数据中心基础建设智能管理

1、数据中心基础建设智能管理我想从两个维度来跟大家介绍。第一个维度是数据中心本身是承载软件服务和大数据 的载体。现在各地都在新建大量的数据中心，这是一个维度。第二个维度是数据中心的运维和管理，其实是大数据最 好的应用，就是说我们在存储、数据处理的地方，对这些数 据处理的基础设施，也要进行一些大数据的应用和管理。传统数据中心的挑战从传统的数据中心来讲，我们对业务的分析可能是从业务需求到it需求，一直到我们整个的数据中心的建设需求, 但在虚拟化和云计算的新形势下，我们提供服务的主体已经 发生了巨大的变化。现在大家谈得最多的是iass、paas、 saas,但其实更重要的就是dcaas跟eaas, dc

2、aas （数据中 心即服务），就是数据中心整个提供的支撑和运维的服务，eaas,能源即服务，所以在各地新建数据中心的过程中，即使建设者不知道数据类型、业务需求，但都会从能源抓起， 如需要多少电、多少地、多大的冷冻机组等。在传统的服务当中，数据中心的服务更多关注于设备本 身，比如在机房中应用大量的监控系统。而数据中心是由不 同的异构对象所组成的，这些不同的对象随时都在产生巨大 的数据，因此对这些数据进行分析、挖掘、判断，会直接影 响数据中心的可用性和可管理性，这些可用性和可管理性又 会对数据的服务产生影响，所以说这是一个息息相关的、不 间断的、持续影响的关系。在如此多的数据中心的对象当中，我们要

3、管理和运维的 对象也在不断地变化。大家可以看到对象的主体也在变化。 例如：网络设备、服务器设备是有使用年限的，并且使用寿 命少于设计寿命。那么在整个数据主体不断发生变化的情况 下，如何做到对这些数据和数据的主体有效管理就是个关键 的问题。规模改变运维管理模式规模改变一切，以前我们的一个it运维人员维护的主 体可能就是几十台主机，包括这些主机产生的数据量。但是 现在可能面对的是上千的主机和上万的虚拟机的管理程度， 他所面对的数据压力非常大，在这种情况下我们的管理对 象、要求响应的时间和基础设施的采集，都对我们提出了迫 切地需求，同时在满足这些需求的时候，也在消耗大量的资 源。根据艾默生对全球新建

4、的各个数据中心的估计，数据中 心对能源的利用率基本上只有10%到20%,大部分的设备、 服务器、存储设备以及带宽设备，都处于闲置状态，这些如 果依靠于网络、服务器甚至虚拟化技术的提升，能大幅提高 资源利用率。因此艾默生提出一种新的架构来支持大数据下数据中 心的运维和管理。首先要进行数据采集。通过一些采集设备，对整个it 的基础数据，比如cpu的状况、主机温度、主机跟内存的用 电量等进行收集，然后进行归类和分析，比如说在这些数据 当中，有结构化和非结构化的数据，有静态的数据和动态的 数据等。在此基础上，我们的目的是达到一个自动化的控制和组 织协同。也就是说运行一个几百平米的数据中心需要有10 个

5、人运维，如果变成上万平米的数据中心，运维人员不可能 呈指数级地增长，这时候就需要更多的协同团队、自动化地 控制和实时平台，来解决数据中心的运维难题。另外，在这样的平台下，艾默生提供了新的软件平台架 构trellis,此平台基于整个数据中心综合运维协同平台的 管理概念，它能触碰到数据中心各个物理层面。在整个数据处理方面，由于管理设备数量大幅增加，使 设备产生的数据量以及在某个时间窗产生的告警次数，完全 不同。通过trellis的智能引擎技术和复杂事件的处理技术, 可以把数据在到达数据库之前进行过滤、搜集、整理，把整 个数据处理的规则，下发到通用处理网关里，这样我们就可 以进行一些分布式部署。那么在数据处理完之后，我们会提供关于整个事件驱动 的-些服务，关于