数据中心决策之虚拟化管理与灾难恢复

简介:

目前对于虚拟化管理软件,70%的商业专家希望虚拟化管理软件能监控服务器的可用性。60%的人希望软件可以监控网络的性能,50%的人希望能够管理系统安全性,53%的人希望软件对容量规划做出一份公告,52%的人希望软件能管理配置和变更以及执行其他任务。

在所有这些期待的特点中,虚拟化采购团队中大部分人(46%)认为价格是决定他们采购决定的主要因素,其次是管理控制台的性能和可用性,以及虚拟化平台的兼容性(分别都是42%)。

无论你的虚拟化管理软件都提供了什么功能,没有它似乎是不行的。在954份调查回访里,只有18%的组织数据中心内部没有任何虚拟化管理工具。


数据中心刺激了购买灾难恢复的迫切需求

IT团队追求着保持负载的尽可能长的在线时长,当有停用的情况发生时,灾难恢复系统的质量直接决定了故障停机的时间和引发的对工作负载的影响。

企业的灾难恢复业务连续性调查表明了,有59%的灾难恢复采购团队希望在数据之间有远程的拷贝或数据同步。如果类似电力故障导致系统停用,会影响所有的服务器和存储,因此远程同步可以在生产环境数据中心以外多份备份。

远程拷贝可以依赖于自由的数据中心,托管场地的自有设备,或者类似磁盘柜之类的冷备存储设备。另一个方案是使用云备份,将数据拷贝到托管的云存储上。

对于IT商家来说高度聚合的基础设施盒子使远程同步更简单了,对于小型企业来说在高度聚合的基础设施中,删除重复数据和压缩的特性使备份和恢复更重要而且更不复杂。

对于网络而言,数据中心的管理员希望简化网络操作过程,另外一方面,IT人员也会购买云存储服务。


本文作者:陈杰

来源:51CTO

相关文章
|
2月前
|
虚拟化 数据中心
VMware Live Site Recovery 9.0.4 - 数据中心灾难恢复 (DR)
VMware Live Site Recovery 9.0.4 - 数据中心灾难恢复 (DR)
202 0
VMware Live Site Recovery 9.0.4 - 数据中心灾难恢复 (DR)
|
7月前
|
网络协议 区块链 KVM
Arista vEOS 4.30.10M - 虚拟化的数据中心和云网络可扩展操作系统
Arista vEOS 4.30.10M - 虚拟化的数据中心和云网络可扩展操作系统
225 2
Arista vEOS 4.30.10M - 虚拟化的数据中心和云网络可扩展操作系统
|
7月前
|
人工智能 Cloud Native 虚拟化
VMware vSphere 7.0 Update 3v 下载 - 数据中心虚拟化和云原生平台
VMware vSphere 7.0 Update 3v 下载 - 数据中心虚拟化和云原生平台
1487 4
|
8月前
|
人工智能 Cloud Native 虚拟化
VMware vSphere 7.0 Update 3u 发布 - 数据中心虚拟化和云原生平台
VMware vSphere 7.0 Update 3u 发布 - 数据中心虚拟化和云原生平台
283 0
VMware vSphere 7.0 Update 3u 发布 - 数据中心虚拟化和云原生平台
|
9月前
|
存储 虚拟化 数据中心
VMware Live Site Recovery 9.0.2.2 发布 - 数据中心灾难恢复 (DR)
VMware Live Site Recovery 9.0.2.2 发布 - 数据中心灾难恢复 (DR)
264 0
VMware Live Site Recovery 9.0.2.2 发布 - 数据中心灾难恢复 (DR)
|
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。
360 5
|
运维 负载均衡 监控
|
虚拟化 芯片
minos 2.3 中断虚拟化——GICv2 管理
硬件肯定需要软件配合,这一节就来实战 GICv2 首先准备好 GICv2 手册:https://developer.arm.com/documentation/ihi0048/bb/?lang=en,对于硬件的管理,最底层的操作就是读写硬件的寄存器,所以这里准备好手册,随时查阅手册
318 5
minos 2.3 中断虚拟化——GICv2 管理
|
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。