优化让数据中心的运营维护事半功倍

简介:

如今,数据中心正在尽可能推动技术突破极限,使用新的模式在持续要求更多功率、更多存储、更多计算能力的环境中有效运行。组织想要以较少的资金实现更加高效地运作数据中心,就需要在各个层面上加强对数据中心优化,包括硬件和软件,甚至是政策和程序。

数据中心环境现状

虽然云计算,虚拟化和托管数据中心越来越受欢迎,但大多数组织都在其数据中心内部部署了部分计算能力。根据调研机构451 Research对1,200名IT专业人士的调查,83%的北美企业运营维护自己的数据中心。只有17%的企业将所有的IT业务转移到了云端,而49%的企业则将云计算或托管主机集成到数据中心业务中。

同样的研究表明,大多数企业的数据中心预算保持稳定,严格监管的医疗保健行业和金融部门相继加大了在数据中心业务中的资金预算。在预算不断增长的企业中,大多数公司正在投资升级或改造,以实现数据中心优化,并支持增加功率密度。

同时,服务器密度也有所增加。自20世纪90年代中期以来,IBM AS / 400微型计算机受到了业界欢迎,而在目前的许多数据中心设计中,服务器的密度增加了84倍。电力需求从传统电脑的每平方英尺大约100瓦增加到刀片服务器约600瓦特。随着服务器功率密度的增加和数据中心的占地面积的缩小,其附属的空调和电力设备(包括不间断电源和发电机)将会增加更多的能耗。据CIO杂志报道,事实上到2020年,数据中心的能源使用量预计将增长81%。

定期审查合同

为了在时代华纳有线公司旗下互联网站托管与应用服务提供商NaviSite公司这样的环境中运营,"我们设定每年节省5%的目标,这迫使我们具有创造性,并在业务方面去芜存菁。"NaviSite公司数据中心运营全球总监Ron Pepin指出。

节省的资金可能来自各种来源。例如,自然资源保护委员会建议数据中心"审查其内部组织结构和外部合同安排,并确保激励措施相一致,并为效率最佳实践提供财务奖励。"

数据中心优化专家TeamQuest公司生产管理主管John Miecielica建议企业的管理人员在评估合同关系时需要考虑风险和效率。"外部协议涉及风险,例如确保你有能力满足服务水平协议。需要定期进行审查,以确保他们仍然有效。"Miecielica说。

"例如,当Lady Gaga在2011年在亚马逊上推广她的单曲时,导致亚马逊公司服务器崩溃……她不得不停止推广促销,直到亚马逊提高服务器的处理能力。另一个例子,当美国医保网站Healthcare.gov在2013年上线时,其系统崩溃,导致宕机六个月。"Miecielica回忆说。

合理的精简和配置

通常,在数据中心优化项目期间,为了获得正确的配置,识别和停用那些没有使用的服务器是一个挑战,

虚拟化使得企业可以根据需要轻松开发资源,但它也使得跟踪这些资源更加困难。结果是一些没有使用的服务器可能正在运行,因为没有人确定它们没有被使用。自然资源保护委员会和开采部门的一项研究报告指出,高达30%的服务器未使用,但仍在运行。

同样,服务系统可以配置四个CPU,但实际上只使用了两个。Miecielica解释说,这种情况使其他机器可能没有获得所需要的计算能力。"企业需要正确地配置适合的环境。无论是物理还是虚拟服务器,这都是无关紧要的,"Miecielica说,"还需要评估能力不足的风险,规定可能被重新利用的资源。"

除了配置正确的硬件外,Miecielica还建议仔细检查应用程序,以确保它们的写入效率。例如,一家公司按惯例升级其硬件,但发现可以会通过优化应用程序来延迟这些升级。

类似的原则延伸到存储设备。虽然重复数据删除被广泛使用,但存储空间紧张仍然是中小型企业(SME)的一个问题。重复数据删除可以释放急需的存储空间。 Miecielica说,这是中小企业面临的最大的两个问题(另外一个问题是安全性)之一。

