大数据基础设施监控中的人工智能现实
来源：CPDA数据分析师网 / 时间：2020-04-29
系统的许多应用程序和用例都位于基础架构管理服务中
这是目前IT能力中自动化程度的部分之一，对于许多组织来说，这是一个巨大的机会，尤其是在监视和工作负载计划等方面。智能IT基础架构具有预测性，自我修复、自我优化和自我保护功能，无需人工干预即可自动执行所有这些关键要素，此类投资常见的重点领域包括容量规划，性能调整以及可观察性和日志数据分析，然而事实证明，随着IT团队寻求利用人工智能实现IT运营现代化，复杂性孤立数据和其他问题成为障碍。
扩展了其超融合基础架构产品组合
提供自我优化的性能，可预测的支持自动化和问题预防功能，随着这些投资的发展，它们将开始为整个企业环境的客户提供实际价值。但是我们还没有。尽管一些用例尚未大范围付诸实践，但到目前为止，AI给基础架构管理带来的有意义的好处可能是围绕计划和调整。工作负载计划是存储中难做的事情之一。存储环境不是静态的-每天都有新的要求出现。
大数据为了满足企业的更多需求每个基础架构管理员都需要进行计划和调整
过去通常要花几个小时-导致利用率不足或过度使用-都不是选择，另一方面，机器学习模型可以预测负载和容量，找到工作负载的理想位置，并使风险小化。能够预测未来意味着IT团队可以更加轻松地入睡，他们知道他们可以预测并模拟不断变化的硬件组件对负载和容量的影响。
构建影响我们关注的不同结果度量（即性能和容量）的智能计划工具的核心是尽可能多地发出信号
围绕工作负载的性质收集的数据越多-读取带宽，写入IOPS，IOSize，空间覆盖模式等的时间序列-模型的性能越好。我们称这种整体表示为“工作量DNA”，我们的模型将“工作量DNA”作为输入，并建立时间序列预测和回归模型，以预测性能和容量在基础架构上的发展方式。在所有基础架构的各个部分中执行此操作，使我们可以使IT团队轻松了解哪些组件将在哪个轴上何时耗尽，然后我们进行下一步，允许团队模拟不同节点之间的迁移工作负载，并提出布局，以实现跨性能和容量的负载平衡和利用率。所有这些都由核心预测模型实现。这是令人兴奋的东西，也是AIOps的冰山一角。
随着模型的成熟用于基础架构规划的机器学习将从顾问角色变为自动化行动
重点将转向数据，为了使预测反馈系统能够扩展并在更多情况下应用，机器学习将应用于有效查找模型效果较差的地方，并为该特征空间扩充数据的任务。只需看看为标签数据筹集资金的公司数量即可，模型的质量相当成熟；数据的质量决定了它们的有效性。