人工智能驅(qū)動的健康監(jiān)控、配置管理監(jiān)督

數(shù)據(jù)中心充滿了需要定期維護的物理設備。人工智能系統(tǒng)可以超越定期維護，幫助收集和分析遙測數(shù)據(jù)，從而確定需要立即關注的特定區(qū)域�！比斯ぶ悄芄ぞ呖梢孕岢鏊�有這些數(shù)據(jù)和斑點模式，以及異常點，”Schulz說。

Bizo補充說：“健康監(jiān)測從檢查設備配置是否正確以及性能是否符合預期開始。”由于有成百上千個IT機柜和數(shù)萬個組件，這些平凡的任務可能是勞動密集型的，因此并不總是能夠及時徹底地執(zhí)行�！�

他指出，基于大量感官數(shù)據(jù)日志的預測性設備故障模型可以“發(fā)現(xiàn)一個即將出現(xiàn)的組件或設備故障，并評估其是否需要立即維護，以避免任何可能導致服務中斷的容量損失�！�

JuniperNetworks負責企業(yè)和云營銷的副總裁MichaelBushong認為，企業(yè)數(shù)據(jù)中心運營商應該忽略一些與人工智能相關的過度宣傳和炒作，而專注于他所說的“無聊的創(chuàng)新”

是的，人工智能系統(tǒng)可能有一天會“告訴我問題出在哪里，并加以解決”，但是到了這一點，許多數(shù)據(jù)中心運營商會接受“如果出了問題，請告訴我要去哪里看”，Bushong說

依賴關系映射也是AI有用的一個重要但不是特別令人興奮的領域。如果數(shù)據(jù)中心經(jīng)理正在對防火墻或其他設備進行策略更改，可能會產(chǎn)生什么意外后果？”如果我提出一個改變，知道爆炸半徑范圍內(nèi)可能有什么是很有用的。

保持設備平穩(wěn)、安全運行的另一個重要方面是控制所謂的配置漂移（configurationdrift），這是一個數(shù)據(jù)中心術語，指的是隨著時間的推移，臨時配置的變化會導致問題的產(chǎn)生。Bushong說，人工智能可以作為“額外的安全檢查”來識別即將發(fā)生的基于配置的數(shù)據(jù)中心問題。

人工智能與安全

Bizo認為，人工智能和機器學習“可以通過對事件進行快速分類和聚類來簡化事件處理（事件響應），從而識別出重要事件并將其與噪聲分離開來。更快的根本原因分析有助于操作員做出明智的決定并采取行動�！�

人工智能在實時入侵檢測中特別有用，Schulz補充道�；�于人工智能的系統(tǒng)可以檢測、阻止和隔離威脅，然后可以回去進行法醫(yī)調(diào)查，以確定到底發(fā)生了什么，黑客能夠利用哪些漏洞。

在安全操作中心（SOC）工作的安全專業(yè)人員經(jīng)常會收到過多的警報，但基于人工智能的系統(tǒng)可以掃描大量的遙測數(shù)據(jù)和日志信息，從而清除日常任務，從而使安全專家能夠騰出時間來處理更深層次的調(diào)查。

基于人工智能的工作負載優(yōu)化

在應用程序?qū)�，AI有可能自動將工作負載移動到適當?shù)闹�陸點，無論是在內(nèi)部部署還是在云端�！盇I／ML將來應該根據(jù)性能、成本、治理、安全、風險和可持續(xù)性的眾多規(guī)范，實時決定在哪里放置工作負載。

例如，工作負載可以自動移動到最省電的服務器，同時確保服務器以最高效率運行，即70－80％的利用率。Bizo說，人工智能系統(tǒng)可以將性能數(shù)據(jù)整合到等式中，因此對時間敏感的應用程序在高效服務器上運行，同時確保不需要快速執(zhí)行的應用程序不會消耗過多的能量。

基于人工智能的工作負載優(yōu)化引起了麻省理工學院研究人員的注意，他們?nèi)ツ晷�布他們開發(fā)了一個人工智能系統(tǒng)，可以自動學習如何在數(shù)千臺服務器上調(diào)度數(shù)據(jù)處理操作。

但是，正如Bushong所指出的，現(xiàn)實情況是，如今的工作負載優(yōu)化是像亞馬遜、谷歌和Azure這樣的超大規(guī)模公司的專利，而不是一般的企業(yè)數(shù)據(jù)中心。原因有很多。

實施人工智能的挑戰(zhàn)

優(yōu)化和自動化數(shù)據(jù)中心是正在進行的數(shù)字化改造計劃的一個組成部分。戴爾的Tabet補充道，“借助COVID－19，許多公司現(xiàn)在都在尋求進一步的自動化，推動人工智能驅(qū)動、能夠自我修復的‘數(shù)字數(shù)據(jù)中心’的理念�！�

谷歌在2018年宣布，已將其數(shù)個超規(guī)模數(shù)據(jù)中心的冷卻系統(tǒng)控制權轉(zhuǎn)為人工智能程序，該公司報告稱，人工智能算法提供的建議使能源使用量減少了40％。

但是，Bizo說，對于那些名字不是谷歌的公司來說，在數(shù)據(jù)中心使用人工智能“在很大程度上是一種理想”。一些AI／ML特性在事件處理、基礎設施運行狀況和冷卻優(yōu)化中可用。但是，AI／ML模型要取得比目前標準數(shù)據(jù)中心基礎設施管理（DCIM）更明顯的突破還需要更多年的時間。與自主汽車開發(fā)非常相似，早期階段可能很有趣，但與它最終承諾的突破性經(jīng)濟／商業(yè)案例相去甚遠�！�

Tabet認為，一些障礙是“需要雇傭或培訓合適的人員來管理系統(tǒng)。另一個需要注意的問題是數(shù)據(jù)標準和相關體系結(jié)構的需要�！�

Gartner這樣說：“AIOps平臺成熟度、it技能和運營成熟度是主要的阻礙因素。高級部署面臨的其他新挑戰(zhàn)包括數(shù)據(jù)質(zhì)量和“IT基礎設施和運營團隊”缺乏數(shù)據(jù)科學技能。

Bushong補充說，最大的障礙一直是人。他指出，外雇數(shù)據(jù)科學家對許多企業(yè)來說是一個挑戰(zhàn)，對現(xiàn)有員工的培訓也是一個障礙。

另外，Bushong說，員工抵制技術的歷史由來已久。他指出，軟件定義網(wǎng)絡（SDN）已經(jīng)存在了十年，但仍有四分之三以上的IT運營仍由CLI驅(qū)動。

“我們必須相信，各種基礎設施的運營商準備把控制權讓給人工智能，”Bushong表示。“如果一群人還不相信空管員能做出決定，那么你怎么訓練、教育和安慰一群人，讓他們做出如此重大的轉(zhuǎn)變呢？業(yè)內(nèi)普遍的態(tài)度是，如果我這么做，我就會失業(yè)�！�

這就是為什么Bushong建議企業(yè)在人工智能方面采取那些小而乏味的步驟，而不是陷入經(jīng)常圍繞一項新技術的炒作中。