一项优化美国联邦数据中心的新方法

简介:

最近,美国首席信息官办公室宣称,美国通用服务管理局(GSA)的政府政策办公室(OGP)将担纲美国行政管理和预算局(OMB)“数据中心优化倡议”(DCOI)的执行合伙人,以帮助联邦机构实施联邦信息技术收购改革法案(FITARA)中数据中心的相关规定。“数据中心优化倡议(DCOI)”要求联邦机构开发和报告数据中心的相关策略,以整合和优化现有的设施,实现成本节约,并能够将数据转移到更高效基础设施里,例如云服务和机构间可共享的服务中。

作为执行合伙人,美国通用服务管理局政府政策办公室(OGP)将主要集中于以下三个目标:

1.鼓励联邦政府装备最好的数据中心,并向其他机构提供服务,基于这个理念,大多数项目、部门和机构应专注于自己的使命,而不是不惜成本和不计风险来运营他们自己的数据中心。

2.为数据中心相关服务培育一个内部的联邦级市场,通过这个市场,客户机构可以为他们的需求从可共享的跨服务提供商和私营部门中选择最佳的匹配。

3.通过避开某项有路径依赖的物理基础设施来设定通往服务云的清晰路径,与美国总统的2017年财政年度预算目标相同,实现IT行业的现代化,减少遗留系统和设施的成本支出,提升网络安全水平。

几乎没有人质疑,如果目前就把握住机会来重新建设美国联邦的IT基础设施,肯定会与之前的情况大不相同。“数据中心优化倡议(DCOI)”是一个雄心勃勃的计划,对超过一万个有联邦机构运营的数据中心进行优化并实施创新。

“数据中心优化倡议(DCOI)”是联邦数据中心历史上又一个步骤,紧跟2010年由美国行政管理和预算局(OMB)推出的联邦数据中心合作计划(FDCCI),通过整合冗余的联邦数据中心,实现成本节约。随着运营成本的累积,托管事项的改变,以及对更多信息安全需求的持续增加,优化基础设施成为一个非常合理的投资,也是一项非常正确的事情。

迄今为止,美国通用服务管理局政府政策办公室(OGP),在授权机构优化他们使用数据中心的路径方面所扮演的新角色已经取得重大进步。结果包括:

*数据中心基础设施管理(DCIM)工具评估:确定和审查相关机构能够用来监视、测量、管理和(或)控制数据中心所有IT相关设备的利用率和能耗。

*奠定市场发展的基础:通过与联邦采购局(FAS)就有关合同车辆和入口采集平台进行合作,为机构进入共享服务并获得数据中心基础设施管理(DCIM)工具(产品)绘制蓝图,并从统一的共享服务管理(USSM)中寻求智力支持。

*为市场参与者确定并准备机构间共享服务提供商(ISSP):为机构和私营公司创建认证的进程,以变成ISSPs(如利息、申请流程、操作标准),开发通用的服务和金融模型来引导市场活动。

*迁移到云服务:研究最佳的实践方法来选择云服务以进行数据在线存储或者存储于预定的位置。美国通用服务管理局政府政策办公室(OGP)正与美国通用服务管理局(GSA)的联邦采购局(FAS)和FedRAMP进行合作,以使信息可以从云服务提供商(CSPs)那里获得,同时,与美国国家标准与技术研究所(NIST)和联邦采购局(FAS)合作以向机构提供向导,就如何符合强制性过渡到云服务的相关措施进行引导。

*私营部门的参与:深入到行业来为共享服务和工具确立最佳的方法,以支持自动的基础设施管理。

*建设数据中心社区:进行相应的规划,为政策管理者、数据中心项目管理人员、基础设施经理,以及行政机构负责可持续发展的官员,开办合适的论坛,并就优化战略相关事宜进行合作。此外,也会讨论诸如“数据中心优化倡议(DCOI)”的年度战略规划。

本文转自d1net(转载)

