揭穿数据中心基础设施管理(DCIM)的神秘面纱

简介:

物联网出现很久之前,电脑还不够个人化,手机、冰箱和汽车也不够智能的年代,你是否记得电视上曾经反复播放着某品牌机油滤清器的广告?

高档的机油滤清器的价格比普通品牌高出将近一倍,这对于用户来说无疑十分昂贵。因而这种高档品 牌的产品首次进入市场时曾经遭遇用户非常严重的抵触情绪。然而,随着它的卓越技术逐渐提高了汽车的性能,同时有效减小故障发生的几率以及避免了昂贵的检修 费用。于是毫无疑问,相较于更换汽车引擎,人们还是更倾向于更换机油滤清器。

于是该产品逐渐获得了用户的青睐,并最终占据了市场的统治地位。

这个旧时代的营销故事所带给我们的启示完全可以适用于今天关于数据中心基础设施管理(DCIM)解决方案的一些误解和错误逻辑。

误解一:DCIM太昂贵

英特尔委托Redshift调研机构对200位来自美国与英国的数据中心管理者进行了咨询。调查结果显示,最大的窘境是,仍有43%的数据中心管理者还在依靠手工方法替代DCIM工具进行产能规划与预测。

随着我们进入数字时代,微软的Excel表格软件,甚至传统的测量卷尺仍然在很多基础设施管理者的工具包中占据着非常重要的地位,这似乎有悖常理。但事实的确如此,如今仅有55%的数据中心管理者在使用DCIM平台。部署DCIM方案最大的反对原因就是人们的感知成本,有46%的受访者表示,他们认为DCIM的实施费用过于昂贵。

乍一看,数据中心管理者对于成本的顾虑似乎合情合理。但是,考虑到DCIM工具可以为管理者提供有效信息用来识别运营问题,并帮助确定真实运营成本、隐性成本以及系统中断的真实原因,因而针对DCIM任何基于成本的反对都是对人们的误导。要知道,受访的118家数据中心都可以清晰的量化其每次运营中断的平均成本竟已高达28900美元!

别搞错了。无论是由于硬件故障、电源供应或散热问题,大型数据中心不可避免会在其生命周期的某个阶段面临运营中断和停机故障。只是那些已经部署DCIM分析工具来进行产能规划和散热效能监测的数据中心管理者可以清楚的计算出运营中断对于业务的损失成本,而与此同时没有部署DCIM的数据中心管理者仅仅只有14%的比例能够做到这一点。

此外,由于时间就是金钱,据统计数据中心运营中断所需要的平均恢复时间接近8个小时。值得注意 的是,部署了DCIM的数据中心中有21%的比例可以有效的把恢复时间控制在2个小时以内。而那些没有使用DCIM工具的数据中心则只有11%的比例可以 做到这一点。比例相差将近2倍!

误解二:DCIM的实施需要更多的时间和资源

有35%的数据中心管理者表示,采用手工的方法进行数据中心产能规划和预测的原因是担心缺乏必要的时间和资源实施部署更为自动化的方案。这个理由从表面上看又似乎很有说服力。但事实上,有56%采用手工方法的数据中心管理者每月需要投入40%以上的时间来进行产能规划和预测。

数据中心管理者这类自相矛盾的状况体现了一种恶性循环。采用手工方法的数据中心管理者表示缺乏时间和资源部署实施DCIM工具进行产能规划和预测,这正是因为他们的大部分时间都浪费在某些工作上,而这些工作恰恰可以由DCIM自动完成。

误解三:机柜热传感器和电子表格便足以轻松完成机房的散热工作

数据中心的电力消耗非常巨大。根据国家资源保护委员会预估,数据中心的电力消耗到2020年时将达到年均大约1400亿千瓦时,这相当于50个发电厂的年发电量,每年仅电费一项即需要支出130亿美元。除了服务器运行的供电费用外,散热也需要消耗很大一部分电能,因此有效提高散热效率成为节省运行总成本的必要手段。

 揭穿数据中心基础设施管理(DCIM)的神秘面纱

57%的受访数据中心声称,他们在过去一年中经历了热能相关的挑战,并因此严重影响了运营效 率。63%的数据中心目前正在使用DCIM分析工具帮助优化散热效率,而有多达20%的数据中心目前还仅仅依靠机柜热传感器和电子表格来完成散热工作。没 有使用DCIM分析工具的数据中心不太可能实施热点审计,更不可能完成计算流体动力学(CFD)的模拟工作。

CFD功能是DCIM解决方案的核心功能,可以通过实时监控的信息不断提高和调整散热策略和空调选择。拥有CFD能力的DCIM系统将对数据中心的运营产生直接而积极的影响。


原文发布时间为:2016-05-25

本文来自云栖社区合作伙伴至顶网,了解相关信息可以关注至顶网。



相关文章
|
6月前
|
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。
126 5
|
6月前
|
存储 边缘计算 安全
阿里云全球基础设施展示,公共云地域、边缘节点、超级数据中心分布图
本文为大家介绍了阿里云在2024年的全球基础设施布局,包括公共云地域、边缘节点、超级数据中心等各个阶段和方面。阿里云基础设施已覆盖全球四大洲,拥有30个公共云地域和89个可用区,以及超过3200个边缘节点,为其用户提供了广泛且深入的服务覆盖。
阿里云全球基础设施展示,公共云地域、边缘节点、超级数据中心分布图
|
6月前
|
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。
|
6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。
|
6月前
|
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。
|
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。
|
6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。
|
6月前
|
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。
70 2
|
6月前
|
存储 传感器 监控
探索现代数据中心的冷却技术革新
【4月更文挑战第23天】 在信息技术迅猛发展的今天,数据中心作为计算和存储的核心枢纽,其稳定性和效率至关重要。然而,随着处理能力的增强,设备发热量急剧上升,有效的冷却方案成为确保数据中心持续运行的关键因素。本文将深入分析当前数据中心面临的热管理挑战,并探讨几种前沿的冷却技术,包括液冷系统、热管技术和环境自适应控制策略。通过比较不同技术的优缺点,我们旨在为数据中心管理者提供实用的冷却解决方案参考。
|
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。