数据中心设施优化

"优化运营需要不断平衡环境,"Pepin说。企业需要优化LED照明,气流,部署动态,以及各个组件,以及整体设施的效率。

例如,他继续说,这种平衡不仅涉及数据中心加热和冷却,还包括平衡地板下面的空气压力。 "随着数据中心的发展,管理人员不会考虑开放的地板,或者需要开通多少块地板来产生最佳的压力。企业需要每月进行电力和制冷效率评估,并确定数据中心设施是否仍然在美国供暖,制冷和空调工程师学会(ASHRAE)的指导方针之内。"Pepin说。

在考虑围绕加热,通风和空调(HVAC)的数据中心优化和设备布置方面,Pepin说:"空调装置附近的流动空气温度较低,因此将散热更多的设备放在最靠近冷却源的地方。"

NaviSite公司在其最新建的两个主要建筑中部署了绝热冷却和空气侧节能器。"这样就不需要空调制冷,"Pepin说,"在我们的圣克拉拉数据中心,每年使用机械空调冷却的时间只有210小时(约9天)。我们83%的时间使用过滤灰尘的自然空气进行冷却。我们还摈弃了了电气和杂物间的空调,以进一步节省电力成本。"

Pepin说:"如果数据中心具有地板加压环境,部署自然冷却或空气侧节能器并不是一项很难实施的任务。它还可以开辟更多的空间,因为HVAC设备可以部署在建筑物外面。在部署后,其维护成本大幅下降。"而运行15年的时间可以节省2300万美元,其费用可建设一个新的数据中心。

优化空气流量对于自然制冷策略的工作至关重要。但是,热通道/冷通道遏制还没有普及,Pepin说,"但是,这正在迎头赶上。加利福尼亚州今年7月将成为美国第一个新建和改造数据中心强制实施冷热通道遏制的联邦州。"

NaviSite公司并没有建设严格的冷热通道,而是改变了笼式服务器的策略,将其固定在薄壁网箱中,使其可以在较小的区段内容纳冷热空气。Pepin说:"这种牢固的笼罩使管理人员能够更好地管理每个客户基于高功率密度的环境。"

此外,还在其数据设施中使用LED照明。 LED使用的电能比荧光灯具要少,自其推出以来价格已大幅下降。

"我们现在正在使用LED改造数据中心,并安装传感器,因此LED灯只安装在工作人员工作的地方。这是去年在芝加哥数据中心发生的唯一变化,电费降低了5%。这个改造为空间为10,000平方英尺的数据中心节省了30,000美元。

监控一切

数据中心管理人员在考虑在实施数据中心优化时,需要为基础设施和云计算建立强大的监控系统。

例如,数据中心基础架构管理(DCIM)系统可以根据实际使用而不是制造商的规格进行管理决策。

NaviSite公司将DCIM连接到分支电路监控,因此管理人员可以看到每个机架和设备的实际功率消耗。 "这让我们了解每个客户实际使用的电能(而不仅仅是他们的合同使用量),并确定热点,以便我们可以更有效地管理。"Pepin说,"数据中心项目的投资回报率(ROI)是三到五年。而我们的投资回报率是3.75年。"

除了监控之外,管理者还需要通过分析来准确预测和解决问题。 Miecielica说:"DCIM和服务器监控以及连接两者的分析功能非常强大。"例如,分析软件帮助管理人员看到,从X到Y的移动工作流可以提高效率,而将其从X移动到Z可能效率更高。

Miecielica建议,企业需要整体地查看数据中心,而不是仅将数据中心作为要优化的单个系统的集合来进行整合。 "系统不能孤立运行。它们是全面的一揽子计划的一部分。因此,协同作用可以确定可能产生额外的数据中心优化机会。

节约采购费用

如果数据中心优化涉及到节省资金,数据中心管理者也应该考察他们的采购计划。企业需要在批量项目中获得成本效益。例如大型商品,如橱柜,机架,布线和插头。

Pepin表示,采购应该尽可能消除中间环节。他说,"对于大宗采购,我们直接联系中国的产品制造商。"他还寻求与技术供应商初创公司合作,既能设计出满足所有的需求的产品,同时也显著降低了价格。

数据中心优化显然超越了硬件范畴,成为数据中心全系统的活动。其关键是提供更多的电力,更多的容量,以及更多的存储能力,而不需要花费更多的资金。


本文作者:佚名

来源:51CTO

相关文章
|
4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。
|
4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。
|
6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。
|
7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。
|
7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。
|
7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。
|
7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。
|
7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。
|
7月前
|
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。
|
7月前
|
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。