Този сайт използва бисквитки (cookies). Ако желаете можете да научите повече тук. Разбрах

Новини Технологии и концепции
бр. 6, 2018

AI повишава ефективността на центровете за данни

Машинното обучение дава възможност на компаниите по-добре да управляват охлаждането и мощността на съоръженията

от , 28 юни 2018 0 729 прочитания,

Анн Беднарз, IDG, САЩ

Изкуственият интелект (Artificial intelligence, или AI) играе все по-голяма роля в работата на центровете за данни и колокация на сървъри. Налага се мнението, че сложни изчислителни съоръжения могат да се управляват доста успешно чрез машинно обучение (Machine learning, ML), а технологиите са сигурни и изпитани.
Засега ML се прилага за мониторинг на сървърни системи и автоматизация управлението на захранване или разпределение на мощността, охладителната инфраструктура и физическата охрана.
В съоръженията на центрове за данни се внедряват все повече сензори, които събират информация от устройствата, включително UPS, разпределители на мощността, комутатори и охладители. Данните за тези устройства и тяхната среда се анализират чрез алгоритми за машинно обучение, които подават информация за производителността и капацитета например и определят подходящата реакция като промяна на настройка или изпращане на предупредителен сигнал. При промяна в условията системата за ML се адаптира, за да изпълнява своите задачи, без да разчита на специфични програмни инструкции.
Целта е да се позволи на операторите на центрове за данни да увеличат надеждността и производителността на съоръженията и в бъдеще да ги управляват по-автономно. Извличането на информация обаче не е обикновена задача.
Основно изискване е данните да са налични в реално време, казва Стив Карлини, старши директор глобални решения центрове за данни в Schneider Electric. Това означава, от една страна, охладители, охладителни кули, въздухопроводи, вентилатори и други, а от друга, показателите на ИТ оборудването като степен на натоварване на сървъра, температурата и консумацията на енергия.

AI повишава ефективността на центровете за данни

ИТ специалистите са свикнали да следят устройствата в реално време, но не и съоръжения като захранващи и охлаждащи системи. Едва през последното десетилетие се появиха центрове за данни, напълно оборудвани със системи за отчитане на тези параметри. Там, където има замерване обаче, стандартизацията е трудна - операторите разчитат на системите за управление на сградата, които използват множество комуникационни протоколи – от Modbus и BACnet до LONworks и Niagara – и трябва да се примиряват с устройства, които не споделят информация или не могат да се управляват дистанционно.
Машинното обучение осигурява охлаждането на центровете за данни
Спирането на работа на центъра за данни на Delta Airlines поради проблем в електрическата система през 2016 г. доведе до отлагането на около 2000 полета за период от три дни и струваше на авиокомпанията 150 млн. долара. Автоматизацията, основана на машинно обучение, може да предотврати подобна ситуация. Благодарение на развитието на замерванията и навлизането на облачните решения в областта на данните умните системи имат потенциала да засичат слабите места и да повишават производителността на центровете по начин, непостижим с ръчен труд.
Един прост пример за внедряване на машинно обучение е „поддръжката при необходимост“ - чрез следене на въздушния поток през филтрите на охлаждането умната система може да засече, ако някой от тях е по-замърсен от другите, и да пренасочи въздуха към по-чистите елементи, докато не стане време за смяната на всички филтри. Друг пример е следенето на температурата и батериите на UPS-ите. Умната система може да идентифицира дали даден UPS работи в по-гореща среда и се разрежда по-често от останалите, след което да го пренастрои от основно във второстепенно UPS устройство. Следващата стъпка е оптимизацията на динамичното охлаждането, която е един от честите примери за машинно обучение в центровете за данни днес, особено при големите доставчици.
При оптимизацията на динамичното охлаждане мениджърите могат да следят и контролират инфраструктурата според условията и капацитета - когато оборудване се мести или трафикът скочи, топлинното натоварване на сградата също може да се промени. Динамичното коригиране на охлаждането при топлинно натоварване помага да се елиминира необходимостта от допълнителни охладителни системи и да се намалят оперативните разходи.
Операторите на центрове за данни често използват много повече охладително оборудване, отколкото им е необходимо, казва Клиф Федершпил, основател, президент и ИТ директор на Vigilent, лидер в оптимизацията на динамичното охлаждане. „Това обикновено води до полузадоволително разпределение на топлината, но на доста висока цена“, коментира още той. (Компанията разработи технология за оптимизация на въздушния поток в съоръженията, автоматично засичане и премахване на горещи точки.) Когато е налице гореща точка, типичната реакция е да се добави още охлаждане. В действителност по-високата скорост на въздуха може да доведе до разлики в налягането, което да попречи на движението на въздушния поток през оборудването или да върне горещия въздух обратно към охлаждащото оборудване. Въпреки че е нелогично, може да се окаже по-ефективно например да се намали скоростта на вентилаторите. Технологията за машинно обучение на Vigilent разбира настройките на въздушния поток и оптимизира температурната среда на всеки клиент. Осигуряването на правилното охлаждане там, където е необходимо, обикновено води до 40% намаление на консумацията на ток, свързана с тази дейност, твърдят от компанията.

