機械学習がデータセンターを進化させる方法

1. はじめに

ビッグデータ革命によりデータセンターが爆発的に増加し、エネルギー消費量はますます増加しています。この記事では、データ センターの効率を向上させる 2 つの標準的なアプローチをレビューし、3 つ目のアプローチである機械学習が優れたソリューションであると主張します。

Skynet、VIKI、HAL 9000 は、機械学習機能を備えた AI の例です。これらは、人間にとって複雑すぎる問題を解決し、ニューラル ネットワークを通じて制御して、効率、安全性、成功率を高めるために作成されます。もちろん、映画には敵役が必要なので、これらの AI の驚異にはダークサイドが与えられますが、このような高度な機械学習は現実に存在し、うまく実装されています。

[[313016]]

データセンターは 2000 年代以降急増しました。大規模な電子商取引サービス データ センターでは、必要なサーバー、ストレージ、ネットワーク機器を導入するために、わずか数台の 19 インチ ラックを使用しています。現在、ハイパースケール データ センターには、数千のラックに数万台のハードウェア デバイスが導入されています。当初は地方オフィスの小さなサーバーとしてスタートしましたが、今ではモノのインターネットと関連するすべてのデータを管理する非常に大規模な施設に成長しました。アメリカ人が使用するデータ、プロセス、接続、ストレージの量は大量の電力を必要とするため、データセンターは主要なエネルギー消費源となります。国内の年間電力使用量の2％を占める業界と政府の専門家は、データセンターからの需要増加を見越して効率改善に取り組んでいる。

現在、この問題には主に 2 つの解決策があります。

• 古いデータセンターを可能な限り効率的にする必要がある
• より効率的で大規模なデータセンターを構築する必要がある

しかし、この問題に対する解決策は示されていません。本当の解決策は機械学習システムを実装することにあります。これらのプロセスを通じて、データセンターのエネルギー消費を削減し、以前よりも効率を高めることが可能になります。現在、機械学習に依存するツールを導入しているデータセンター運営者は、効率性と信頼性の面で初期のメリットを享受していますが、機械学習がデータセンター管理に与える全体的な影響については、まだ表面をなぞっているにすぎません。

人工知能のサブセットである機械学習は、計画と設計、IT ワークロードの管理、稼働時間の確保、コストの管理など、将来のデータセンター運用のあらゆる側面を最適化することが期待されています。 IDC は、2022 年までにデータセンター内の IT 資産の 50% が組み込みの AI 機能により自律的に動作できるようになると予測しています。

2. データセンターのエネルギー消費

大規模なサーバーファームを収容する、目立たない大型コンテナが米国全土に徐々に出現している。データと情報はデジタル形式で保存されるため、スペースが必要になるため、これは世界的な現象です。こうした莫大な節約の結果、私たちは人間の行動パターンや傾向について、より洗練された理解を得ることができました。残念ながら、サーバーにデータを保存するのは図書館のような感じではありません。熱を発生させるには一定の電力が必要であり、その熱を冷却する必要があり、より多くのエネルギーを消費します。

2014 年、米国のデータ センターだけで約 700 億 kWh の電力が使用されました。これを比較すると、1 kWh でスマートフォンを 1 年間充電できることになります。データセンターを 24 時間 365 日稼働させ続けるには、冷却用の大規模な冷却システムを使用し、緊急時に備えて冗長電源を維持するなど、エネルギーが必要です。これは年間約70億ドルのメンテナンス費用に相当し、エネルギーコストはすべての人に影響を与えます。消費者、データベース プロバイダー、環境はすべて、このような膨大なエネルギー消費の影響を感じていますが、エネルギーの利用は減速する兆候を見せていません。したがって、利用とエネルギー効率が適応の主な目標となります。

図1: データセンターの電力消費量（10億kWh/年）

米国には少なくとも 300 万のデータセンターがあり、これは国内の 100 人に 1 人を収容できる数です。データ センターの成長は複雑であり、ほとんどのサーバーと関連機器は 2000 年から 2010 年の間に購入されています。ただし、サーバースペースの使用効率が向上し、大規模データセンターへの依存度が高まるにつれて、統計によれば、ストレージ容量は増加するのではなく、適応していくことが示されています。

