根據世(shi)界經濟論(lun)壇的(de)估計，到2025年，全球每(mei)天將產生463EB的(de)數據。為了應對不(bu)斷增加的(de)數據洪流，運(yun)(yun)營(ying)商(shang)正在尋找新(xin)方法(fa)來(lai)實現四個(ge)關(guan)鍵目(mu)標：最大限度地延長正常運(yun)(yun)行時間(jian)、優化(hua)能源使(shi)用、檢測(ce)潛在風險以及防御(yu)網絡攻擊。利用機器(qi)學習(ML)技(ji)術是一個(ge)重要的(de)潛在解決方案。

采用機器學(xue)習(xi)和人(ren)工智能(neng)可(ke)能(neng)看起來很簡單，但企業高(gao)管有(you)理由(you)謹(jin)慎行事(shi)。其面(mian)臨的(de)(de)(de)挑戰包(bao)括投資回報(bao)的(de)(de)(de)不(bu)確定(ding)性、圍繞數據(ju)(ju)共享的(de)(de)(de)復雜(za)政策以及(ji)缺乏高(gao)層(ceng)管理人(ren)員的(de)(de)(de)意識和支持。然而，考慮到企業對數據(ju)(ju)的(de)(de)(de)依賴(lai)程(cheng)度，技術領導者不(bu)能(neng)忽視機器學(xue)習(xi)和其他人(ren)工智能(neng)應用程(cheng)序的(de)(de)(de)重(zhong)要性，尤其是在(zai)保持正常運行時間方面(mian)。

企業(ye)為停機時間付出高昂的(de)代價

數據中(zhong)心計劃外停機帶來(lai)的(de)(de)損失(shi)范(fan)圍(wei)很廣，從每小時(shi)(shi)14萬美元到54萬美元不(bu)等，這(zhe)取決于(yu)企業的(de)(de)規模和所在的(de)(de)行(xing)業。英(ying)國航(hang)空公司在2017年遭遇一次(ci)重中(zhong)心故障，導致該公司損失(shi)7500多萬美元。由于(yu)機器學習和更智能的(de)(de)基礎設施的(de)(de)進步，當今的(de)(de)數據中(zhong)心能夠極大地簡化正常運行(xing)時(shi)(shi)間的(de)(de)操作。

據市場研(yan)究機(ji)構International DataCorp公司的預測，到2022年(nian)，數據中心(xin)(xin)中超過50%的技術可以使用(yong)嵌入式人工智能和機(ji)器(qi)學習(xi)功能自主運行。以下是(shi)機(ji)器(qi)學習(xi)可用(yong)于(yu)加(jia)強(qiang)數據中心(xin)(xin)運營的四種方式：

(1) 最大限度地(di)提(ti)高能源效率

全球數據中(zhong)心的能(neng)(neng)(neng)耗占到全球能(neng)(neng)(neng)源使(shi)用量的1%。這(zhe)聽起來可能(neng)(neng)(neng)是(shi)一(yi)個很小的數字，但即使(shi)是(shi)運(yun)營效率的適度(du)提高，也(ye)會節(jie)約(yue)顯著(zhu)(zhu)的成本，并阻止數以百萬噸計(ji)的二氧化(hua)碳排(pai)放到大氣中(zhong)。好消息是(shi)能(neng)(neng)(neng)源管理是(shi)最容易實施機器(qi)學習的領域(yu)之(zhi)一(yi)。例(li)如(ru)，谷(gu)歌公司使(shi)用DeepMind節(jie)省了(le)(le)約(yue)30%的能(neng)(neng)(neng)源，顯著(zhu)(zhu)減(jian)少了(le)(le)管理費用。

(2) 準確(que)的(de)容量(liang)規劃

為了滿足日益增(zeng)長的工作量，數(shu)據(ju)中(zhong)心管理人(ren)員必須(xu)提(ti)前準確預(yu)(yu)(yu)測對計算資源(yuan)的需求(qiu)。這些預(yu)(yu)(yu)測需要實時(shi)更(geng)新，以反映(ying)環境(jing)條件的任何(he)變化。使用(yong)高級機(ji)器(qi)學習算法(fa)構建的預(yu)(yu)(yu)測模型可以處(chu)理PB級的大量數(shu)據(ju)，并智能(neng)地預(yu)(yu)(yu)測容量和(he)性能(neng)利用(yong)率(lv)。這一規劃有助于數(shu)據(ju)中(zhong)心避免任何(he)可能(neng)導(dao)致(zhi)停機(ji)和(he)影響(xiang)運營(ying)的資源(yuan)短缺。

(3) 更快的風險(xian)分析(xi)

