據估計，到2020年，超過1000萬輛自動駕駛汽車將上路行駛。盡管有些人可能會對這些預測產生爭議，但很少有人反對自動駕駛汽車的應用。但是，如果人們可以擁有自動駕駛汽車，人工智能就可以完成大部分工作，那么自驅動的數據中心在哪里處理自動化和機器學習呢?

 

即使對于那些不相信機器可以比人類更有效地執行IT管理任務的人來說，卸載重復功能或者未被識別的事件所帶來的效率增益，可以使組織可以更自由地專注于創新的戰略項目，并更好地服務客戶。

 

像自動駕駛汽車一樣，自主管理并在需要時尋求人類幫助的數據中心可能會比人們預想的還要更早到來。即使是復雜的IT基礎設施升級和控制也非常困難和耗時，它正變得集中、自動化，并且通過軟件而不是硬件來管理。

 

與車輛類似，數據中心越來越多地采用全自動管理的能力。一系列基于分析的解決方案和自動化已經到位，以節省時間、費用和麻煩。以存儲行業為例，新設備和編排技術的范圍不斷改善資源，減少IT人員的參與。幾十年前的技術的構建將不再限制存儲空間的發展。

 

讓我們從一個簡單的例子來說明人們如何選擇汽車，人們可能會在手動變速器或自動變速器方面進行選擇。而自動駕駛汽車避免這個決策：根據定義，其變速器是自動的。同樣，對于存儲系統以及需要人為干預和管理的大多數遺留系統來說，自動化隱藏了復雜性，但并沒有消除復雜性。

 

自動化和機器學習提供多種功能，有助于開發自驅動數據中心。組織可以保證性能而不需要干預。傳統存儲應用程序會與固定數量的存儲桶或IOPS競爭資源。確保為特定應用程序提供一定數量的IOPS可以防其他應用程序訪問這些IOPS。換句話說，以汽車來比喻，車道數量是有限的，只有一輛車被允許使用快車道，不允許其他車輛使用。

 

自動化使企業能夠隨時隨地訪問IOPS資源，并允許其他虛擬機(VM)將其用于其他目的。所以，盡管它為每個虛擬機確保了一條暢通的通道，但是它也使得虛擬機能夠根據需要訪問IOPS。這種方法避免了浪費和閑置未使用的IOPS的危險，并在需要時使其可用。例如，允許70英里/小時的速度駕駛的道路并不意味著車輛可以25英里/小時的速度行駛。自動化使組織能夠將性能(IOPS)部署到最需要的地方，而不是浪費它。

 

而且，通過給每個虛擬機分配自己的通道，組織可以充分利用他們所有的性能。在極少數情況下，當虛擬機要求超過存儲空間時，可以動態地將性能分配給需要的應用程序，而不是先入先出的應用程序。

 

 

展望未來，機器學習和自動化可以優化存儲陣列的性能，并預測未來的使用趨勢。機器學習可以分析過去的性能，以預測未來30天的發展趨勢。例如，讓組織了解如何優化存儲陣列池的性能和容量。

 

通過分析趨勢，如果性能下降，機器學習可以使組織將虛擬機從特定陣列移動到虛擬池中的其他位置。更好的是，它允許組織預測和解決陣列性能不佳的問題。

 

這種方法類似于如果前方有行駛的車輛擋路，自動駕駛汽車可以使用共享智能來切換車道。如果發生中斷或應用程序突然要求具有更高的性能，則機器學習可以提供相同的存儲資源分配給虛擬機的能力。

 

機器學習還可以幫助企業進一步規劃未來。通過分析，組織可以改進預測并針對基礎設施需求作出更好的決策，從而避免停機。這就像在高速公路上切換另一條車道來解決交通問題一樣。

 

自動駕駛汽車的出現提供了從人力控制轉向自動化的有力證據，作為使交通更加安全可靠的一種手段。通過自動化來減少或消除數據中心的人工干預，同時通過分析和機器學習加強決策，可以幫助企業改善業務，并顯著提高性能和容量。

 

使用這種機器學習的應用程序和設備將會得到進一步發展，而企業將會嘗試找到令人興奮的新方法，其中包括人工智能。雖然關于人工智能是好是壞的爭論將會一直持續下去，但是有一些方法可以擴展人工智能的應用，而不會實施太多的控制。自動化使自驅動數據中心成為現實，保證了實時可預測的性能，而無需IT干預。

 

IT團隊將能夠專注于更重要的任務，為企業增加價值。當他們確保每個虛擬機都有一條暢通的通道時，企業就能實現這個目標。這是激動人心的時刻，而企業在未來需要了解基于機器學習的智能自動化如何成為現代數據中心的關鍵組件。

 

版權聲明：本文為企業網D1Net編譯，轉載需注明出處為：企業網D1Net，如果不注明出處，企業網D1Net將保留追究其法律責任的權利。