数据中心热优化，AI管理比想象的更接近_IDC运维管理

尽管运维人员付出了大的努力，但即使是运行良好的数据中心仍然存在冷却和热管理问题。由于冷却设备的运行成本约占数据中心运营成本的30％，因此组织比以往更加重视数据中心的热优化。

然而，为了实现真正的冷却优化，数据中心技术有必要进一步发展，并更加细化。当使用适当的热数据来映射数据大厅时，可以实现全新的理解和冷却效率。这必然意味着对温度和冷却负荷进行更积极的监测和报告——好是实时的。

美国采暖、制冷与空调工程师学会（ASHRAE）建议每个机架部署三个以上的温度传感器。不过，如今的数据中心仍然很少能够达到这样的感知水平。在分析了70多个主要数据中心之后，调查人员发现这些数据中心中11％的机架实际上并不符合ASHRAE的传感标准。这是一个问题，因为如果没有全面的感知，运维人员实际上无法确定哪些关键业务机架符合哪些要求。

实现全新级别的数据中心热兼容性

为了解决这个问题，组织需要弄清楚如何构建其数据中心区域的机架级地图，以实时显示其所有冷却和散热性能。只有将这种粒度冷却和热量数据与智能监控和分析软件相结合，企业才能开始实时跟踪其数据中心冷却负载——这是一种可以做出热优化决策的智能技术。

要实现这种真正的热优化，需要一个经过验证的安全流程，该流程基于数千个实时传感器和空间模型，这些模型结合起来消除了数据中心冷却的不确定性。由于目前传感器的价格较高，其广泛的应用面临一些障碍，但是这些物联网（IoT）传感器的成本还不到传统冷却系统成本的20％。

通过将传感器的安装与最新3D可视化和监控软件的实时优化功能相结合，用户现在不仅可以确保整个数据中心的ASHRAE合规性，还可以使冷却系统更加节能。

数据中心在冷却方面的成本仍然花费太多

由于典型的冷却系统利用率仅为34％，其支出仍远高于组织所需的水平。为了解决这一问题，数据中心的运营数据需要更加精确。

只有当数据大厅与适当的数据进行映射时，才能实现更高的效率。为了做到这一点，传统数据中心可能需要1000多个传感器，从而能够测量一系列先前未知的因素，其中包括能耗、热量输出和气流，而这些正是组织向下一代数据中心人工智能应用发展的信息。

提供真正的冷却优化

一旦通过3D空间模型收集和分析这些实时的机架级数据，专业软件就可以开始确定需要采取哪些措施来提高冷却质量，甚至警告特定区域的运营人员处于危险之中。

通过访问实时机架级数据，可以准确提供数据平台所需软件支持的实时决策和场景规划能力，数据中心需要这些能力，以实现真正的冷却优化，这样可以有效地消除数据中心冷却的不确定性，并确保所有机架保持ASHRAE热兼容性。

合乎逻辑的下一步是将实时传感器与智能软件相结合，提供深入的动态模拟图像，以便可视化数据中心内的热量变化。

这是走向真正的人工智能管理的精密数据中心的一个重要步骤，将为建立智能反馈回路提供基础，可以将气流数据分析为“影响区”模块，当与标准建筑管理系统（BMS）结合时，能够实现逐个区域数据中心冷却的自动化过程。在此之后，添加更多的情景分析，可以使用监控数据来学习和预测数据中心的性能。