Vasily Merkushev - stock.adobe.c

Predictive Analytics: Wie Storage und Produktion profitieren

Zu den Vorteilen von Predictive Analytics im Storage gehören weniger Ausfallzeiten und eine bessere Ressourcenauslastung. Speicherhersteller haben dies nun erkannt.

IT-Profis, die Speicherinfrastrukturen verwalten, sehen sich immer komplexeren Aufgaben, zunehmenden Sicherheitsbedrohungen und beispiellosen Datenmengen gegenüber. Wenn Speicherprobleme auftreten, können sie zu erheblichen Ausfallzeiten oder kompromittierten Daten führen. Moderne Anwendungs-Workloads erfordern Speicherlösungen, die flexibel, proaktiv und in der Lage sind, schnell auf alle Arten von Problemen zu reagieren. Prädiktive Analysen können bei der Speicherung Vorteile bringen.

Um den sich ändernden Anforderungen von IT-Teams gerecht zu werden, bieten eine Reihe von Anbietern inzwischen Speicherprodukte an, die prädiktive Analysen und damit verbundene Technologien integrieren und es ermöglichen, Probleme auf mehreren Ebenen im Speicher-Stack proaktiv anzugehen.

Obwohl die Angebote von Anbieter zu Anbieter unterschiedlich sind, verwenden sie alle bis zu einem gewissen Grad Predictive Analytics und sammeln eine Vielzahl von telemetrischen Daten, um die Genauigkeit ihrer Analyse zu gewährleisten. IT-Teams, die Speichersysteme evaluieren, sollten die Fähigkeit dieser Produkte zur Unterstützung prädiktiver Analysen ermitteln, damit das Unternehmen besser auf die dynamischen und datenintensiven Workloads von heute vorbereitet ist.

Wie Predictive Analytics für die Speicherung funktioniert

Predictive Analytics verwendet statistische Methoden, um Muster in historischen und aktuellen Daten aufzudecken, und prognostiziert dann spezifische Ergebnisse. Im Rahmen dieses Prozesses nutzt die Predictive Analytics Technologien wie Data Mining, analytische Abfragen, Predictive Modeling, Künstliche Intelligenz (KI) und Machine Learning (ML).

Datenspeicherprodukte wurden kontinuierlich mit diesen fortschrittlichen Technologien ausgestattet, um Ausfallzeiten zu reduzieren, die Ressourcenauslastung zu verbessern und die Auslastung der Anwendungen zu optimieren. In vielen Fällen bieten die Anbieter diese Tools in Verbindung mit ihren eigenen Speicherplattformen an, um eine vollständigere Speicherinfrastruktur bereitzustellen, die den Anforderungen des Rechenzentrums gerecht wird.

Machine Learning, eine Unterdisziplin der KI, spielt eine wichtige Rolle in der prädiktiven Analytik für die Speicherung, indem es die prädiktiven Algorithmen automatisch trainiert, indem es einen konstanten Zufluss von telemetrischen Daten aus dem gesamten Speicherstapel verwendet. Ein Tool mit prädiktiver Analyse sammelt und analysiert kontinuierlich die Daten und identifiziert Muster, die bei der Vorhersage von Trends, der Optimierung von Komponenten, der Erkennung von Hardwareausfällen, der Lokalisierung von Engpässen und der Vorhersage potenzieller Probleme helfen können, bevor sie auftreten.

Predictive Analytik im Markt

Pure Storage verwendet prädiktive Analysen für die Speicherung in seinem Pure1-Dienst. Pure1, ein Cloud-Management-Service, umfasst Pure1 Meta, das mithilfe von prädiktiver Analyse und maschinellem Lernen Echtzeitdaten von über 10.000 mit der Cloud verbundenen Pure-Storage-Arrays analysiert, mit Einblick in mehr als 100.000 Workloads.

Pure1 Meta überwacht kontinuierlich Speichersysteme, um Probleme proaktiv zu beheben, bevor sie zu ernsthaften Problemen führen. Der Service liefert Informationen über den Zustand und die Funktion des gesamten Infrastrukturstapels, einschließlich virtueller Maschinen (VMs). Der Service bietet auch KI-basierte Prognosen, um den Kapazitäts- und Leistungsbedarf im Zeitverlauf zu ermitteln und Hardware- und Workload-Konsolidierungsoptionen zu modellieren.

