NASA有望成为美国首个完成数据中心优化计划的部门

简介:

根据媒体报道,为了实现节能减排,提高数据中心效率,减少不必要的数据中心对能源的消耗,在过去七年中美国政府开始有目的减少数据中心数量。而美国国家航空航天局(NASA)可能成为美国唯一在限期内达成"联邦信息技术采购改革法"要求的的机构。

6

1991年9月由发现号航天飞机带入太空的高层大气研究卫星(UARS)

NASA共有59个数据中心需要进行整合,并将消减其中的33个数据中心,到目前位置,还只有6个数据中心需要消减。由于NASA的10个主要办事处和卫星地点都至少需要一个内部数据中心设施,所以消减计划外的20多个数据中心将继续正常运营。美国航空航天局计算机服务项目执行官卡伦。佩特拉斯卡表示,他们已经对59个数据中心进行了评估,并确定了所需要保留和关闭的数据中心。

此外,美国农业部、财政部和司法部也正在积极的行动中,有望将最初10000个数据中心削减至5600个。不过,现在已经临近该计划的最后期限,各个政府部门还需要积极的配合才能达到预计目标。

没有人会质疑数据中心合并的困难和挑战。IT技术架构的更新和云服务的使用将决定哪些数据中心会被关闭,但这个过程并不是一撮而就的,而且将面临众多的挑战。

"一些机构有很多更复杂的数据中心和政治因素。有可能发生任何事情。佩特拉斯卡说,"传统的事物很难改变,大事更难改变。只是为了确定需要关闭哪些数据中心,以及说服管理者为何减少这些数据中心就花了将近一年的时间。"

2010年,美国联邦政府推行的数据中心整合计划(FDCCI)并没有要求政府机构采取具体行动,而是通过减少政府机构数据中心的整体能耗推动绿色IT的使用,并降低数据中心硬件,软件,以及操作的成本。

在此之后,美国联邦信息技术采购改革法案要求政府机构进行数据中心的清查,并确定可以关闭和整合的数据中心设施,制定减少的数量目标,以及为定期进度报告制定规则。

最后,去年实施的数据中心优化计划(DCOI)取代了2010年的整合计划,并增加了更多的规则。现在,如果某机构希望新建数据中心或扩展现有数据中心,就必须证明其符合美国管理和预算局(OMB)的规定,并且没有更好的选择,例如使用云计算服务或租赁托管空间。数据中心优化计划(DCOI)还提高了数据中心机构需要关闭的数量,并对数据中心的能源效率、服务器虚拟化、服务器和设施利用率,以及数据中心管理工具的使用提出了一些额外的要求。

立法的目的,显然是美国政府希望通过减少其庞大的数据中心数量和维护成本来节省资金。其目标是在2018年的截止日期之前节省近14亿美元的费用。

本文转自d1net(转载)

目录
相关文章
|
3月前
|
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。
|
3月前
|
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。
|
5月前
|
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。
|
6月前
|
机器学习/深度学习 存储 监控
利用机器学习优化数据中心能效的策略
【5月更文挑战第29天】 在信息技术迅猛发展的今天,数据中心作为信息处理和存储的核心设施,其能源消耗已成为关注焦点。传统的数据中心管理方法难以应对复杂多变的能耗问题,而机器学习提供了一种高效的解决方案。本文通过分析数据中心能耗特点,提出了一套基于机器学习的数据中心能效优化策略。通过构建预测模型,动态调整资源分配,实现能耗与性能之间的最优平衡。实验证明,该策略能有效降低能耗,提升数据中心的运行效率。
|
6月前
|
机器学习/深度学习 算法 数据挖掘
利用机器学习优化数据中心能效
【5月更文挑战第30天】 在数据中心管理和运营过程中,能效优化是一项持续的挑战。随着能源成本的不断上升以及环保意识的增强,开发高效能的数据中心变得更加重要。本文将探讨如何利用机器学习技术来优化数据中心的能源使用效率,减少能耗同时保持系统性能。通过分析历史数据和实时监控信息,机器学习模型可以预测数据中心的负载变化,并动态调整资源分配以实现最佳的能效比。文中还将讨论实施机器学习驱动的能效优化策略时可能遇到的挑战及解决方案。
|
6月前
|
机器学习/深度学习 存储 传感器
利用机器学习优化数据中心冷却系统
【5月更文挑战第30天】 在数据中心的运行中,冷却系统的能效对整体运营成本有着显著的影响。随着人工智能技术的进步,特别是机器学习(ML)的发展,出现了新的机会来优化数据中心的能源使用效率。本文将探讨如何通过机器学习模型预测数据中心的热负荷,并据此动态调整冷却策略,以实现能耗最小化。我们将介绍所采用的数据集、预处理方法、模型选择、训练过程以及最终实施的策略。结果表明,基于机器学习的预测系统能够有效降低数据中心的能源消耗,并为可持续运营提供支持。
|
6月前
|
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。
|
6月前
|
机器学习/深度学习 监控 算法
利用机器学习优化数据中心冷却系统
【5月更文挑战第30天】在数据中心的运营成本中,冷却系统占据了相当一部分。为了提高能效和降低成本,本文提出了一种基于机器学习的方法来优化数据中心的冷却系统。通过对大量历史数据的分析和挖掘,我们设计了一个预测模型,用于实时监控和调整数据中心的温度。实验结果表明,该方法可以有效降低能耗,提高数据中心的运行效率。
|
6月前
|
机器学习/深度学习 存储 运维
利用机器学习优化数据中心能效的策略
【5月更文挑战第30天】在信息技术不断进步的今天,数据中心作为核心基础设施之一,其能效管理已成为技术创新和成本控制的焦点。本文通过分析当前数据中心能耗问题,提出了一种基于机器学习的优化策略,旨在实现数据中心能源使用的最大化效率和最小化开销。我们采用预测算法对工作负载进行实时分析,动态调整资源分配,并通过仿真实验验证了该方法的有效性。结果表明,应用机器学习技术可以显著降低数据中心的能耗,同时保持服务质量。
|
6月前
|
机器学习/深度学习 资源调度 监控
利用机器学习技术优化数据中心能效
【5月更文挑战第30天】在数据中心管理和运营中,能源效率的优化是降低运营成本和减少环境影响的关键。本文旨在探讨如何应用机器学习技术来提升数据中心的能源效率。通过对现有数据中心运行数据的深入分析,开发预测性维护模型,以及实施智能资源调度策略,我们可以显著提高数据中心的能效。本研究提出了一种集成机器学习算法的框架,该框架能够实时监控并调整数据中心的能源消耗,确保以最佳性能运行。
下一篇
无影云桌面