ODCC峰會現場?

如何將(jiang)IDC的數據轉為(wei)核心競爭力

通常，DCIM是指數據中(zhong)心基礎設(she)施管理(li)。但在(zai)力(li)維看來，對于(yu)(yu)一個數據中(zhong)心來說(shuo)，它的(de)意義遠(yuan)遠(yuan)不只是對于(yu)(yu)基礎設(she)施的(de)管理(li)。

雖然今天大(da)家都在談大(da)數(shu)據(ju)(ju)，許多企業也(ye)懂得(de)如(ru)何(he)產生數(shu)據(ju)(ju)，但是知道如(ru)何(he)保存數(shu)據(ju)(ju)和利用數(shu)據(ju)(ju)的(de)企業卻非常(chang)少。而Google是一個(ge)既會產生數(shu)據(ju)(ju)，又會使(shi)用數(shu)據(ju)(ju)的(de)公司。谷歌最擅長的(de)是使(shi)得(de)數(shu)據(ju)(ju)成為他們的(de)核心競(jing)爭力(li)，谷歌所有的(de)產品，最初的(de)目的(de)只有一個(ge)就是產生數(shu)據(ju)(ju)。

當(dang)因(yin)特(te)網的(de)末端設(she)備被智能(neng)(neng)化后(hou)(hou)，當(dang)數(shu)(shu)據(ju)(ju)中(zhong)(zhong)心被物聯(lian)網化后(hou)(hou)，數(shu)(shu)據(ju)(ju)中(zhong)(zhong)心每天所產(chan)生的(de)數(shu)(shu)據(ju)(ju)將(jiang)以指數(shu)(shu)形式高(gao)速(su)(su)增長。數(shu)(shu)據(ju)(ju)中(zhong)(zhong)心運營者在優化及規劃現有設(she)施擴(kuo)展的(de)過程中(zhong)(zhong)，如何更好地運用系統(tong)里(li)的(de)數(shu)(shu)據(ju)(ju)采(cai)集量、多樣性、預測性的(de)價(jia)值和真實性，分析的(de)能(neng)(neng)力和速(su)(su)度將(jiang)變得尤為重要。因(yin)此，對IDC數(shu)(shu)據(ju)(ju)的(de)理解還突顯了IBM對大(da)數(shu)(shu)據(ju)(ju)的(de)五(wu)個定義(yi)：Volume(大(da)量)、Velocity(高(gao)速(su)(su))、Variety(多樣)、Value(價(jia)值)、Veracity(真實)。

而力維對DCIM的認識從最初的 基(ji)礎設施(shi)管(guan)理 到(dao) 綜(zong)合(he)管(guan)理 ，又進一步(bu)向前推進到(dao)： 基(ji)于大數據概念(nian)的IDC綜(zong)合(he)解決方案(an)。

ZNV中興力維CTO曹友盛(sheng)博士(shi)在演講(jiang)

IDC數據存在的難題與(yu)挑戰

Volume(海量)：目(mu)前的(de)感知(zhi)設備不夠多，智能化還(huan)只(zhi)是剛(gang)剛(gang)開始(shi)，對于數據(ju)采集(ji)的(de)密度不夠，視(shi)頻數據(ju)的(de)采集(ji)也相對缺乏，數據(ju)流能力的(de)設計存(cun)在瓶頸。

Velocity(高速)：對于百億級數據(ju)查詢的(de)(de)速度，報表分析的(de)(de)深(shen)度，統(tong)計的(de)(de)維度，在(zai)線分析的(de)(de)缺(que)乏(fa)，3D組態的(de)(de)呈現(xian)速度。

Variety(多樣)：缺乏多維(wei)數據間的(de)相關(guan)性分析，數據呈現孤島性，溫濕度、電壓(ya)、電流(liu)、影像(xiang)、GIS、氣體、時間之間的(de)聯系和相關(guan)性缺乏。

Value(價值)：IDC數據對于IDC經營者(zhe)的價值在哪(na)里? IDC經營者(zhe)要改善IDC的運(yun)營成本、設備的使用率和出租(zu)率，如(ru)何做到高(gao)效(xiao)、節能、省(sheng)心、省(sheng)錢(qian)、安全。

Veracity(真(zhen)實(shi)性)：IDC普(pu)遍存在的(de)誤(wu)告警(jing)、漏告警(jing)、事件誤(wu)判、報表的(de)真(zhen)實(shi)性，對PUE的(de)誤(wu)解。

ZNV中興力維展臺

什么才(cai)是聰明的解(jie)決方案

力(li)維認為可(ke)以提升5個V在DCIM中的(de)(de)應用。Volume(海量)：增加(jia)感知設備(bei)布點，增加(jia)數(shu)(shu)據(ju)采集密度，關鍵設備(bei)全(quan)生命周期事件(jian)記錄SOE，動環數(shu)(shu)據(ju)流(liu)能(neng)力(li)設計(ji);Velocity(高(gao)速)：大數(shu)(shu)據(ju)引擎Hadoop-Spark, Kafka、HBase、高(gao)速讀寫、高(gao)速查詢、高(gao)速統計(ji);Variety(多(duo)樣)：歷史數(shu)(shu)據(ju)累積(ji)，數(shu)(shu)據(ju)整理、清洗，對時(shi)、多(duo)維數(shu)(shu)據(ju)相關性分析;Value(價值(zhi))：IDC數(shu)(shu)據(ju)的(de)(de)價值(zhi)在于(yu)讓IDC經(jing)營者能(neng)高(gao)效(xiao)、安全(quan)、省(sheng)(sheng)心、省(sheng)(sheng)錢;Veracity(真實(shi)性)：真實(shi)性是IDC數(shu)(shu)據(ju)需要通(tong)過時(shi)間(jian)來考考核的(de)(de)，Google通(tong)過了兩年的(de)(de)時(shi)間(jian)，證明了DeepMind 能(neng)為它的(de)(de)IDC省(sheng)(sheng)下40%能(neng)耗(hao)。

