Прогнозная аналитика для систем хранения данных
ИТ-специалисты, которые обеспечивают управляющие инфраструктурой хранения, сталкиваются с постоянно растущими сложностями, эскалацией угроз безопасности и беспрецедентным объемом данных. Возникающие проблемы с хранением могут привести к значительному простою или сбою в системе хранения информации. Современные прикладные рабочие нагрузки требуют гибких, проактивных решений для хранения данных, способных быстро реагировать на все типы проблем.
Чтобы удовлетворить меняющиеся потребности ИТ-групп, ряд поставщиков сегодня предлагает продукты для хранения данных, которые включают в себя инструменты прогнозной аналитики и связанные с ней технологии, что позволяет активно решать проблемы сразу на нескольких уровнях в стеке хранения.
Хотя предложения варьируются от одного поставщика к другому, все они в некоторой степени используют прогнозную аналитику, собирая широкий спектр телеметрических данных, чтобы помочь обеспечить точность их анализа. ИТ-отделы, занимающиеся оценкой систем хранения, должны определить способность этих продуктов поддерживать прогнозную аналитику, чтобы организация могла быть лучше подготовлена к современным динамическим нагрузкам и нагрузкам на базы данных.
Как предиктивная аналитика работает для систем хранения
Прогнозная аналитика использует статистические методологии для выявления закономерностей в исторических и текущих данных, а затем прогнозирует конкретные результаты. В рамках этого процесса в прогнозирующей аналитике используются такие технологии как интеллектуальный анализ данных, аналитические запросы, прогнозное моделирование, искусственный интеллект и машинное обучение.
Продукты для хранения данных применяют эти передовые технологии, чтобы сократить время простоя, улучшить эффективность использования ресурсов и оптимизировать рабочие нагрузки приложений. Во многих случаях поставщики предлагают эти инструменты в сочетании со своими собственными платформами хранения, чтобы обеспечить более полную инфраструктуру хранения, которая может удовлетворить потребности центра обработки данных.
Машинное обучение, дочерняя дисциплина ИИ, играет жизненно важную роль в прогнозной аналитике для хранилищ, автоматически обучая алгоритмы прогнозирования, используя постоянный приток телеметрических данных через стек хранения. Инструмент, который включает в себя прогнозную аналитику, постоянно собирает и анализирует данные, выявляя шаблоны, которые могут помочь в прогнозировании тенденций, оптимизации компонентов, обнаружении сбоев оборудования, выявлении узких мест и прогнозировании потенциальных проблем до их возникновения.
Современные решения на рынке
Pure Storage использует интеллектуальную аналитику для хранения в своем сервисе Pure1. Pure1, сервис управления облаком, включает Pure1 Meta, который использует интеллектуальную аналитику и машинное обучение для анализа данных в реальном времени из более чем 10 000 массивов Pure Storage, подключенных к облаку, с возможностью просмотра более 100 000 рабочих нагрузок.
Pure1 Meta постоянно следит за системами хранения, чтобы заранее решать инциденты, прежде чем они вызовут серьезные проблемы. Служба предоставляет информацию о работоспособности и функционировании всего стека инфраструктуры, включая виртуальные машины. Служба также предлагает прогнозирование на основе ИИ для определения требований к емкости и производительности с течением времени и для моделирования вариантов консолидации оборудования и рабочей нагрузки.
Кроме того, Hewlett Packard Enterprise усовершенствовал свой сервис облачного управления InfoSight для поддержки прогнозной аналитики и операций на основе ИИ. InfoSight собирает и анализирует миллиарды точек данных из более чем 9 000 пользовательских сред. Они включают в себя не только массивы хранения Nimble и 3Par, но и компоненты вычислений, сети и виртуализации по всему стеку инфраструктуры.
С помощью этих данных InfoSight может предоставить глобальную информацию о состоянии и состоянии системы, помогая прогнозировать и предотвращать проблемы, а также оптимизировать производительность и использование ресурсов. Служба постоянно анализирует и сопоставляет миллионы измерений датчиков каждую секунду, постоянно изучая данные, чтобы обеспечить более эффективные результаты.
Hitachi Vantara также вышла на рынок, предлагая набор программного обеспечения на основе искусственного интеллекта. Пакет включает в себя Infrastructure Analytics Advisor, который использует интеллектуальную аналитику, машинное обучение и другие передовые технологии для обнаружения аномалий, выполнения анализа основных причин и прогнозирования поведения. Он также может помочь в планировании инфраструктур, повышении производительности и использовании ресурсов, а также оптимизации систем в средах хранения различных поставщиков.
В комплект Hitachi также входит Automation Director, инструмент оркестрации на основе ИИ для управления и доставки ИТ-ресурсов. Automation Director автоматизирует основные операции по предоставлению ИТ-услуг для различных компонентов, от виртуальных машин до механизмов защиты данных и зон SAN.
Другим поставщиком систем хранения данных, в котором используется интеллектуальная аналитика, является пакет Tintri от DDN Storage, в том числе его Tintri Analytics, облачная служба для моделирования требований к производительности и производительности. Разработанный на основе Apache Spark и Elasticsearch, Tintri Analytics предлагает алгоритмы машинного обучения для создания моделей хранения и вычислений, которые могут охватывать до 18 месяцев вперед и используя данные за период до трех, собранные из сотен тысяч сред.
Максимальное использование прогнозной аналитики
Внедряя предиктивную аналитику в стратегии хранения данных, ИТ-отделы могут использовать упреждающий подход для выявления и устранения проблем до того, как они негативно скажутся на системах хранения. Использование прогностической аналитики для хранилищ также может привести к повышению производительности и использованию ресурсов, одновременно снижая административные расходы и затраты на поддержку.
Несмотря на это, прогностическая аналитика для систем хранения информации является относительно молодой технологией. Чтобы быть эффективной, ей требуется достаточное количество точных данных и алгоритмов, которые могут правильно оценить эти данные. Если какое-либо из требований не выполнено, организация может в конечном итоге решить не те проблемы или не определить их до того, как они станут критическими, что приведет к потере времени и денег.
При оценке систем хранения, которые включают в себя прогностическую аналитику, ИТ-отделы должны проявлять должную осмотрительность, чтобы убедиться, что они получают продукты, которые могут выполнять надежную аналитику на основе самых важных данных. Только тогда они осознают все преимущества, которые предиктивная аналитика может принести их инфраструктурам хранения.