根據(jù)世界經(jīng)濟論壇的估計，到2025年，全球每天將產(chǎn)生463EB的數(shù)據(jù)。為了應(yīng)對不斷增加的數(shù)據(jù)洪流，運營商正在尋找新方法來實現(xiàn)四個關(guān)鍵目標：最大限度地延長正常運行時間、優(yōu)化能源使用、檢測潛在風險以及防御網(wǎng)絡(luò)攻擊。利用機器學習(ML)技術(shù)是一個重要的潛在解決方案。

采用機器學習和人工智能可能看起來很簡單，但企業(yè)高管有理由謹慎行事。其面臨的挑戰(zhàn)包括投資回報的不確定性、圍繞數(shù)據(jù)共享的復(fù)雜政策以及缺乏高層管理人員的意識和支持。然而，考慮到企業(yè)對數(shù)據(jù)的依賴程度，技術(shù)領(lǐng)導者不能忽視機器學習和其他人工智能應(yīng)用程序的重要性，尤其是在保持正常運行時間方面。

企業(yè)為停機時間付出高昂的代價

數(shù)據(jù)中心計劃外停機帶來的損失范圍很廣，從每小時14萬美元到54萬美元不等，這取決于企業(yè)的規(guī)模和所在的行業(yè)。英國航空公司在2017年遭遇一次重中心故障，導致該公司損失7500多萬美元。由于機器學習和更智能的基礎(chǔ)設(shè)施的進步，當今的數(shù)據(jù)中心能夠極大地簡化正常運行時間的操作。

據(jù)市場研究機構(gòu)International DataCorp公司的預(yù)測，到2022年，數(shù)據(jù)中心中超過50%的技術(shù)可以使用嵌入式人工智能和機器學習功能自主運行。以下是機器學習可用于加強數(shù)據(jù)中心運營的四種方式：

(1) 最大限度地提高能源效率

全球數(shù)據(jù)中心的能耗占到全球能源使用量的1%。這聽起來可能是一個很小的數(shù)字，但即使是運營效率的適度提高，也會節(jié)約顯著的成本，并阻止數(shù)以百萬噸計的二氧化碳排放到大氣中。好消息是能源管理是最容易實施機器學習的領(lǐng)域之一。例如，谷歌公司使用DeepMind節(jié)省了約30%的能源，顯著減少了管理費用。

(2) 準確的容量規(guī)劃

為了滿足日益增長的工作量，數(shù)據(jù)中心管理人員必須提前準確預(yù)測對計算資源的需求。這些預(yù)測需要實時更新，以反映環(huán)境條件的任何變化。使用高級機器學習算法構(gòu)建的預(yù)測模型可以處理PB級的大量數(shù)據(jù)，并智能地預(yù)測容量和性能利用率。這一規(guī)劃有助于數(shù)據(jù)中心避免任何可能導致停機和影響運營的資源短缺。

(3) 更快的風險分析

機器學習可以被訓練成比人類更快更準確地檢測異常。數(shù)據(jù)中心工作人員可能會花費很長時間來發(fā)現(xiàn)某些東西，更糟糕的情況是完全忽略了異常情況。例如，一些數(shù)據(jù)中心管理即服務(wù)(DMaaS)程序可以分析來自關(guān)鍵數(shù)據(jù)中心設(shè)備(如電源管理和冷卻系統(tǒng))的性能數(shù)據(jù)，并預(yù)測它們何時可能發(fā)生故障。通過提前通知數(shù)據(jù)中心設(shè)備管理人員即將發(fā)生的故障，機器學習技術(shù)可以將停機時間降至最低。

(4) 抵御網(wǎng)絡(luò)攻擊的能力

防御分布式拒絕服務(wù)(DDoS)攻擊需要快速檢測和低誤報率。這些檢測方法大致分為兩類：基于特征的和基于異常的?；谔卣鞯臋z測在一般流量中具有已知特征，并被廣泛實施和使用?；诋惓５臋z測超出正常流量模式。機器學習回歸模型可用于識別流量異常的類型，有助于最大程度地減少誤報。

克服挑戰(zhàn)

一些數(shù)據(jù)中心正在開展人工智能和機器學習試點項目，但有些數(shù)據(jù)中心難以全面部署。這是因為試點項目將使用較小的數(shù)據(jù)集并在實驗室條件下運行。例如，在現(xiàn)實世界中，可能需要在幾分鐘內(nèi)處理幾TB的數(shù)據(jù)。因此，將人工智能從實驗室擴展到現(xiàn)場是數(shù)據(jù)中心必須克服的重大挑戰(zhàn)。其他挑戰(zhàn)包括難以訪問高質(zhì)量數(shù)據(jù)來訓練模型、實現(xiàn)準確性的實施時間長，以及遵守有關(guān)數(shù)據(jù)共享的復(fù)雜法律政策。

那么，數(shù)據(jù)中心如何克服這些挑戰(zhàn)呢?并沒有一個萬能的解決方案。企業(yè)需要從人工智能路線圖開始。這似乎令人驚訝，但許多企業(yè)忽略了這一步。企業(yè)需要創(chuàng)建一個全面的數(shù)據(jù)策略，重點關(guān)注數(shù)據(jù)的可用性和獲取以及數(shù)據(jù)的準確標記。

接下來，使用具有企業(yè)級性能的機器學習模型，以便機器學習易于擴展。使用數(shù)據(jù)中心基礎(chǔ)設(shè)施進行自動化和容器化的算法訓練。同樣，這變得易于擴展。關(guān)注數(shù)據(jù)質(zhì)量并建立卓越的測試中心或為人工智能試點建立類似的結(jié)構(gòu)。這需要考慮企業(yè)的相關(guān)技術(shù)技能、專業(yè)知識和能力。幫助將試點擴展到更廣泛的應(yīng)用程序?qū)a(chǎn)生更大的影響。

數(shù)據(jù)中心需要重新規(guī)劃如何在不斷變化的環(huán)境中運行。在當今互聯(lián)的社會中，數(shù)據(jù)中心將需要不斷突破機器學習的界限，以避免在競爭中落后或不堪重負。

文章編輯：CobiNet(寧波)  
本公司專注于電訊配件,銅纜綜合布線系列領(lǐng)域產(chǎn)品研發(fā)生產(chǎn)超五類，六類,七類屏蔽網(wǎng)線/屏蔽模塊及相關(guān)模塊配件, 光纖及配件，我們是萬兆屏蔽模塊，10G屏蔽模塊，屏蔽線生產(chǎn)廠家，綜合布線實施公司。

歡迎來電咨詢0574 88168918,郵箱sales@cobinet.cn，網(wǎng)址78867.cn