3. エネルギー効率、より良い建築計画、機械学習

オフィス サーバーは新しいハイパースケール データ センターよりも効率的であると主張する人もいるかもしれません。あるいは、着工して不必要に廃止する前に、古いオンサイト データ センターを使用します。専用サーバーは所有者によって管理され、交換されるのではなくリサイクルされるというこれらのアイデアには論理的な裏付けがありますが、実際には機能しません。オンサイト サーバーにはデータ センターで必要なすべての機能が必要なため、企業はリモート センターで必要なスペースを使用するのではなく、独自のサーバー ファームに多くの費用を費やします。また、古いデータセンターはエネルギー効率を考慮して構築されていないため、一見新しいデータセンターであっても時代遅れである可能性があります。

図2: データセンターの総電力消費量（10億kWh/年）

米国エネルギー省は、エネルギー効率の大規模な導入を奨励しています。同社の「Better Buildings」プログラムは、企業やデータセンターにエネルギー消費の削減や再生可能エネルギーの利用を呼びかけています。 Google などの大手テクノロジー企業は、機械学習システムを使用してデータセンターのエネルギー消費を削減するというアプローチの先駆者となっています。

4. DeepMind – データセンターと未来のための機械学習

機械学習とは、AI がプログラムされたオプションを通じて応答するのではなく、シナリオから学習して反応できるようにするプロセスです。機械学習システムには履歴データ、パラメータ（ターゲット）が入力され、人間の脳の働きを模倣したニューラル ネットワークを通じて操作されます。これらは、以前のシステムや専門家が効果的に管理するには複雑になりすぎたデータ センターに最適です。データ センターでは毎日 10 億近くのイベントが発生しており、これらのイベントを処理して最大限の実行可能性を実現できるのは直感的なシステムだけです。例えば：

• 機器と機器、人員と人員のやり取りは、各センターや日々のイベントによって異なります。
• 従来のシステムと人員では、内部/外部の小さな環境変化に迅速に適応できず、大きなエネルギー損失が発生します。

Google は、エネルギー使用量を削減するために広く公開したいと考えている汎用システムである DeepMind システムにこれを入力することで、エネルギー効率を 40% 削減し、維持したいと考えています。 Google データセンター チームは、特定の動作シナリオについて DeepMind をトレーニングし、適応パラメータを作成し、温度やポンプ速度などの履歴データを入力し、将来の電力使用効率 (PUE) の目標を設定しました。 PUE は実際には建物のエネルギー消費量と IT のエネルギー消費量の比率であり、エネルギー効率を測定するために使用されます。

Google のデータセンターに導入すると、理解しにくいデータセットを分析し、実行すべきアクションを推奨することで、エネルギー消費を削減することに成功しました。これは、当初 AI に求められていたタスクとそれほどかけ離れているようには思えません。幸いなことに、SFと科学の間には明確な境界線があります。 DeepMind のようなシステムは、人間が把握できない規模でエネルギー消費を削減できるという利点があります。時間が経つにつれて、より多くのシステムが機械学習を実装し、操作性を最大限に高め、人々のコストと、さらに重要な環境を節約できるようになります。

「これがデータセンター管理の未来ですが、まだ初期段階です」と、アップタイム インスティテュートのリサーチ担当副社長、ロンダ アシエルト氏は語ります。クラウド、コロケーション施設、オンプレミス データセンターを含むハイブリッド環境を採用する企業が増え、エッジ サイトも増えるにつれて、よりスマートなデータセンターを構築することがますます重要になります、と IDC のクラウドからエッジへのデータセンター トレンド サービスのリサーチ ディレクター、ジェニファー クック氏は語ります。

5. データセンターにおける機械学習の応用

機械学習とは何でしょうか? 簡単に言うと、機械学習とは、ハードコードされた定義済みのルールに頼るのではなく、例や経験 (つまりデータセット) から学習するアルゴリズムです。言い換えれば、開発者がプロ​​グラムにリンゴとオレンジを区別する方法を指示するのではなく、アルゴリズムがデータによって「トレーニング」され、リンゴとオレンジを区別する方法を自ら学習します。ここでは、今日のデータセンター管理における機械学習の最大の使用例を 5 つ紹介します。

