IT服务安全性有很多层次。 比如：IT安全层包括防火墙、入侵检测和访问控制。基础设施层包括电力、网络、服务器的健康和冷却等。其中，最为重要的是管理人员。正确的人员有正确的流程、工具和措施，以确保一切正常。人工智能(AI)将会通过放大功能，精简流程和提高效率，这会对人们使用的工具和措施产生巨大的影响。
人工智能和深度学习将成为解析和分析数据中心内生成的数据的必要条件，从而提供更有效地管理服务交付，同时减少停机等风险。这源于最近我们如何交付应用程序工作负载的转变。
数据太多?
在过去十年中，我们从大多数单服务器单应用程序转移成以容器运行的分布式应用程序。而现在，这些都是由运行在云端的微服务，以及自动化工具管理的云服务提供的。基础设施已成为应用程序的一部分，而其他应用程序已成为基础设施的一部分。如果您正在使用像Amazon S3或谷歌地图这样的平台作为您的服务交付的一个组成部分，那么您将亲身体验这种转换。
由此而产生的对数据中心管理造成的影响是显著的，而电力和制冷只是其中需要关注的一小部分。环境控制，物理设备，虚拟机和公有云都需要被全天候监控和管理，以提高成本和性能。那么，了解何时何地移动特定工作负载就变得至关重要了。
企业今天收集，监测和分析数据都是确保业务能够连续性的爆发。他们需要考虑从传感器、应用、门禁系统、配电单元、UPS、发电机和太阳能电池板产生的数据，添加到外部数据源，如应用程序漏洞信息，电力费率和天气预报。更需要强大的数据中心基础架构管理(DCIM)工具来存储所有这些数据，进行分析并将其转化为可操作信息。你可以尝试具体划分一部分，但是这变得越来越困难。
AI和深度学习正在成为数据中心和关键基础设施管理的一部分。以下是一些较为显著的领域：
态势感知
活动仪表板具有趋势、相关性分析和推荐操作。
预防性的维护
深度学习用于识别和关联预测电源、存储或网络连接故障的数据。这样，在进行维护的同时，运营商可以动员并主动将工作负载移至更安全的区域。
根本原因分析
机器学习用于追踪几个服务故障的根本原因。这被学习并用于将来的预防性维护。
网络安全和入侵检测
机器学习和深度神经网络用于在应用传感器、访问控制系统和网络系统中发现异常模式，并提供更好的信噪比和主动缓解的措施。学习神经网络用于不断提高企业的安全态势和管理相关问题的能力。
自动化
“窄定义AI” 配备各种自动缓解技术，并产生类似于汽车在看到即将碰撞时刹车的动作。
深度神经网络和机器学习算法将随着时间的推移而改善，从而实现更高的效率和性能，以配合快速增长的应用程序工作负载。
随着这一切的诞生与发展，毫无疑问，未来AI将对企业如何管理数据中心产生十分巨大的影响。
本文转自d1net（转载）
