根(gen)據(ju)世界經濟論壇的估計，到2025年(nian)，全球每天(tian)將產(chan)生(sheng)463EB的數據(ju)。為了(le)應對不斷增加的數據(ju)洪流，運(yun)營商正在尋找新方法(fa)來(lai)實(shi)現(xian)四個關鍵目標(biao)：最大(da)限度地延長正常運(yun)行(xing)時間、優化能(neng)源(yuan)使用(yong)、檢測潛在風(feng)險以及防(fang)御網絡攻擊(ji)。利用(yong)機(ji)器學習(ML)技術是一個重(zhong)要的潛在解決方案。

采(cai)用機(ji)器學習和人(ren)工(gong)智能(neng)可能(neng)看起來很簡單，但企(qi)業高管有理由謹慎行事。其(qi)(qi)面臨的挑(tiao)戰包(bao)括投資(zi)回報的不確定(ding)性、圍繞數據共享的復(fu)雜政策以及缺乏高層管理人(ren)員的意(yi)識和支持。然而，考慮到企(qi)業對數據的依賴程(cheng)度，技術(shu)領導者不能(neng)忽視機(ji)器學習和其(qi)(qi)他人(ren)工(gong)智能(neng)應(ying)用程(cheng)序(xu)的重要性，尤其(qi)(qi)是(shi)在(zai)保持正常運行時間方面。

企業為(wei)停機時間付出高(gao)昂的代價

數(shu)據中心(xin)計劃(hua)外(wai)停(ting)機帶(dai)來的(de)損失(shi)范圍(wei)很廣，從每(mei)小時14萬美(mei)元(yuan)(yuan)到54萬美(mei)元(yuan)(yuan)不等，這取決于企業的(de)規模和所在(zai)的(de)行業。英國航空(kong)公(gong)(gong)司(si)(si)在(zai)2017年遭遇一次重(zhong)中心(xin)故障，導致該(gai)公(gong)(gong)司(si)(si)損失(shi)7500多(duo)萬美(mei)元(yuan)(yuan)。由于機器學習(xi)和更(geng)智(zhi)能的(de)基礎設(she)施的(de)進步(bu)，當今(jin)的(de)數(shu)據中心(xin)能夠極大地簡化正(zheng)常運(yun)行時間(jian)的(de)操(cao)作。

據(ju)市場研究機構(gou)International DataCorp公司的預測，到2022年(nian)，數據(ju)中(zhong)心中(zhong)超(chao)過50%的技術可以(yi)使用(yong)嵌入式(shi)人工智(zhi)能(neng)和機器學習功能(neng)自主運(yun)行。以(yi)下是(shi)機器學習可用(yong)于(yu)加強數據(ju)中(zhong)心運(yun)營(ying)的四種方式(shi)：

(1)最大限度地提高(gao)能源(yuan)效(xiao)率(lv)

全球數(shu)據中心的(de)能(neng)(neng)耗占到全球能(neng)(neng)源使用(yong)量的(de)1%。這聽起來(lai)可能(neng)(neng)是(shi)一個很小的(de)數(shu)字，但即使是(shi)運營效率(lv)的(de)適度提高，也會(hui)節(jie)約顯(xian)著(zhu)的(de)成本，并(bing)阻止數(shu)以百萬噸計的(de)二氧(yang)化碳排放到大氣(qi)中。好消(xiao)息是(shi)能(neng)(neng)源管理是(shi)最(zui)容易實(shi)施機器學習的(de)領域之一。例如，谷(gu)歌(ge)公司使用(yong)DeepMind節(jie)省(sheng)了(le)約30%的(de)能(neng)(neng)源，顯(xian)著(zhu)減(jian)少了(le)管理費用(yong)。

(2)準確的(de)容量(liang)規劃

為了滿足日益增長的工作量，數(shu)據(ju)中心管理人員(yuan)必須提前準確預(yu)測(ce)對(dui)計算資源的需(xu)求。這些預(yu)測(ce)需(xu)要實時更新(xin)，以反映環境條(tiao)件的任何變化。使用高級機器學(xue)習算法構建的預(yu)測(ce)模型可(ke)以處(chu)理PB級的大量數(shu)據(ju)，并智能(neng)地預(yu)測(ce)容量和性能(neng)利用率。這一規劃有助(zhu)于數(shu)據(ju)中心避免任何可(ke)能(neng)導致停(ting)機和影響運營的資源短缺。

(3)更快的風險(xian)分析

機(ji)器學(xue)習可(ke)(ke)以被訓練成比人(ren)類更(geng)快更(geng)準確地檢(jian)測(ce)異(yi)常。數(shu)(shu)據(ju)中(zhong)心(xin)工作人(ren)員(yuan)可(ke)(ke)能會花費(fei)很長時(shi)間(jian)來發(fa)(fa)現某(mou)些(xie)東西，更(geng)糟糕的情況是完全忽略了異(yi)常情況。例如(ru)，一些(xie)數(shu)(shu)據(ju)中(zhong)心(xin)管理(li)即(ji)服務(wu)(DMaaS)程序可(ke)(ke)以分(fen)析來自關鍵(jian)數(shu)(shu)據(ju)中(zhong)心(xin)設備(bei)(如(ru)電(dian)源管理(li)和冷卻(que)系統)的性能數(shu)(shu)據(ju)，并預測(ce)它們何(he)時(shi)可(ke)(ke)能發(fa)(fa)生(sheng)故障(zhang)。通過(guo)提前通知數(shu)(shu)據(ju)中(zhong)心(xin)設備(bei)管理(li)人(ren)員(yuan)即(ji)將發(fa)(fa)生(sheng)的故障(zhang)，機(ji)器學(xue)習技術可(ke)(ke)以將停機(ji)時(shi)間(jian)降(jiang)至(zhi)最低。