AI повишава ефективността на центровете за данни


Освен автоматизация на охладителните системи софтуерът на Vigilent предлага на клиентите анализ, който те използват при вземането на оперативни решения за своите съоръжения.
AI прави съществуващите процеси по-добри
Гледайки в бъдещето, операторите на центрове за данни работят за разширяването успеха на оптимизацията на динамичното охлаждане и в други области. В основни линии това са познати процеси с повторяеми задачи.
Новите подходи, основани на машинно обучение в центровете за данни, най-вероятно ще засегнат съществуващите бизнес операции, тъй като машинното обучение работи най-добре, когато разбирате бизнес проблемите и правилата в дълбочина.
Компаниите и в момента разполагат с инструменти за проследяване, например при софтуера за управление на инфраструктурата на центровете за данни (Data-Center Infrastructure Management, или DCIM), който осигурява поглед върху активите, взаимозависимостите, производителността и капацитета. Той контролира функциите, включително управлението и отчетността. Чрез него компаниите опростяват планирането на капацитета и разпределянето на ресурсите и си осигуряват възможно най-ефективно използване на мощността, оборудването и физическо пространство.
Следващата стъпка е добавяне на данни към DCIM микса. Тук машинното обучение играе ключова роля.
Управлението на центрове за данни като услуга (Data-Center Management As A Service, или DmaaS) се основава на DCIM софтуера. Тя обаче не е просто негова SaaS версия. DmaaS извежда събирането на данни една стъпка нагоре, като обединява информацията от оборудването и устройствата на територията на множество центрове за данни. След това данните стават анонимни, обединяват се и се анализират мащабно чрез машинно обучение.
Едни от първите играчи на DMaaS пазара са Schneider Electric и Eaton. И двата доставчика използват доста информация от дългогодишния си опит в света на центровете за данни, което включва проектиране и изграждане съоръжения, управление на сгради, електроразпределение и услуги в областта на захранването и охлаждането. Компаниите разполагат с езера от данни (data lake), събрани от различни клиенти. Достъпът до тях дава на отделното дружество база за сравнение за работата на нейния център за данни на фона на глобалните показатели. Например DMaaS продуктът на Schneider EcoStruxure IT е свързан с езеро от данни, съдържащо водещи показатели от над 500 клиента и 2.2 млн. сензора.
Прогнозната и превантивната поддръжка например извличат ползи от по-задълбочената информация. Въз основа на други машини, работещи в подобни среди с подобни нива на натовареност, възраст, компонентен състав и т.н., AI предвижда, че нещо може да се обърка.
Планирането на сценарии е друг процес, който ще дръпне много благодарение на машинното обучение. Компаниите правят това и днес без машинно обучение, като изчисляват ефекта от преместване на оборудването върху консумацията на енергия например. Възможността обаче да се използват данни от машинно обучение, минали данни, върху специфични конфигурации и различни дизайни, способността да се определя изходът от дадена конфигурация или дизайн е много, много по-голяма.
Анализът и управлението на риска също могат да се възползват от по-задълбочените прогнози. "Центровете за данни са толкова сложни, а мащабът днес е толкова голям, че за хората наистина е трудно да подберат модели, затова пък това е доста лесна задача за машините“, коментира Асиерто.
В бъдеще масовото приложение на машинно обучение в подобни съоръжения ще даде на бизнеса по-широк и задълбочен поглед при вземане на решения къде да извършват определени дейности - дали това приложение трябва да работи в този център за данни, или е по-добре да използваме колокация.
Ако погледнем още по-напред в бъдещето, умните системи могат да се заемат с още по-сложни задачи и да позволят на центровете за данни динамично да настройват натоварването въз основа на това къде задачите ще се изпълнят най-ефективно или най-надеждно.
Междувременно за компаниите, които едва сега започват, той подчертава важността на по-доброто сътрудничество между екипа, отговорен за съоръженията, и ИТ отдела.

„Много е важно да се вземат предвиди всички елементи на центъра за данни – захранването, охлаждането и ИТ залата. В бранша се работи усилено, за да се осигури оперативна съвместимост между технологиите на различните елементи. Компаниите трябва да направят същото на човешкия фронт“, коментира Стийв Карлини от Schneider Electric. „Технически става все по-лесно, но от организационна гледна точка все още имате бункери от данни“, допълва той.

Превод и редакция Юлия Уршева.

КОМЕНТАРИ ОТ  

Полезни страници
    За нас | Аудитория | Реклама | Контакти | Общи условия | Декларация за поверителност | Политика за бисквитки |
    Действителни собственици на настоящото издание са Иво Георгиев Прокопиев и Теодор Иванов Захов