針對(dui)數(shu)(shu)(shu)(shu)據(ju)流能(neng)(neng)力(li)設計方面(mian)，力(li)維的(de)DCIM整體(ti)架(jia)構(gou)可(ke)以分為數(shu)(shu)(shu)(shu)據(ju)呈現、數(shu)(shu)(shu)(shu)據(ju)引擎、數(shu)(shu)(shu)(shu)據(ju)接(jie)入(ru)層(ceng)、數(shu)(shu)(shu)(shu)據(ju)匯(hui)聚層(ceng)。力(li)維的(de) 維統管(guan) 不僅能(neng)(neng)實現數(shu)(shu)(shu)(shu)據(ju)的(de)處理(li)、分析、挖(wa)掘(jue)、共享、深度(du)學習(xi)，還(huan)能(neng)(neng)夠接(jie)入(ru)匯(hui)聚各種協議、海量數(shu)(shu)(shu)(shu)據(ju)(百億條數(shu)(shu)(shu)(shu)據(ju))，即便(bian)每(mei)天100萬(wan)個檢測點(dian)(dian)(dian)產(chan)生6TB的(de)數(shu)(shu)(shu)(shu)據(ju)、168億條數(shu)(shu)(shu)(shu)據(ju)。值得一提的(de)是，維統管(guan)還(huan)可(ke)以實現高密度(du)采集數(shu)(shu)(shu)(shu)據(ju)，100萬(wan)個測點(dian)(dian)(dian)， 每(mei)5秒采集一次，一條測點(dian)(dian)(dian)數(shu)(shu)(shu)(shu)據(ju)是200B來計算，每(mei)天產(chan)生采集數(shu)(shu)(shu)(shu)據(ju)168億條。

現場觀(guan)眾與力維展臺工作人(ren)員交(jiao)流中

力維的大數據規劃

第一(yi)層是做到響應型分析：收集(ji)數(shu)據，報(bao)(bao)表(biao)統(tong)計，高(gao)速查詢。即一(yi)個(ge)百萬測點(dian)的(de)(de)IDC，每天可(ke)(ke)產生6TB的(de)(de)數(shu)據，需要(yao)一(yi)個(ge)NoSQL的(de)(de)高(gao)速數(shu)據存儲, 年統(tong)計報(bao)(bao)表(biao)的(de)(de)變(bian)量可(ke)(ke)以在百萬個(ge)以上，用SQL數(shu)據庫(ku)是無法統(tong)計出來的(de)(de)。NoSQL技術可(ke)(ke)以實現(xian)百萬變(bian)量統(tong)計報(bao)(bao)表(biao) 2秒。

第二(er)層是(shi)診斷型分析趨勢(shi)：報(bao)警產生的根源(yuan)是(shi)什么?通過多維數據(ju)的時間關系深度分析，才(cai)能找到根源(yuan)。趨勢(shi)分析：在溫度上(shang)升過程中的趨勢(shi)可以是(shi)線性、拋(pao)物、冪(mi)函數、指數型的。

第三層是(shi)預測(ce)模型：預測(ce)型分(fen)析已(yi)經進入到下一代數據分(fen)析的(de)頂尖層次，很多(duo)時候是(shi)需要人(ren)工(gong)智(zhi)能(neng)給我(wo)們一些真(zhen)正的(de)建議(yi)，利用存儲Alluxio上(shang)的(de)預測(ce)模型作為參(can)考，對(dui)采集數據做快速(su)在(zai)線分(fen)析和預測(ce)，而這些模型來自力維云計算(suan)中的(de)深度細化、深度學習。

第四層(ceng)是認知轉換：認知計(ji)算(suan)是大數據的最(zui)高(gao)層(ceng)次。可(ke)通(tong)過提取(qu)來(lai)自工(gong)作流程、事件(jian)背景和環境(jing)的實時信息，幫(bang)助IDC經營(ying)(ying)者(zhe)增強預測(ce)和決策能力，給(gei)業務帶來(lai)更(geng)大的確定(ding)性，從而持續改進(jin)自身(shen)的業務流程，使IDC運(yun)營(ying)(ying)更(geng)加穩健。另外，認知計(ji)算(suan)可(ke)以(yi)幫(bang)助IDC從大量數據中(zhong)發(fa)掘洞察，揭示以(yi)往傳(chuan)統方法無法發(fa)現的模式和機會，來(lai)提高(gao)重要研(yan)究的成功(gong)機率。

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域產品研發生產超五類，六類,七類屏蔽網線/屏蔽模塊及相關模塊配件, 我們是萬兆屏蔽模塊，10G屏蔽模塊，屏蔽線生產廠家。

歡迎(ying)來(lai)電咨詢0574 88168918,郵箱sales@aliance.cn，網址(zhi)aliance.cn