(4)抵御網絡攻(gong)擊(ji)的(de)能力

防御分布(bu)式拒絕服務(DDoS)攻擊(ji)需要快速檢(jian)測(ce)和低誤報(bao)率。這(zhe)些檢(jian)測(ce)方法大致分為兩類：基(ji)于(yu)(yu)特(te)(te)征(zheng)(zheng)的(de)和基(ji)于(yu)(yu)異(yi)常(chang)(chang)的(de)。基(ji)于(yu)(yu)特(te)(te)征(zheng)(zheng)的(de)檢(jian)測(ce)在(zai)一般流(liu)量(liang)中具(ju)有已(yi)知特(te)(te)征(zheng)(zheng)，并被廣(guang)泛(fan)實施(shi)和使用。基(ji)于(yu)(yu)異(yi)常(chang)(chang)的(de)檢(jian)測(ce)超出正常(chang)(chang)流(liu)量(liang)模式。機器學習回歸模型可用于(yu)(yu)識(shi)別流(liu)量(liang)異(yi)常(chang)(chang)的(de)類型，有助于(yu)(yu)最(zui)大程度(du)地減少(shao)誤報(bao)。

克服挑戰

一些數(shu)(shu)據中(zhong)心正在(zai)(zai)開展人工智(zhi)能和機(ji)器(qi)學習(xi)試(shi)點項目，但(dan)有(you)些數(shu)(shu)據中(zhong)心難以全面(mian)部署。這是(shi)因為(wei)試(shi)點項目將使用較小的(de)數(shu)(shu)據集并在(zai)(zai)實驗室(shi)(shi)條件下運行。例如(ru)，在(zai)(zai)現(xian)實世界中(zhong)，可能需要在(zai)(zai)幾分(fen)鐘內處(chu)理幾TB的(de)數(shu)(shu)據。因此，將人工智(zhi)能從實驗室(shi)(shi)擴(kuo)展到現(xian)場(chang)是(shi)數(shu)(shu)據中(zhong)心必須克服(fu)的(de)重大(da)挑戰(zhan)。其他挑戰(zhan)包括難以訪問高質(zhi)量(liang)數(shu)(shu)據來訓練模(mo)型(xing)、實現(xian)準確性的(de)實施時(shi)間(jian)長，以及(ji)遵守有(you)關數(shu)(shu)據共享的(de)復雜法律(lv)政策(ce)。

那么，數(shu)據(ju)(ju)中心如(ru)何克服這(zhe)些(xie)挑(tiao)戰呢?并(bing)沒有一個萬(wan)能的(de)解決方案。企(qi)業(ye)(ye)需要(yao)從人(ren)工智能路線圖(tu)開始(shi)。這(zhe)似乎令人(ren)驚(jing)訝，但許多企(qi)業(ye)(ye)忽略了這(zhe)一步。企(qi)業(ye)(ye)需要(yao)創建一個全面的(de)數(shu)據(ju)(ju)策略，重(zhong)點(dian)關注數(shu)據(ju)(ju)的(de)可用性和獲取以及數(shu)據(ju)(ju)的(de)準確標記(ji)。

接(jie)下來，使(shi)用(yong)(yong)具(ju)有企(qi)業級(ji)性(xing)能(neng)(neng)的(de)機(ji)器(qi)學(xue)習模型，以便(bian)機(ji)器(qi)學(xue)習易于擴(kuo)展(zhan)。使(shi)用(yong)(yong)數(shu)據中心(xin)基礎設施(shi)進行自動化和(he)容(rong)器(qi)化的(de)算法訓練。同(tong)樣，這變得易于擴(kuo)展(zhan)。關注數(shu)據質量并建立(li)卓越(yue)的(de)測試(shi)(shi)中心(xin)或(huo)為人(ren)工智能(neng)(neng)試(shi)(shi)點建立(li)類似的(de)結構。這需要考慮企(qi)業的(de)相關技術技能(neng)(neng)、專(zhuan)業知識和(he)能(neng)(neng)力。幫(bang)助(zhu)將試(shi)(shi)點擴(kuo)展(zhan)到更廣(guang)泛的(de)應(ying)用(yong)(yong)程序將會產生(sheng)更大的(de)影(ying)響。

數(shu)據中(zhong)(zhong)心需(xu)要重(zhong)新規劃如何在(zai)(zai)不斷變化的(de)(de)環境中(zhong)(zhong)運行。在(zai)(zai)當今互聯的(de)(de)社(she)會中(zhong)(zhong)，數(shu)據中(zhong)(zhong)心將需(xu)要不斷突破機器學習(xi)的(de)(de)界限，以避(bi)免在(zai)(zai)競爭中(zhong)(zhong)落后或不堪重(zhong)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(sheng)產(chan)廠家，綜合(he)布線實(shi)施(shi)公司。

歡迎(ying)來電咨詢(xun)0574 88168918,郵箱(xiang)sales@aliance.cn，網址aliance.cn