这次人工智能和机器学习“盯”上了数据中心

关于人工智能的讨论目前主要还集中在自动驾驶汽车、聊天机器人、数字孪生技术、机器人技术以及从大数据集中利用基于AI的“智能”系统获取业务洞察力等方面。目前尽管可以自主运维的数据中心和自动驾驶汽车一样还没有成为现实，但是数据中心人工智能已经在技术、运维和人员等方面取得了许多重大突破。

人工智能（AI）和机器学习（ML）终究有一天将在企业数据中心内发挥重要作用。未来人工智能或许可以帮助企业创建高度自动化的、安全的且具有自我修复功能的数据中心。这些数据中心能够以更高的效率和更高的弹性运行，几乎不再需要进行人工干预。

人工智能提升数据中心效率和扩展业务的潜力主要在以下4个方面：

安全性：公安部在16个城市试点基础上，在全国分两批推广机动车检验标志电子化。

工作负载管理：AI系统可实现工作负载实时地自动向效率最高的基础设施迁移，这些基础设施既可以在数据中心内部，也可以在混合云环境上;既可以在本地，也可以在云端，还可以在边缘环境中。

电源管理：基于AI的电源管理可优化冷却系统，降低电费成本，减少人员数量，提高效率。

设备管理：AI系统可以检查系统是否配置正确，监视服务器、存储和网络设备的健康状况，预测设备的故障时间。

人工智能与安全

安全运营中心（SOC）的安全专业人员常常会被大量的警报搞得精疲力尽。基于AI的系统可以扫描大量遥测数据和日志信息，处理一些简单的工作，从而使得安全专家有时间展开深入的调查。基于AI的系统可以检测、阻止和隔离威胁，并展开溯源以确定到底发生了什么，以及黑客能够利用哪些漏洞。这使得人工智能在实时入侵检测方面极为有用。

迅速进行根本原因分析可以帮助运维人员做出明智的决定并采取行动。人工智能和机器学习可以通过对事件进行快速分类和聚类的方式，识别出重要事件并将其与噪音分离，从而简化事件处理（事件响应）。

除了可以帮助解译那些超出人类能力水平的数据外，AI自动化还可在优化能源使用、工作负载分配和数据中心资产利用效率最大化等方面帮助获取深刻的洞察力。

基于AI的工作负载优化

无论是在本地还是在云端，AI在应用程序层可自动将工作负载移动到适当的位置。例如，将工作负载自动迁移到最节能的服务器上，同时确保服务器以最高效率（利用率为70%~80%）运行。

人工智能系统还可将时间敏感性高的应用程序迁移到高效率服务器上运行，同时确保那些不需要迅速执行的应用程序不会消耗过多的电力。

未来，AI/ML还可根据性能、成本、治理、安全性、风险和可持续性等因素，实时决定将工作负载迁移至何处。

将电源管理与服务器工作负载管理整合在一起

AI带来的好处与出色硬件设计所带来的好处不在一个层次上。电源管理则是最容易进行改进的地方。这关乎生产力，关系到每个BTU是否可以完成更多的工作，关系到每瓦特电能是否能做更多的工作。

这也意味着工作要更加智能化，以及设备是否能够更加智能地工作。如果传感器检测到服务器运行温度过高，那么系统可自动地快速将工作负载转移到未充分利用的服务器上，以避免关键任务应用程序出现中断的危险。同时系统会调查服务器过热的原因，是风扇出现了故障（HVAC问题），还是物理组件出现了故障（设备问题），亦或是服务器出现了过载（工作负荷问题）。

AI系统还可以通过关联HVAC系统数据和环境传感器数据来了解设施目前的状态。例如，基于AI的系统可以帮助数据中心管理员了解当前或潜在的冷却问题。如HVAC单元性能不佳、冷热通道之间的空气量不足，以及由于机柜密度过高阻碍了空气流通导致冷气输送不足等问题。

容量规划也是一个可能改进的地方。除了寻找发热点和冷却点之外，AI系统还能确保数据中心只为适当数量的物理服务器提供电力，如果出现临时性需求激增的情况，系统还可以启动新的物理服务器以提高可用容量。

许多企业之所以正在花大力气研究数据中心电源管理，一方面是为了节省资金，另一方面也是为了承担起企业的环保责任。有数据显示，数据中心消耗了全球3%的电力供应，并造成了约2%的温室气体排放。

谷歌在2018年曾宣布已将其多个超大规模数据中心的冷却系统控制权交给AI程序控制，由AI算法提供的建议使得耗电量下降了40%。

运行状态监控和配置管理监督

安装了大量组件的IT机柜是劳动密集型工作，因此检查工作可能会存在不及时和不彻底情况。运行状态监视可检查设备配置是否正确以及性能是否达到预期效果。

数据中心内还有许多需要定期维护的物理设备。AI系统不仅可以对这些物理设备进行定期维护，还可收集和分析遥测数据，帮助确定需要立即关注的特定区域。以大量传感数据日志为基础的预测性设备故障建模可以发现迫在眉睫的组件或设备故障，并评估是否需要立即维护以避免服务中断。

人工智能系统最终可能会实现“告诉我问题出在哪里，我去解决这些问题”，但是即便实现了这一功能，许多数据中心运营商可能只会接受“如果出了问题，请告诉我要去哪里查看就行了。”

保持设备平稳安全运行的另一个重要环节是控制“配置漂移”。AI可作为“额外的安全检查”，可帮助识别出由于配置导致的数据中心问题。（注：配置漂移为数据中心术语，指临时配置随着时间的变化可能会导致一些问题的发生。）

部署AI所面临的挑战

优化和自动化数据中心是数字化转型计划中不可或缺的一部分。新冠疫情让许多公司开始寻求数据中心的进一步自动化，实现数字数据中心由AI驱动并可自我修复。这使得AI在数据中心中具有广阔的应用前景。一些AI/ML功能可用于事件处理、基础设施运行状况和散热优化。

尽管如此，要想让AI/ML模型超越目前的标准数据中心基础设施管理（DCIM）需要有更多突破，和更多的时间。这与自动驾驶汽车的发展极为类似，早期阶段可能非常具有吸引力，但是与最终承诺的颠覆性经济/商业案例相比仍然相去甚远。

AIOps平台的成熟度、IT技能和运维成熟度均为重大挑战。更高级别的部署面临的挑战还包括数据质量，以及IT基础设施和运维团队缺乏数据科学技能。此外，需要雇用或培训合适的人来管理系统，以及需要数据标准和相关体系结构都是部署AI时所面临的挑战。

但是自始至终最大的挑战还是在于人。各种基础设施的运维人员都在做放权给AI的准备。但是如果人们并不信任做出决定的决策者，那么在如此大规模的过渡期间人员如何培训，如何安抚人员的情绪？在过渡期间，人们普遍会想一个问题，那就是如果自己照做了，自己会失业吗？

对许多企业来说，不仅聘用到资深的数据科学家是一个挑战，就连培训现有员工也困难重重。因为企业员工抵制技术的传统由来已久。以软件定义网络（SDN）为例，SDN已经推出十年了，但是仍有3/4以上的IT运维在使用命令行界面。
责编AJX