ディープラーニングとデータセンターの関係

ディープラーニングは、教師なし特徴学習または特徴学習とも呼ばれ、人工知能の研究分野の 1 つであり、多層ニューラル ネットワーク テクノロジに基づく機械学習の一種です。ディープラーニングは現在非常に人気のある技術であり、多くの分野、特にデータセンターで試されてきました。

ディープラーニングでは、機械が学習する必要があるものを大量のデータとして扱い、このデータを複数の層を持つ複雑なニューラル ネットワークに投入し、このネットワークによって処理された結果のデータが要件を満たしているかどうかを確認します。要件を満たしている場合は、ネットワークがターゲット モデルとして保持されます。要件を満たしていない場合は、出力が要件を満たすまで、ネットワーク パラメーターの設定が何度も調整され続けます。

言うまでもなく、データセンターはディープラーニングを実装するのに最適な場所です。データセンターにはスーパーコンピューティングパワーと膨大なデータがあり、ディープラーニングはこれらに頼らなければなりません。ディープラーニングはまずデータセンターに根付くべきです。多くのデータセンターも、データセンターにディープラーニング技術を導入することで前例のないメリットが得られることに気づき始めており、両者は意気投合しました。

[[239938]]

ディープネットワークラーニング

従来のネットワークでは、すべての機器の初期化と構成を手動で行う必要があります。容量の拡張、変更、およびサービスの展開は手動で完了する必要があり、これは非常に非効率的で、エラーが発生しやすく、個人のスキルと経験に大きく依存します。現在、いくつかの事前設定はコントローラによって自動的に発行され、その後コントローラがネットワークの監視と管理作業を実行します。コントローラの指示は事前に設計されており、手動作業のみがコントローラに残され、作業効率が大幅に向上します。しかし、当時のネットワークはまだ十分にスマートではなく、コントローラーは人なしでは動作できず、特に複雑な変更サービスや突然の障害が発生した場合には、対処できませんでした。

コントローラーをよりインテリジェントにし、人間の思考に従って考え、動作できるようにして、ネットワークの運用と保守から人間を解放するにはどうすればよいでしょうか。ここでディープラーニングの出番です。ディープラーニングにより、ネットワークコントローラーはネットワークの日常的な変化や突然の障害処理をすべて自分で完了できます。ディープラーニングから得られるビッグデータは、過去にすべてのデータセンターで発生した障害と経験です。この情報はすべてコントローラーに入力されます。ディープラーニングを通じて、コントローラーは独自のネットワーク管理実装を形成できます。ネットワーク障害が発生すると、数ミリ秒以内に判断して対応できます。この効率は人間の手の届かないものです。ディープネットワークラーニングの目的は、ネットワークをよりスマートにすることです。

ディープセキュリティ学習

サイバーセキュリティは多面的な問題となっており、ビジネスの多様化に伴い、脆弱性の数と種類が劇的に増加しています。ネットワークの侵害を防ぐために、データセンターはこれらの脆弱性をタイムリーに検出して解決する必要があります。データセンターのセキュリティ担当者が毎日処理しなければならないセキュリティアラームの数は増加しています。アラームの処理には複数のシステムが関係しており、非常に面倒で時間がかかります。

ディープラーニングを導入することで、さまざまなソースからセキュリティ関連データを自動的かつ継続的に収集し、起こりうる攻撃や脆弱性を特定することができます。脆弱性をタイムリーに検出するだけでなく、自動的に修復し、セキュリティリスク評価レポートを出力することもできます。ネットワークの脆弱性をタイムリーに発見できるように、世界規模および業界固有の脅威に関する最新の知識、つまり最新の脅威を毎日または毎週把握しておいてください。ディープラーニングにより、データセンターのネットワークセキュリティが大幅に向上し、攻撃を回避するためのセキュリティ保護を提供できます。

ディープトラフィック識別

従来のトラフィック識別は、トラフィックを特定のプロトコルまたはアプリケーションに正確にマッピングすることです。実際には、トラフィック統計とフィルタリングの目的を達成するために、トラフィックの特性に応じてトラフィックを識別および分類することです。この作業は、ネットワークのセキュリティと統計に非常に役立ちます。従来のトラフィック識別方法は、ミラーリングや Netstream などの監視方法を通じて、キャプチャされたすべてのトラフィックのプロトコル機能をカウントするだけです。このプロセスは時間がかかり、手間がかかり、完了するには特別な機器を購入するために多額の費用が必要になる場合があります。

ディープラーニングは、行動特性と機械学習に基づいて認識プロセスを自動化できます。まず、少量のデータサンプルに基づいてトレーニングを実施します。トレーニングが完了すると、データセンターのネットワークトラフィック全体を識別し、認識作業を完了します。この方法により、特に音声や画像などのトラフィックのトラフィック識別の効率が大幅に向上します。たとえば、あるウェブサイトのトラフィックを監視して、わいせつな画像や動画があるかどうかを確認したい場合、ほとんどのウェブサイトは現在も手動の観察に頼っており、これは非常に非効率的です。トラフィック内のわいせつなコンテンツを自動的に識別し、直接傍受できるディープラーニングを使用する方が、自動識別と傍受の目的を達成できます。

大幅な電力削減

データセンターは大量のエネルギーを消費するため、エネルギーの節約と排出量の削減は長期的な課題です。単位面積あたりの設備稼働効率の向上に加え、エネルギー消費量のディープラーニングも行えます。

Google はディープラーニング テクノロジーを使用してエネルギーを節約し、データセンターでの消費量を削減します。 Google のデータセンターでは、ディープラーニングを通じて、さまざまなデバイスのファンとデータセンター内のエアコン、周囲の温度と湿度の条件をリンクさせ、すべての機器の放熱を確保しながらエネルギー消費を最小限に抑えることができます。

ディープラーニングにより、データセンターのエネルギーコストが約 15% 削減され、Google は毎年数百万ドルを節約しています。ディープラーニングを活用してエネルギー消費量を削減するということは、既存のデータセンターのリソースを活用し、すべての機器の正常な動作を確保しながらエネルギー消費量を最小にすることを意味します。これは、データセンター内のすべての機器の動作状況と空調環境条件を収集し、ディープラーニングで正確な判断を行い、判断結果を制御システムで実行する必要がある非常に複雑なプロセスです。

上記の側面に加えて、ディープラーニングはデータセンターの他のすべての側面にも導入でき、データセンター全体をインテリジェントなデータセンター、つまり自ら考え、管理できる自律型データセンターにすることができます。ディープラーニングはデータセンター内のあらゆる要素に浸透し、データセンター事業の発展を維持するために必要な手段となりつつあります。自律的な運用、消費の削減、予測メンテナンスの実行から継続的なワークロード調整まで。ディープラーニングなしでは、データセンターの安定的かつ継続的な収益性の高い運用を実現することはほぼ不可能です。ディープラーニングにより、データセンター内のよりスマートなインフラストラクチャと関連資産が監視、最適化、運用の改善が可能になります。これには、ストレージ、コンピューティング、ネットワークが含まれます。人工知能の時代が到来し、データセンターも人工知能の重要な実践の場となっています。人工知能の重要な技術の一つであるディープラーニングは、データセンターで必ず活躍するでしょう。