Kao Park数据中心园区将采用施耐德电气StruxureWare进行管理

简介:

日前,全球关键基础设施专家施耐德电气公司宣布,将为Kao Data公司在距伦敦30英里的即将建成的数据中心提供StruxureWare数据中心基础架构管理(DCIM)软件,对其数据中心运营进行控制和管理。

英国数据中心开发商Kao Data公司建设的这个数据中心将成为英国最大的数据中心项目之一,其原址位于上世纪60年代全球领先的开发光纤通信系统的科技园区中。

KaoData公司建成的首个数据中心London One将提供高达8.7MW的电力容量,预计将于2017年底开通,为其第一批客户提供服务。

“采用软件管理平台是一个关键的战略决策。当我们将在整个数据中心园区中分阶段满足客户需求时,我们必须正确对待这一点。”KaoData公司首席运营官Paul Finch说。他表示,经过对市场的调查以及潜在客户看法的了解,Kao Data公司选择采用标准化的StruxureWare数据中心DCIM套件。

Kao Park数据中心园区3D渲染图

DCIM的规模

KaoData公司建设的数据中心是Kao Park数据中心园区的一部分,该公司位于最近成立的Harlow企业园区内,其市场价值达2.5亿英镑,距离伦敦较近,靠近斯坦斯特德机场和剑桥。KaoPark数据中心园区将提供办公空间和托管设施的组合。其中将租用其办公空间的租户包括Arrow Electronics和Raytheon公司。

这个数据中心园区最终将建设四座建筑,建成四个数据中心大厅,总面积约15万平方英尺,其电力容量为43.5MW。

施耐德电气的StruxureWare是一个流行的基础设施管理平台,集成了电源管理软件(PMS),能源管理软件(EMS)和建筑管理软件(BMS)功能。它具有针对特定行业的多个版本,其中包括数据中心。

“我们希望在提供最先进的托管数据中心基础设施方面发挥领导作用。对于我们来说,采用DCIM技术领导者提供的产品是有意义的,使KaoData公司能够对广泛的托管客户的要求做出敏感和灵活的处理。”KaoData公司首席执行官简·达安·卢亚科斯说。

“Kao Data公司使用StruxureWare实施了数据中心管理解决方案,可以减少集成成本和时间,降低风险,简化调试和操作。重要的是,这将为Kao Data公司的客户在托管空间带来价值。”施耐德电气托管和电信部门总监Matthew Baynes补充道。

这个数据中心园区的命名旨在向华裔工程师Charles Kao致敬,他是光纤布线技术的发明人之一,当时在标准电话实验室(STL)(后来成为北电网络公司的一部分)工作,他获得了2009年诺贝尔物理学奖。

本文转自d1net(转载)

相关文章
|
机器学习/深度学习 数据挖掘 物联网
【专栏】机器学习如何通过预测性维护、负载预测、动态冷却管理和能源效率优化提升数据中心能效
【4月更文挑战第27天】随着信息技术发展,数据中心能耗问题日益突出,占全球电力消耗一定比例。为提高能效,业界探索利用机器学习进行优化。本文讨论了机器学习如何通过预测性维护、负载预测、动态冷却管理和能源效率优化提升数据中心能效。然而,数据质量、模型解释性和规模化扩展是当前挑战。未来,随着技术进步和物联网发展,数据中心能效管理将更智能自动化,机器学习将在实现绿色高效发展中发挥关键作用。
288 5
|
机器学习/深度学习 运维 算法
利用机器学习优化数据中心的能效管理
【4月更文挑战第30天】在数据中心的运营成本中,能源消耗占据了一个显著的比例。随着能源价格的上升和环境保护意识的增强,如何降低能源消耗成为数据中心管理者们面临的一个重要挑战。本文探讨了一种基于机器学习的方法来优化数据中心的能效管理,通过分析历史数据和实时监测数据,动态调整资源分配和冷却策略,以实现能源消耗的最小化。
|
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的能耗管理
在数据中心管理和运营领域,能耗优化是提高经济效益和环境可持续性的关键。本文提出了一种基于机器学习的方法来优化数据中心的能源消耗,通过实时监控与智能调节系统参数以降低总体能耗。研究采用多种算法对比分析,包括监督式学习、非监督式学习以及强化学习,并在此基础上设计出一套综合策略。该策略不仅提升了能效比(PUE),还保证了系统的高可靠性和性能稳定性。文章的结构首先介绍数据中心能耗管理的重要性,然后详细阐述所提出的机器学习模型及其实现过程,最后通过实验结果验证了方法的有效性。
|
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 缓存 算法
深入理解操作系统的虚拟内存管理利用机器学习技术优化数据中心能效
【5月更文挑战第25天】 在现代计算机系统中,虚拟内存是允许用户程序逻辑地址空间与物理内存解耦的关键概念。它为每个进程提供了一个独立的、连续的地址空间,通过内存管理单元(MMU)硬件的支持,将程序使用的虚拟地址映射到实际的物理内存地址。这种机制不仅简化了程序的编写和内存的管理,还提供了保护机制,防止不同进程之间的相互干扰。本文将探讨虚拟内存的工作原理、分页系统的实现以及虚拟内存带来的性能影响,并讨论操作系统如何优化内存使用和管理。
|
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效管理
【5月更文挑战第23天】在本文中,我们探讨了一种基于机器学习的方法来优化数据中心的能效管理。通过分析历史数据,我们的模型能够预测数据中心的能源需求,并据此调整能源分配,以达到节能和提高能效的目标。这种方法不仅能够降低运营成本,还能减少对环境的影响。
|
存储 资源调度 Kubernetes
新书自荐《深入集群:大型数据中心资源调度与管理》
深入集群 大型数据中心资源调度与管理,已经第2版了(2021-10月)。之前在ata和百晓生发布了新书自荐,这次同步到社区。
893 1
新书自荐《深入集群:大型数据中心资源调度与管理》
|
机器学习/深度学习 存储 大数据
利用机器学习优化数据中心的能效管理
【2月更文挑战第17天】 在数据中心的运营过程中,能效管理是维持可持续性和成本效益的关键。本文探讨了一种基于机器学习的方法来优化数据中心的能源使用效率。通过分析历史能耗数据和实时工作负载信息,构建了一个预测模型来指导冷却系统的动态调整,以减少不必要的能源消耗。实验结果表明,该方法能够有效降低能耗,同时保证数据中心的性能和可靠性。
137 2
|
存储 监控 网络协议
「数据中心」数据中心脊页架构:数据中心结构管理、自动化和总结
「数据中心」数据中心脊页架构:数据中心结构管理、自动化和总结
|
运维 调度 数据中心
如何推进IT运维数据中心问题管理
在数据中心的管理中,问题管理通常因为没有事件管理、变更管理那么直接影响服务的可用性而被忽视,使得遗留下来的问题没有被及时解决,也会导致事件的重复发生,从而降低系统和服务的整体可用性
280 0
如何推进IT运维数据中心问题管理

热门文章

最新文章