如今，大多数的数据中心冷却和电源的容量都已经过度配置，这并不是什么秘密，通常所部署冷却容量比必要的冷却容量要高出三倍。
而根据调研机构Gartner公司的调查，数据中心40％的冷却成本被浪费。谷歌公司表示，采用人工智能技术大约可以节省35％的冷却成本。而相关机构的测试表明，根据天气模式、外部空气温度、外部空气湿度，以及根据冷却类型的不同，可节省25%-40％的冷却成本。
法国电信公司位于巴黎郊外的Illiad数据中心的冷却泵。数据中心主要依靠机房空间制冷，但一年中约有30％的时间使用自然冷却
大多数建设和运营数据中心的公司都不会像行业巨头那样具备建设高效数据中心所需的预算和专业知识，因此一家名为AdeptDC的创业公司希望为用户提供一个基于软件的智能数据中心冷却管理系统。这款智能管理系统采用CPU温度测量等诊断信息，无需在数据中心安装额外的传感器，并可以节省时间和成本，并减少复杂性。该公司称，这个系统适用于采用任何硬件和任何类型的冷却系统，可以收集整个工作周期的信息。这个基于机器学习的热管理系统为用户的冷却设备设置点的实时更改提供建议，就像数据中心的智能恒温器一样。
AdeptDC公司总部位于加利福尼亚州的圣克拉拉，该公司的产品已经在物流巨头UPS公司，乔治亚理工学院，以及艾睿电子进行试点部署。
AdeptDC公司首席执行官Rajat Ghosh表示，"大的问题是冷却和散热之间没有一对一的对应关系。虽然改变了HVAC设定点，但这并不能保证有相应的改变。这是由于机房具有气流和散热问题的复杂性。"
他解释说，"IT工作负载的变化速度可能比冷却系统更快可以做出反应，因此很难预测环境的变化，IT基础设施流程变化非常快，但空气冷却相对迟缓。"
他说，"即使两个配置相同数据中心的冷却系统中也不会得到类似的响应。机房中的气流通常是湍流，并且是非确定性的。如果在某一天对设定点的气流进行设定，却无法保证第二天能获得相同的气流。由于数据中心管理人员并不真正了解冷却系统在不断变化的条件下的表现，因此数据中心在设计之初只能实施多层冗余，以确保为任何事情做好准备。"
AdeptDC冷却管理系统的界面截图
AdeptDC冷却管理系统冷却管理系统主要用于风险管理。从这个角度来看，AdeptDC公司使用机器学习来改善数据中心工作人员管理风险的方式，并为机房环境中正在发生的事情绘制更清晰的图像，最终帮助他们避免过度配置冷却设施。
这款软件可以根据数据中心基础设施中的热源来确定需要什么样的冷却。"CPU温度是消除产生的废热所需的最佳冷却指标，"Gosh说。如果企业的工作负载使用GPU，这个系统也可以读取GPU温度（许多机器学习工作负载都需要密集的GPU集群进行培训，这种类型的处理器在越来越多的数据中心得到推广和应用）。
数据中心管理人员通常并不是冷却散热设计和气流管理方面的专家，采用机器学习可以很好地处理热管理复杂性和大量数据的问题。Gosh说，"这就是我们推出人工智能解决方案的原因，这个方案可以实时处理数据，并为冷却系统提供非常精细和低延迟的设定点建议。它就像一个数字热敏助手。"
AdeptDC公司提供的这个系统可以帮助数据中心管理人员解决一些不太复杂的问题，例如提供更好的可见性。该工具还可以帮助用户提供按需扩展冷却能力。"如果数据中心的工作负载、布局或设备发生变化，那么很容易使冷却系统适应不断变化的环境。"Ghosh说。
智能散热技术在边缘数据中心尤其重要，这些边缘数据中心对运行的环境可能要求更高，可能是无人管理，并且需要通过自动化设施远程管理，或者没有足够的电力来运行更多冷却设备。使用软件管理而不采用传感器，可以简化边缘数据中心在偏远地区的安装和部署，并且不必公开这些位置。"如今，许多企业都很关注边缘数据中心的物理安全问题。"Ghosh说道。
AdeptDC的工具截图
由于冷却设备的能耗占据数据中心的大部分能耗，因此企业需要了解其成本费用。那些试图引入按需定价和收费模式的组织可以使用AdeptDC来了解哪些工作负载有助于降低冷却成本，并对其业务预算重新分配。即使没有获得具体的信息，组织也可以更好地了解数据中心的能源效率，而不仅仅是通过PUE值来衡量。
Ghosh表示，"PUE值的描述并不十分准确，因为数据中心的能耗除了电源和冷却设施之旬，还有很多重要的组成部分。组织应该了解投入了多少费用，以及从投资中获得了多少运营收益，然后将它变成投资回报等商业指标。"
关联阅读：
苹果与爱尔兰政府联合上诉欧盟 欧盟表示将于下半年审理上诉案件
世纪互联联席CEO张振清辞职 看我国联席模式下的企业发展如何
【中国IDC圈原创 未经授权禁止转载】
热门专题