5.1 効率分析

アシエルト氏によると、今日の組織は主に温度を監視し、冷却システムを調整することで、機械学習を利用してエネルギー効率を改善しているという。

たとえば、Google は今年初め、外気温、データセンターの電力負荷、データセンター背後の気圧など 21 の変数を分析して、AI を使ってデータセンターの冷却を自動的に管理および最適化していると発表しました。蒸気を放出するサーバー。グーグルの機械学習アルゴリズムは、冷却ユニットの設定をリアルタイムで自動的かつ継続的に調整し、年間の冷却エネルギー使用量を30％削減すると同社は述べた。

さらに、IT 機器やワークロードの最適な物理的な場所など、データセンターを設計または構成するための最も効率的な方法についての推奨事項も提供できます。

5.2 キャパシティプランニング

機械学習は、IT 組織が需要を予測し、電力、冷却、IT リソース、スペースが不足しないようにするのに役立ちます。たとえば、企業がデータセンターを統合し、アプリケーションとデータを中央データセンターに移行する場合、アルゴリズムは、その移行がその施設の容量にどのような影響を与えるかを判断するのに役立つとアシエルト氏は述べた。

キャパシティ プランニングは、新しいデータ センターを構築する組織にとって重要なサービスであると、DCIM ソフトウェア ベンダーの Nlyte Software の最高戦略責任者である Enzo Greco 氏は述べています。同社は最近、サービスとしてのデータ センター管理 (DMaaS) 製品を開始し、IBM Watson と提携してこれを統合しました。製品に機械学習機能を組み込む。

「データセンターをできるだけ正確にする必要があります。サーバーは何台必要ですか？ 冷却はどれくらい必要ですか？ 必要な冷却はサーバーの数だけあれば十分です」と彼は語った。 「また、どれくらいの電力が必要ですか？ それは冷却とサーバーの容量によって異なります。」

5.3 リスク分析

すべてのユースケースの中で、機械学習を使用したリスク分析は、異常を特定し、ダウンタイムを防ぐのに役立つため、最も重要です。 「この機械は、他の方法では検出されないような異常を検出できる」とアシエルト氏は語った。

たとえば、シュナイダーエレクトリックの DMaaS は、電源管理や冷却システムなどの主要なデータセンター機器からのパフォーマンス データを分析し、障害が発生する可能性が高い時期を予測できます。シュナイダーエレクトリックのデータセンターソリューションアーキテクト担当副社長、ジョー・リール氏は、アルゴリズムが異常を検出すると、システムが顧客に警告を発し、故障する前に機器のトラブルシューティングを行えるようにすると述べた。

5.4 顧客離脱分析

将来、Ascierto 氏は、マネージド サービス プロバイダーが機械学習を使用して顧客をより深く理解し、新しいサービスの購入や追加の可能性から契約の更新、さらには請求書の支払いに至るまでの行動を予測するようになると考えています。これは顧客関係管理の延長であり、チャットボックスを通じた顧客とのやり取りを自動化することも含まれると彼女は述べた。

Maya HTT は顧客の感情を分析しました。デュケット氏によると、現在、このソフトウェアを使用しているデータセンターの顧客はいないが、自然言語処理を通じて、同社のソフトウェアは電子メールや記録されたサポート通話を分析し、将来の顧客行動を予測できるという。

5.5 予算影響分析とモデリング

これにより、データセンターの運用とパフォーマンスのデータが、適用される税金も含めた財務データと混合され、IT 機器の購入と保守にかかるコストが把握できると Ascierto 氏は言う。 「これは、ある冷却システムと別の冷却システムの比較など、機器の総所有コストとライフサイクル全体をモデル化します」と彼女は言いました。

たとえば、Salesforce は 2016 年に、機械学習を使用して IT 機器の総所有コストを個々のサーバー コンポーネントに至るまで分析する Coolan というスタートアップ企業を買収しました。問題は、予算影響分析に機械学習を使用する企業がいつ増えるかということです。一部の民間企業はこれを独自に行うかもしれませんが、財務データがコンピュータ モデルで抽出できる形式ですぐに利用できる必要があるため、これは複雑です。

セキュリティ上の理由から、DMaaS の顧客は財務データを第三者と共有することを望んでいない可能性があります。 「DMaaS サービスの場合、初期の頃は顧客に財務データを共有してもらうのが難しかった」と彼女は言う。

この分野はまだ未成熟ですが、急速に発展しています。 AI システムが完全に稼働するまでには、データ センターの新規スタッフの採用と同様に時間がかかりますが、同様の機械学習ツールが最終的にはデータ センターの運営に役立つようになります。