中心问题。

人工智能与安全

Bizo认为，人工智能和机器学习“可以通过快速对事件进行分类和聚类来简化事件处理(事件响应)，从而识别重要事件并将其从噪声中分离出来。更快的根本原因分析有助于运营商做出明智的决策并采取行动。”

舒尔茨补充说，人工智能在实时入侵检测中特别有用。基于人工智能的系统可以检测、阻止和隔离威胁，然后它们可以回去进行取证调查，以确定发生了什么以及黑客可以利用哪些漏洞。

在安全运营中心(SOC)工作的安全专业人员经常会收到太多的警报，但基于人工智能的系统可以扫描大量的遥测数据和日志信息，从而消除日常任务，使安全专家可以腾出时间来处理更深入的调查。

基于人工智能的工作负载优化

在应用层，人工智能可以自动将工作负载移动到适当的着陆点，无论是在内部还是在云中。在未来，AI/ML应该根据性能、成本、治理、安全、风险和可持续性的许多规范，实时决定将工作负载放在哪里。

例如，可以将工作负载自动移动到能效最高的服务器上，同时确保服务器以最高的效率运行，即70-80%的利用率。Bizo表示，人工智能系统可以将性能数据整合到方程中，因此时间敏感的应用程序运行在高效的服务器上，同时确保不需要快速执行的应用程序不会消耗太多的能量。

基于人工智能的工作负载优化引起了麻省理工学院研究人员的关注，他们在去年宣布，他们开发出了一种人工智能系统，可以自动学习如何在数千台服务器上调度数据处理操作。

然而，正如Bushong指出的那样，现实情况是，今天的工作负载优化是亚马逊、谷歌和Azure这样的超大型公司的专利，而不是普通的企业数据中心。原因有很多。

实现人工智能的挑战

优化和自动化数据中心是正在进行的数字化转型计划不可或缺的一部分。戴尔的塔贝特补充道，“在新冠肺炎的帮助下，许多公司现在正在寻求进一步的自动化，并推广由人工智能驱动、能够自我修复的‘数字数据中心’概念。”

2018年，谷歌宣布将几个超大型数据中心的冷却系统的控制变成了人工智能程序。该公司报告称，人工智能算法提供的建议减少了40%的能源使用。

然而，Bizo表示，对于名字不是Google的公司来说，在数据中心使用人工智能“在很大程度上是一种理想”。一些AI/ML功能可用于事件处理、基础设施健康和冷却优化。然而，AI/ML模型要比当前的标准数据中心基础设施管理(DCIM)取得更明显的突破，还需要更多年的时间。与自动驾驶汽车开发非常相似，早期阶段可能很有趣，但远不是它最终承诺的突破性经济/商业案例。"

塔贝特认为，一些障碍是“需要雇佣或培训合适的人来管理系统。另一个需要注意的问题是对数据标准和相关架构的需求。”

Gartner表示:“AIOps平台的成熟度、it技能和运营成熟度是主要障碍。高级部署面临的其他新挑战包括数据质量以及“IT基础架构和运营团队”缺乏数据科学技能。

卜松补充说，最大的障碍一直是人。他指出，外包数据科学家对许多企业来说是一种挑战，也是现有员工培训的障碍。

此外，卜松表示，员工对技术的抵制由来已久。他指出，软件定义网络(SDN)已经存在了十年，但超过四分之三的IT操作仍然由CLI驱动。

“我们必须相信，各种基础设施的运营商已经准备好将控制权交给人工智能，”卜冲说。“如果一群人仍然不相信空气……affic管制员可以做决定，你怎么训练、教育、安慰一群人去做这么重大的改变？业内普遍的态度是，如果我这样做，我会失业。"

这就是为什么Bushong建议企业在人工智能方面采取那些小而无聊的步骤，而不是陷入经常围绕一项新技术的炒作中。

标签：发现理念

汽车资讯热门资讯