根據(jù)世界經(jīng)濟(jì)論壇的估計(jì),，到2025年，全球每天將產(chǎn)生463EB的數(shù)據(jù),。為了應(yīng)對(duì)不斷增加的數(shù)據(jù)洪流,，數(shù)據(jù)中心運(yùn)營商正在尋找新方法來實(shí)現(xiàn)四個(gè)關(guān)鍵目標(biāo)：最大限度地延長正常運(yùn)行時(shí)間,、優(yōu)化能源使用,、檢測潛在風(fēng)險(xiǎn)以及防御網(wǎng)絡(luò)攻擊。利用機(jī)器學(xué)習(xí)(ML)技術(shù)是一個(gè)重要的潛在解決方案,。

采用機(jī)器學(xué)習(xí)和人工智能可能看起來很簡單，但企業(yè)高管有理由謹(jǐn)慎行事,。其面臨的挑戰(zhàn)包括投資回報(bào)的不確定性,、圍繞數(shù)據(jù)共享的復(fù)雜政策以及缺乏高層管理人員的意識(shí)和支持,。然而，考慮到企業(yè)對(duì)數(shù)據(jù)的依賴程度,，技術(shù)領(lǐng)導(dǎo)者不能忽視機(jī)器學(xué)習(xí)和其他人工智能應(yīng)用程序的重要性,，尤其是在保持正常運(yùn)行時(shí)間方面,。

企業(yè)為停機(jī)時(shí)間付出高昂的代價(jià)

數(shù)據(jù)中心計(jì)劃外停機(jī)帶來的損失范圍很廣，從每小時(shí)14萬美元到54萬美元不等,，這取決于企業(yè)的規(guī)模和所在的行業(yè)。英國航空公司在2017年遭遇一次重大數(shù)據(jù)中心故障,，導(dǎo)致該公司損失7500多萬美元,。由于機(jī)器學(xué)習(xí)和更智能的基礎(chǔ)設(shè)施的進(jìn)步,，當(dāng)今的數(shù)據(jù)中心能夠極大地簡化正常運(yùn)行時(shí)間的操作。

據(jù)市場研究機(jī)構(gòu)International DataCorp公司的預(yù)測,，到2022年，數(shù)據(jù)中心中超過50%的技術(shù)可以使用嵌入式人工智能和機(jī)器學(xué)習(xí)功能自主運(yùn)行,。以下是機(jī)器學(xué)習(xí)可用于加強(qiáng)數(shù)據(jù)中心運(yùn)營的四種方式：

(1) 最大限度地提高能源效率

全球數(shù)據(jù)中心的能耗占到全球能源使用量的1%。這聽起來可能是一個(gè)很小的數(shù)字,，但即使是運(yùn)營效率的適度提高,，也會(huì)節(jié)約顯著的成本,，并阻止數(shù)以百萬噸計(jì)的二氧化碳排放到大氣中。好消息是能源管理是最容易實(shí)施機(jī)器學(xué)習(xí)的領(lǐng)域之一,。例如,，谷歌公司使用DeepMind節(jié)省了約30%的能源，顯著減少了管理費(fèi)用,。

(2) 準(zhǔn)確的容量規(guī)劃

為了滿足日益增長的工作量，數(shù)據(jù)中心管理人員必須提前準(zhǔn)確預(yù)測對(duì)計(jì)算資源的需求,。這些預(yù)測需要實(shí)時(shí)更新,，以反映環(huán)境條件的任何變化。使用高級(jí)機(jī)器學(xué)習(xí)算法構(gòu)建的預(yù)測模型可以處理PB級(jí)的大量數(shù)據(jù),，并智能地預(yù)測容量和性能利用率,。這一規(guī)劃有助于數(shù)據(jù)中心避免任何可能導(dǎo)致停機(jī)和影響運(yùn)營的資源短缺,。