機器(qi)學習(xi)可(ke)以(yi)(yi)被訓練成比人(ren)類更快更準確地檢(jian)測異(yi)常。數(shu)(shu)據(ju)(ju)(ju)中(zhong)(zhong)心(xin)工(gong)作人(ren)員可(ke)能會(hui)花(hua)費很長時間(jian)來發(fa)現某些東(dong)西，更糟糕的(de)情(qing)況(kuang)是完全(quan)忽略(lve)了(le)異(yi)常情(qing)況(kuang)。例如(ru)，一些數(shu)(shu)據(ju)(ju)(ju)中(zhong)(zhong)心(xin)管理即(ji)服(fu)務(wu)(DMaaS)程序(xu)可(ke)以(yi)(yi)分析來自(zi)關鍵數(shu)(shu)據(ju)(ju)(ju)中(zhong)(zhong)心(xin)設備(如(ru)電源管理和(he)冷卻系統)的(de)性能數(shu)(shu)據(ju)(ju)(ju)，并預測它們何時可(ke)能發(fa)生故障。通過提前通知數(shu)(shu)據(ju)(ju)(ju)中(zhong)(zhong)心(xin)設備管理人(ren)員即(ji)將(jiang)發(fa)生的(de)故障，機器(qi)學習(xi)技術(shu)可(ke)以(yi)(yi)將(jiang)停機時間(jian)降(jiang)至(zhi)最低。

(4) 抵御(yu)網絡攻擊(ji)的(de)能力

防御分(fen)布(bu)式(shi)拒絕服務(DDoS)攻擊需要(yao)快速檢測(ce)(ce)和低(di)誤報率(lv)。這些檢測(ce)(ce)方法大致(zhi)分(fen)為兩類：基于(yu)(yu)特(te)征(zheng)(zheng)的(de)和基于(yu)(yu)異常(chang)的(de)。基于(yu)(yu)特(te)征(zheng)(zheng)的(de)檢測(ce)(ce)在一般(ban)流量(liang)中具(ju)有已知特(te)征(zheng)(zheng)，并(bing)被廣泛(fan)實施(shi)和使(shi)用。基于(yu)(yu)異常(chang)的(de)檢測(ce)(ce)超出(chu)正常(chang)流量(liang)模式(shi)。機器(qi)學(xue)習回(hui)歸模型可用于(yu)(yu)識別流量(liang)異常(chang)的(de)類型，有助(zhu)于(yu)(yu)最(zui)大程度(du)地減少(shao)誤報。

克服挑戰

一些數(shu)據(ju)(ju)(ju)(ju)中(zhong)(zhong)心(xin)正在開(kai)展人工(gong)智(zhi)能(neng)和機器學習試點項(xiang)目，但有(you)些數(shu)據(ju)(ju)(ju)(ju)中(zhong)(zhong)心(xin)難以(yi)全面部署。這是因為試點項(xiang)目將使用較(jiao)小(xiao)的(de)(de)數(shu)據(ju)(ju)(ju)(ju)集并(bing)在實驗室條件下運行。例如，在現實世(shi)界(jie)中(zhong)(zhong)，可(ke)能(neng)需要在幾(ji)分鐘內處理幾(ji)TB的(de)(de)數(shu)據(ju)(ju)(ju)(ju)。因此(ci)，將人工(gong)智(zhi)能(neng)從實驗室擴(kuo)展到(dao)現場是數(shu)據(ju)(ju)(ju)(ju)中(zhong)(zhong)心(xin)必須克服(fu)的(de)(de)重大挑戰。其他挑戰包括難以(yi)訪問高質(zhi)量數(shu)據(ju)(ju)(ju)(ju)來訓練(lian)模型、實現準確性的(de)(de)實施(shi)時(shi)間長(chang)，以(yi)及遵守有(you)關數(shu)據(ju)(ju)(ju)(ju)共(gong)享的(de)(de)復雜法律政策。

那么，數據中心如何克服(fu)這(zhe)些挑(tiao)戰呢?并(bing)沒有(you)一個萬能的解決方案(an)。企業需要(yao)從人工智能路(lu)線(xian)圖(tu)開始。這(zhe)似乎令人驚訝，但許多企業忽(hu)略了這(zhe)一步。企業需要(yao)創建一個全面的數據策略，重(zhong)點關(guan)注數據的可用性和(he)獲取(qu)以(yi)及數據的準確(que)標記(ji)。

接下來，使用具有企(qi)業級性能(neng)的(de)機(ji)器(qi)學習模型，以(yi)便機(ji)器(qi)學習易(yi)于擴(kuo)展(zhan)。使用數據中心(xin)基礎設施(shi)進行自動化和(he)(he)容(rong)器(qi)化的(de)算法(fa)訓練(lian)。同樣，這(zhe)變得易(yi)于擴(kuo)展(zhan)。關(guan)注數據質(zhi)量并建立卓越(yue)的(de)測試(shi)中心(xin)或為人工智能(neng)試(shi)點建立類似(si)的(de)結構。這(zhe)需(xu)要考慮企(qi)業的(de)相關(guan)技術技能(neng)、專(zhuan)業知識(shi)和(he)(he)能(neng)力。幫助將(jiang)試(shi)點擴(kuo)展(zhan)到更廣泛的(de)應用程序將(jiang)會產生更大的(de)影響。

數(shu)據(ju)中(zhong)心需要(yao)重新規劃(hua)如何在不斷變化的(de)環境(jing)中(zhong)運行。在當今互聯的(de)社會中(zhong)，數(shu)據(ju)中(zhong)心將需要(yao)不斷突(tu)破(po)機器(qi)學習的(de)界限，以避免在競爭中(zhong)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, 光纖及配件，我們是萬兆屏蔽模塊，10G屏蔽模塊，屏蔽線生產廠家，綜合布(bu)線(xian)實(shi)施公司。

 歡(huan)迎(ying)來(lai)電(dian)咨詢0574 88168918,郵箱(xiang)sales@aliance.cn，網址aliance.cn