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(yíng)商正在尋找新方法來(lái)實(shí)現(xiàn)四個(gè)關(guān)鍵目標(biāo)：最大限度地延長(zhǎng)正常運(yùn)行時(shí)間、優(yōu)化能源使用、檢測(cè)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(lái)很簡(jiǎn)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(lái)的損失范圍很廣，從每小時(shí)14萬(wàn)美元到54萬(wàn)美元不等，這取決于企業(yè)的規(guī)模和所在的行業(yè)。英國(guó)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(wàn)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(jiǎn)化正常運(yùn)行時(shí)間的操作。

　　據(jù)市場(chǎng)研究機(jī)構(gòu)InternationalDataCorp公司的預(yù)測(cè)，到2022年，數(shù)據(jù)中心中超過(guò)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(yíng)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(lái)可能是一個(gè)很小的數(shù)字，但即使是運(yùn)營(yíng)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(wàn)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(zhǎng)的工作量，數(shù)據(jù)中心管理人員必須提前準(zhǔn)確預(yù)測(cè)對(duì)計(jì)算資源的需求。這些預(yù)測(cè)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(cè)模型可以處理PB級(jí)的大量數(shù)據(jù)，并智能地預(yù)測(cè)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(yíng)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(cè)異常。數(shù)據(jù)中心工作人員可能會(huì)花費(fèi)很長(zhǎng)時(shí)間來(lái)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(lái)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(cè)它們何時(shí)可能發(fā)生故障。通過(guò)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(cè)和低誤報(bào)率。這些檢測(cè)方法大致分為兩類：基于特征的和基于異常的。基于特征的檢測(cè)在一般流量中具有已知特征，并被廣泛實(shí)施和使用。基于異常的檢測(cè)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(chǎng)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(wèn)高質(zhì)量數(shù)據(jù)來(lái)訓(xùn)練模型、實(shí)現(xiàn)準(zhǔn)確性的實(shí)施時(shí)間長(zhǎng)，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(méi)有一個(gè)萬(wàn)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(lái)，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(cè)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(jìng)爭(zhēng)中落后或不堪重負(fù)。