(3) 更快的風(fēng)險(xiǎn)分析

機(jī)器學(xué)習(xí)可以被訓(xùn)練成比人類更快更準(zhǔn)確地檢測異常。數(shù)據(jù)中心工作人員可能會(huì)花費(fèi)很長時(shí)間來發(fā)現(xiàn)某些東西,，更糟糕的情況是完全忽略了異常情況,。例如,，一些數(shù)據(jù)中心管理即服務(wù)(DMaaS)程序可以分析來自關(guān)鍵數(shù)據(jù)中心設(shè)備(如電源管理和冷卻系統(tǒng))的性能數(shù)據(jù)，并預(yù)測它們何時(shí)可能發(fā)生故障,。通過提前通知數(shù)據(jù)中心設(shè)備管理人員即將發(fā)生的故障,，機(jī)器學(xué)習(xí)技術(shù)可以將停機(jī)時(shí)間降至最低,。

(4) 抵御網(wǎng)絡(luò)攻擊的能力

防御分布式拒絕服務(wù)(DDoS)攻擊需要快速檢測和低誤報(bào)率。這些檢測方法大致分為兩類：基于特征的和基于異常的,?；谔卣鞯臋z測在一般流量中具有已知特征,，并被廣泛實(shí)施和使用?；诋惓５臋z測超出正常流量模式,。機(jī)器學(xué)習(xí)回歸模型可用于識(shí)別流量異常的類型,，有助于最大程度地減少誤報(bào)。

克服挑戰(zhàn)

一些數(shù)據(jù)中心正在開展人工智能和機(jī)器學(xué)習(xí)試點(diǎn)項(xiàng)目,，但有些數(shù)據(jù)中心難以全面部署,。這是因?yàn)樵圏c(diǎn)項(xiàng)目將使用較小的數(shù)據(jù)集并在實(shí)驗(yàn)室條件下運(yùn)行,。例如,，在現(xiàn)實(shí)世界中,，可能需要在幾分鐘內(nèi)處理幾TB的數(shù)據(jù)。因此,，將人工智能從實(shí)驗(yàn)室擴(kuò)展到現(xiàn)場是數(shù)據(jù)中心必須克服的重大挑戰(zhàn)。其他挑戰(zhàn)包括難以訪問高質(zhì)量數(shù)據(jù)來訓(xùn)練模型,、實(shí)現(xiàn)準(zhǔn)確性的實(shí)施時(shí)間長,，以及遵守有關(guān)數(shù)據(jù)共享的復(fù)雜法律政策,。

那么，數(shù)據(jù)中心如何克服這些挑戰(zhàn)呢?并沒有一個(gè)萬能的解決方案,。企業(yè)需要從人工智能路線圖開始。這似乎令人驚訝,，但許多企業(yè)忽略了這一步,。企業(yè)需要?jiǎng)?chuàng)建一個(gè)全面的數(shù)據(jù)策略,，重點(diǎn)關(guān)注數(shù)據(jù)的可用性和獲取以及數(shù)據(jù)的準(zhǔn)確標(biāo)記。

接下來,，使用具有企業(yè)級(jí)性能的機(jī)器學(xué)習(xí)模型,，以便機(jī)器學(xué)習(xí)易于擴(kuò)展。使用數(shù)據(jù)中心基礎(chǔ)設(shè)施進(jìn)行自動(dòng)化和容器化的算法訓(xùn)練,。同樣,，這變得易于擴(kuò)展。關(guān)注數(shù)據(jù)質(zhì)量并建立卓越的測試中心或?yàn)槿斯ぶ悄茉圏c(diǎn)建立類似的結(jié)構(gòu),。這需要考慮企業(yè)的相關(guān)技術(shù)技能,、專業(yè)知識(shí)和能力。幫助將試點(diǎn)擴(kuò)展到更廣泛的應(yīng)用程序?qū)?huì)產(chǎn)生更大的影響,。

數(shù)據(jù)中心需要重新規(guī)劃如何在不斷變化的環(huán)境中運(yùn)行,。在當(dāng)今互聯(lián)的社會(huì)中，數(shù)據(jù)中心將需要不斷突破機(jī)器學(xué)習(xí)的界限,，以避免在競爭中落后或不堪重負(fù),。