相关文章
|
机器学习/深度学习 存储 算法
利用机器学习优化数据中心的能源效率
【8月更文挑战第30天】 在信息技术不断进步的今天,数据中心作为支撑云计算、大数据分析和人工智能等技术的核心基础设施,其能源效率已成为衡量运营成本和环境可持续性的关键指标。本文旨在探讨如何通过机器学习技术对数据中心进行能源效率优化。首先,文中介绍了数据中心能耗的主要组成部分及其影响因素。其次,详细阐述了机器学习模型在预测和管理数据中心能源消耗方面的应用,并通过案例分析展示了机器学习算法在实际环境中的效果。最后,文章讨论了机器学习优化策略实施的潜在挑战与未来发展方向。
|
机器学习/深度学习 存储 监控
利用机器学习技术优化数据中心能效
【7月更文挑战第36天】在数据中心管理和运营中,能源效率已成为关键性能指标之一。随着能源成本的不断上升以及环境保护意识的增强,开发智能化、自动化的解决方案以降低能耗和提高能源利用率变得尤为重要。本文探讨了如何应用机器学习技术对数据中心的能源消耗进行建模、预测和优化,提出了一个基于机器学习的框架来动态调整资源分配和工作负载管理,以达到节能的目的。通过实验验证,该框架能够有效减少数据中心的能耗,同时保持服务质量。
|
机器学习/深度学习 运维 数据挖掘
智能化运维:利用机器学习优化数据中心
【6月更文挑战第28天】本文将探讨如何通过机器学习技术来优化数据中心的运维工作。我们将首先介绍机器学习的基本原理,然后详细讨论其在数据中心运维中的应用,包括故障预测、性能优化和自动化运维等。最后,我们将通过一个实际案例来展示机器学习在数据中心运维中的实际效果。
|
机器学习/深度学习 存储 算法
利用机器学习优化数据中心能效的策略
【5月更文挑战第31天】在信息技术不断进步的今天,数据中心作为计算和存储的核心,其能源效率问题日益凸显。传统的能效管理方法已无法满足当前复杂多变的需求。本文提出了一种基于机器学习技术的数据中心能效优化策略,通过智能算法实时监控和调整数据中心的运行状态,以达到降低能耗、提高资源利用率的目的。该策略不仅考虑了服务器负载和冷却系统的效率,还兼顾了可再生能源的使用情况,为绿色计算提供了新的视角。
|
机器学习/深度学习 监控 算法
利用机器学习优化数据中心能效的策略
【5月更文挑战第31天】 在数据中心管理和运营的众多挑战中,能效优化是减少运营成本和环境影响的关键要素。随着机器学习技术的不断进步,本文探讨了如何应用机器学习算法来监测和调控数据中心的能源使用效率。通过分析历史能耗数据、服务器负载以及环境变量,机器学习模型能够预测数据中心的能耗模式并实施节能措施。文中介绍了几种主要的机器学习方法,并讨论了它们在实际场景中的应用效果。
|
机器学习/深度学习 资源调度 算法
利用机器学习优化数据中心的能效管理
【5月更文挑战第31天】 在数据中心管理和运营中,能效优化是降低运营成本和减少环境影响的关键。本文提出了一种基于机器学习的方法来动态调整数据中心的资源分配,旨在提高整体能源效率。该方法通过分析历史数据和实时负载信息,预测未来工作负载并相应地调整硬件配置。实验结果表明,与传统的静态管理策略相比,所提出的动态管理策略可以显著降低能耗,同时保持服务质量。
|
机器学习/深度学习 数据采集 算法
利用机器学习优化数据中心能效
【5月更文挑战第31天】 在本文中,我们探讨了如何通过应用机器学习算法来优化数据中心的能源效率。传统的数据中心能效管理多依赖于静态阈值和经验法则,难以适应动态变化的负载需求。相比之下,机器学习提供了一种自适应和预测性的方法,可以实时调整能源消耗,以响应不断变化的工作负载。文中首先分析了数据中心能耗的主要组成部分,然后介绍了一系列机器学习模型,这些模型能够根据历史数据和实时反馈预测最优的能源管理策略。最后,我们通过模拟实验验证了所提出方法的有效性,并讨论了在实际部署中可能遇到的挑战。
121 0
|
7月前
|
存储 双11 数据中心
数据中心网络关键技术,技术发明一等奖!
近日,阿里云联合清华大学与中国移动申报的“性能可预期的大规模数据中心网络关键技术与应用”项目荣获中国电子学会技术发明一等奖。该项目通过端网融合架构,实现数据中心网络性能的可预期性,在带宽保障、时延控制和故障恢复速度上取得重大突破,显著提升服务质量。成果已应用于阿里云多项产品及重大社会活动中,如巴黎奥运会直播、“双十一”购物节等,展现出国际领先水平。
|
运维 负载均衡 监控
|
存储 大数据 数据处理
探索现代数据中心的冷却技术
【5月更文挑战第25天】 在信息技术迅猛发展的今天,数据中心作为其核心基础设施之一,承载了巨大的数据处理需求。随着服务器密度的增加和计算能力的提升,数据中心的能耗问题尤其是冷却系统的能效问题日益凸显。本文将深入探讨现代数据中心所采用的高效冷却技术,包括液冷解决方案、热管技术和环境自适应控制等,旨在为数据中心的绿色节能提供参考和启示。

热门文章

最新文章