Darüber hinaus hat Hewlett Packard Enterprise seinen InfoSight Cloud Management Service erweitert, um vorausschauende Analysen und KI-basierte Operationen zu unterstützen. InfoSight sammelt und analysiert Milliarden von Sensordatenpunkten aus über 9.000 Kundenumgebungen. Dazu gehören nicht nur Nimble- und 3Par-Speicher-Arrays, sondern auch Compute-, Netzwerk- und Virtualisierungskomponenten im gesamten Infrastruktur-Stack.

Mit diesen Daten kann InfoSight globale Einblicke in den Systemstatus und -zustand liefern, um Probleme vorherzusagen und zu vermeiden sowie Leistung und Ressourcenverbrauch zu optimieren. Der Service analysiert und korreliert kontinuierlich Millionen von Sensormessungen pro Sekunde und lernt ständig aus den Daten, um effektivere Ergebnisse zu liefern.

Hitachi Vantara hat sich ebenfalls auf dem Markt etabliert und bietet eine KI-basierte Suite von Betriebssoftware an. Die Suite enthält den Infrastructure Analytics Advisor, der prädiktive Analysen, maschinelles Lernen und andere fortschrittliche Technologien einsetzt, um Anomalien zu erkennen, Ursachenanalysen durchzuführen und das Verhalten vorherzusagen. Es kann auch bei der Planung von Infrastrukturen, der Verbesserung von Leistung und Ressourcenauslastung sowie der Optimierung von Systemen in Speicherumgebungen verschiedener Hersteller helfen.

Die Hitachi-Suite umfasst auch Automation Director, ein KI-basiertes Orchestrierungswerkzeug zur Verwaltung und Bereitstellung von IT-Ressourcen. Automation Director automatisiert die Bereitstellung von IT-Services über verschiedene Komponenten hinweg, von VMs über Datensicherungsmechanismen bis hin zu SAN-Zonen.

Predictive Analytics ist eine relativ junge Technologie, wenn es um Storage geht. Um effektiv zu sein, benötigt es eine große Menge an genauen Daten und Algorithmen, die diese Daten richtig bewerten können.

Ein weiterer Speicheranbieter, der vorausschauende Analysen unterstützt, ist die Tintri-Suite von DDN Storage, einschließlich Tintri Analytics, einem Cloud-basierten Dienst zur Modellierung von Kapazitäts- und Leistungsanforderungen. Basierend auf Apache Spark und Elasticsearch bietet Tintri Analytics maschinelle Lernalgorithmen zur Erstellung von Speicher- und Rechenmodellen, die sich 18 Monate in die Zukunft erstrecken können, wobei bis zu drei Jahre Daten aus Hunderttausenden von Umgebungen verwendet werden.

Optimale Nutzung der prädiktiven Analytik

Durch die Integration von Predictive Analytics in Speicherstrategien können IT-Teams proaktiv Probleme identifizieren und beheben, bevor sie sich negativ auf Speichersysteme auswirken. Der Einsatz von Predictive Analytics für den Speicher kann auch zu einer besseren Leistung und Ressourcennutzung führen und gleichzeitig den Verwaltungs- und Supportaufwand senken.

Dennoch ist die Predictive Analytics eine relativ junge Technologie, wenn es um Storage geht. Um effektiv zu sein, benötigt es eine große Menge an genauen Daten und Algorithmen, die diese Daten richtig bewerten können. Wenn eine der beiden Anforderungen nicht erfüllt wird, kann ein Unternehmen am Ende die falschen Probleme lösen oder Probleme nicht lösen, bevor sie kritisch werden, was zu Zeit- und Geldverschwendung führt.

Bei der Bewertung von Speichersystemen mit prädiktiver Analyse sollten IT-Teams eine Due Diligence durchführen, um sicherzustellen, dass sie Produkte erhalten, die zuverlässige Analysen auf der Grundlage der wichtigsten Daten durchführen können. Nur dann werden sie den vollen Nutzen erkennen, den Predictive Analytics für ihre Speicherinfrastrukturen bringen kann.

Nächste Schritte

Wie Artificial Intelligence das Storage-Segment verändert

Mit diesen Storage-Technologien künstliche Intelligenz und Machine Learning nutzen

Das müssen Sie über Storage-Planung und Künstliche Intelligenz wissen

Erfahren Sie mehr über Storage Management

- GOOGLE-ANZEIGEN

ComputerWeekly.de

Close