IDC运维管理的数字化驱动变革之路

IDC运维管理的数字化驱动变革之路

近期行业大会也好，线下交流也罢；大数据，人工智能，物联网，5G，液冷，GPU，边缘计算成为行业大咖和同行交流的热点。如何利用先进的思想来更好的提升运维管理和数据中心整体运营水平呢？今天借助行业的其他文章内容来谈谈纵向落地或是垂直衍生应用的几个认知，由于涉及陌生知识领域，部分理解并不精准，但是道理却是相通的，同期运维管理的传统理念也会随着计算的进步和更新而发生日新月异的变化。

首先来认识下：迁移学习与机器学习

摘引：什么是迁移学习?

在机器学习经典的监督学习场景中，如果我们需要在域A中训练一个模型去完成某些任务，我们会假设我们已经拥有了与这个域以及任务相对应的标记数据集。

迁移学习是我们能够利用相关任务或域的数据来解决当前场景下的问题，我们可以将从设定的源域中获取的知识应用于我们感兴趣的目标域。

数据中心而言，迁移学习的理解可以给运维管理人员带来融合的启发，比如电气专业工程师如何利用自己的模型去在数据中心这个域内，快速完成或是获取暖通方面的知识，并应对数据中心暖通领域的相关问题？这个模型我们可以尝试数据的不同，知识形式的不同，但是转化/迁移的模式却是固定的，从而达到快速掌握和理解新知识的方式和目的。

例如：系统级别

电气工程师的思维模型：

模型描述：

10kv电网能量到达园区数据中心配电房进行一级分配，经过电缆输送到变压器，低压配电柜，ups电源，负载设备消耗能源，整个认知模型为能源的分配利用。暖通的理解为室内it设备产生的大量热量，精密空调进行热量一次交换，管路输送热量，水泵提供动力，经过冷水主机消耗电能，将低温热源搬运给高温热源，管理输送到冷却塔，冷却塔与高温热源进行交换热量，将室内热量源源不断搬运出去。

细心的读者对上述模型的描述都会提出异议，原因在于模型的匹配度差异，在所有的机器学习和迁移学习中，模型的匹配和训练是一个必要的过程，机器学习在工业领域的同类设备中的使用和成功主要是监督学习的优化实现的；在深度学习、功能更强大的计算工具和大量标记数据集的推动下，运维专业工程师可以采用参数化，数据化的方式来训练自己的认知模型。

例如：

电气系统的电缆性能参数vs制冷系统的管路性能参数；

电气电缆中关于阻抗，感抗，线缆线制，容抗等对系统的运行影响；制冷管路中关于压力差，沿程阻力，水头等对系统的运行影响；

对于很多其他场景中依赖于实物或者硬件进行交互的机器学习应用来说，在数据中心长期运维管理中收集数据和训练模型不是很昂贵。专业工程师如何通过长期的工作，以及在自有知识体系架构下，快速学习掌握另一种专业知识，让自己成长为复合型人才？机器都开始不断学习提升了，运维的同事也要更上一层楼，打造复合型人才知识体系。

其次：深度学习的出现带来了一系列新的学习方法–卷积神经网络

摘引：理解卷积神经网络

在识别动物为一只猫的过程中知道猫有胡须、爪子、毛皮等特征是必要的，但是这并不能帮助我们识别新的物体或者说解决一些常见的机器视觉场景，比如细粒度识别，属性检测和图像检索等任务。

从在网络开始位置的右边插入一个卷积层开始。我们将使用5 × 5 局部感受野，跨距 为 1，20 个特征映射。我们也会插入一个最大值混合层，它用一个 2 × 2 的混合窗口来合并特征。 所以总体的网络架构看起来很像此前讨论的架构，但是有一个额外的全连接层:

在这个架构中，我们可以把卷积和混合层看作是在学习输入训练图像中的局部感受野，而后面的全连接层则在一个更抽象的层次学习，从整个图像整合全局信息。这是一种常⻅的卷积神经网络模式。

宏观事物和物体的数字化以及数字化分析中，在颗粒度和精确度是首当其冲的话题，当面对不同应用场景时如何快速有效的识别并形成结果？新型可靠的学习方法也需要不断的进行训练验证。

未来数据中心运维中将依赖现有的视频安防监控系统，对进入数据中心的人员进行人脸识别，权限控制，事件通知等；于此同时利用机房it设备巡检机器人采集的大量的机柜服务器运行状态图像进行数据的持续分析，监控it的运行状态，分析并提供相关操作记录报告和实时环境要素分析结果。对异常状态和非安全要素进行提醒告知，通过深度学习分析，从而实现机房环境的AI智能化值班监控。

最后：数据化对运维思维方式的变革冲击

结论：

大数据，数字化看似很高大上，其实他一直存在于你的身边，无论是你的生活习惯也好，还是不同事件场景下的反应也罢，大数据以概率的呈现方式存在于你的日常生活中。如今的大数据无疑是将此概率的精度通过海量数据的分析提高了N个等级。数字化驱动企业需要的不是一个简单的数学模型或是工具，需要的是企业的数字化管理思维的建立。