如今，大數(shù)據(jù)分析和物聯(lián)網(wǎng)正在幫助組織建設更加智能的存儲基礎設施。而成本更低、數(shù)量更密集的CPU將更智能的內(nèi)置智能驅動到數(shù)據(jù)存儲基礎架構堆棧的每一層。

以存儲為例，過多的計算能力可用于部署敏捷軟件定義的存儲，轉換到超融合架構，或通過智能地重新分配存儲功能來優(yōu)化I/O應用程序服務器和磁盤主機。

然而，所有這些內(nèi)置智能有一個缺點，就是可能會降低人們在數(shù)據(jù)存儲基礎架構和更改（任何IT變更）之間的可見性，無論是由于用戶的修補和升級，擴展使用，還是復雜的錯誤和組件故障。或者，換句話說，由于配置強大和廉價的處理器，動態(tài)優(yōu)化使人們越來越難以確定其基礎設施發(fā)生了什么狀況。

因此當人們不需要知道任何細節(jié)，并且可以簡單地依賴低級組件來做正確的事情，直到擁有一個絕對自主的數(shù)據(jù)中心。而如今企業(yè)公共云計算并不會消除對內(nèi)部專家的需求，IT部門可能會發(fā)現(xiàn)這是一把雙刃劍。此外，雖然更智能的數(shù)據(jù)存儲基礎架構幫助人們配置，優(yōu)化，增長計劃，并排除故障，它可能會讓人們盲目或愚弄，并積極努力將基礎設施轉向人們的“意志”。

盡管所有這些潛在的負面因素需要做出選擇，人們希望獲得在一個更智能，更自主的IT世界（即使有一些人工智能失控的風險）。

這些都與數(shù)據(jù)有關

還記得以前的分析是一個離線過程嗎？捕獲文件中的一些數(shù)據(jù)；打開Excel，SAS或其他桌面工，并在幾周后收到一條建議。如今，這種分析延遲的時間太長，并且太簡單。

動態(tài)優(yōu)化由于采用了功能強大，成本低廉的本地處理器，這使得人們越來越難以確定我們的基礎設施正在發(fā)生什么。

考慮到應用程序和用戶的速度和敏捷性，更何況更大的數(shù)據(jù)流和彈性云代理，人們需要洞察力和比以往更快的回答。這種智能從大量可靠的數(shù)據(jù)開始，如今的基礎設施每天都在產(chǎn)生越來越多數(shù)據(jù)（事實上，由于物聯(lián)網(wǎng)的興起，人們很快就會淹沒在新的數(shù)據(jù)中），并需要處理和管理所有這些信息。

例如，存儲陣列長期以來可以提供有見地的數(shù)據(jù)，但歷史上需要供應商特定的，復雜和昂貴的存儲資源管理應用程序來充分利用它。幸運的是，如今已有一系列的發(fā)展，基礎設施幫助人們具有更智能的IT系統(tǒng)管理，并更好更快地生成用戶的數(shù)據(jù)：

數(shù)據(jù)處理。隨著物聯(lián)網(wǎng)應用的增長，存儲組件正在生成越來越多的詳細的數(shù)據(jù)。這種日益增長的數(shù)據(jù)需要IT本身內(nèi)的大數(shù)據(jù)分析技術。而IT管理員需要花費一些時間學習一些Python和Spark技能。

消耗API.現(xiàn)代存儲平臺現(xiàn)在提供或生產(chǎn)易于使用的空閑的API（表示性狀態(tài)傳輸API），允許任何人（具有權限）直接使用幾乎任何類型的第三方分析工具訪問關鍵數(shù)據(jù)。標準API還通過集成諸如OpenDataSource的平臺來啟用和強化第三方系統(tǒng)管理。

家庭支持呼叫。大多數(shù)存儲供應商如今將家庭支持呼叫調用到他們的陣列中，使他們能夠將詳細的機器日志發(fā)送給供應商，以便每天進行處理。然后，供應商可以使用大數(shù)據(jù)工具聚合數(shù)據(jù)，以便為客戶提供主動的支持和洞察，從而實現(xiàn)更好的產(chǎn)品管理和營銷。家庭呼叫功能也可以從Glassbeam那樣的供應商作為服務提供，這也可以幫助提供一個客戶端門戶作為一個“附加價值”，直接向IT最終用戶提供使用和性能洞察。

幸運的是，如今基礎設施有了一系列的發(fā)展，可以幫助人們可以更好管理智能的IT系統(tǒng)，并更好地生成用戶的數(shù)據(jù)。

可視化。面向IT的大數(shù)據(jù)提供了大量優(yōu)秀的可視化工具，通常由企業(yè)商業(yè)智能應用人員（例如Tableau公司）利用。因此，IT本身現(xiàn)在可以構建對業(yè)務友好的儀表板和報告。同時，許多供應商使用了更加清楚和易于訪問的開源可視化庫（如d3.js）來輕松創(chuàng)建和提供自定義產(chǎn)品儀表板以及可共享的小部件。

下一代智能。一些供應商正在做可視化之外的真正聰明的事情。而供應商可以幫助提供高級產(chǎn)品特定的關鍵性能指標，才能將這些詳細數(shù)據(jù)轉移到可操作的情報中，這是不夠的。作為第一步，如今的供應商可以巧妙地將低級數(shù)據(jù)流積累到健康，容量或風險的專家“模型”中。一些模型為每個特定平臺的獨特“分數(shù)”來產(chǎn)生線性預測。真正高級的建模可以考慮未來的工作負載增長和數(shù)據(jù)存儲基礎設施升級的計劃，并且可以基于分析排隊行為進行非線性性能預測。

智能機器

隨著大數(shù)據(jù)分析和物聯(lián)網(wǎng)應用的發(fā)展，肯定有令人興奮的新發(fā)展，并產(chǎn)生更加智能的數(shù)據(jù)存儲基礎設施的空間。

例如，人們只看到了系統(tǒng)管理領域中應用機器學習的開端。注意更智能的機器學習優(yōu)化，作為軟件即服務分析服務出現(xiàn)，嵌入客戶控制臺以進行動態(tài)操作，在儀表板和門戶網(wǎng)站中進行智能戰(zhàn)略規(guī)劃，甚至將其推入設備以幫助他們變得越來越自主。

如果汽車很快會自動駕駛，那么人們對此不應該感到驚訝。當存儲陣列開始告訴人們自己可以處理數(shù)據(jù)。如果有一天，人們可能不得不為新的存儲陣列進行一個企業(yè)面向IT的智能測試，看看它們?yōu)閿?shù)據(jù)中心運營是否已經(jīng)準備好了沒有。

上一篇：甲骨文云平臺全面升級，助力客戶穩(wěn)步上云

下一篇：如何診斷影響云性能的相關問題？