Fortschritte in der KI und im maschinellen Lernen führen zu intelligenten Tools für das IT-Management. Der damit aufkommende Trend ist AIOps – der KI-Einsatz für den IT-Betrieb.
Künstliche Intelligenz (KI) und maschinelles Lernen wirken sich massiv auf die Entwicklung der IT-Infrastrukturen aus. Das liegt nicht nur an der wachsenden Zahl an Aufgaben mit KI und maschinellem Lernen, sondern auch an neuartigen Management-Tools, die sich inzwischen etabliert haben, um die Lösungen für KI und maschinelles Lernen zu integrieren. Gerade unternehmenskritische Anwendungen und die zugehörigen Systeme sollen damit besser gesteuert werden.
Angesichts dieser starken Entwicklung hin zu KI und maschinellem Lernen verwundert es nicht, dass jetzt die hyperkonvergente Infrastrukturen (HCI) betroffen sind. Die Anbieter von hyperkonvergenten Infrastrukturen entwickeln robustere Systeme, die Unternehmen besser in ihre gesamte IT-Umgebung integrieren können.
Unterstützung von KI-Workloads
Im Grunde genommen ist die KI die Simulation der menschlichen Intelligenz auf Maschinen – insbesondere an Computersystemen – durch regelbasierte Verfahren zur Analyse von Daten und zum Ziehen von ungefähren oder endgültigen Schlussfolgerungen. Die KI umfasst auch selbstkorrigierende Mechanismen, um ihre Analytik kontinuierlich zu verfeinern, wenn weitere Daten zur Verfügung stehen.
Das Feld der KI umfasst eine ganze Reihe an Disziplinen, darunter das maschinelle Lernen. Maschinelles Lernen ist eine softwarespezifische Form der KI, mit der Anwendungen Ergebnisse vorherzusagen können, ohne dass eine explizite Programmierung erforderlich ist. Im Kern ist maschinelles Lernen eine Reihe intelligenter Algorithmen, die statistische Analysen von Daten durchführen und nach Mustern suchen, die zur Vorhersage von Ergebnissen und zum Ergreifen von Maßnahmen verwendet werden können.
Die Workloads, die nur durch KI und maschinelles Lernen bewältigen werden können, beanspruchen mehr Rechen- und Speicherressourcen als je zuvor. Daher müssen sich die IT-Teams um KI-kompatible Ressourcen bemühen, mit denen die nötige Performance erreicht wird. Deshalb haben in letzter Zeit viele Anbieter hyperkonvergenter Infrastrukturen ihre Lösungen aufgefrischt. Die überarbeiteten und neuen Lösungen integrieren Hard- und Softwarekomponenten, um die Anwendungen mit KI und maschinellem Lernen zu bewältigen. Oft geht es dabei um die Verarbeitung großer Datenmengen in Echtzeit oder Beinahe-Echtzeit.
Spezifische Workloads für KI und Machine-Learning beanspruchen für sich mehr Rechen- und Speicher-Leistung als je zuvor.
Dell EMC hat für diese Aufgaben zum Beispiel neue VxRail-Appliances entwickelt. Diese basieren auf PowerEdge-Servern der 14. Generation und unterstützen neben 25 Gbit/s-Konnektivität und NVMe-Flash-Laufwerken auch speicherstarke CPUs und NVIDIA P40-GPUs. Laut Dell wurden die neuesten HCI-Geräte für die heutigen geschäftskritischen Workloads entwickelt. Sie sollen die bisherige Dell EMC vXRail G-Serie deutlich übertreffen, indem mehr Rechenleistung und Speicher zur Verfügung stehen. Gleichzeitig mehr IOPS und schnellere Reaktionszeiten bereitgestellt wurden, die für KI-Workloads unerlässlich sind.
Dell ist nicht allein unter den Anbietern von hyperkonvergenter Infrastruktur. Hewlett Packard Enterprise (HPE) hat seine SimpliVity HCI-Serie aktualisiert, um schwankende, ressourcenintensive Workloads wie KI und Machine Learning zu unterstützen. So sind SimpliVity-Systeme jetzt beispielsweise mit Composable Fabric von HPE erhältlich, einem softwaredefinierten Netzwerksystem, das in den HCI-Stack integriert ist. Composable Fabric automatisiert routinemäßige Netzwerkmanagementaufgaben, wie zum Beispiel die Bereitstellung der Netzwerkstruktur als Reaktion auf Echtzeit-Compute- und Speicherereignisse. Es kann auch automatisch hyperkonvergente Knoten, virtuelle Controller und virtuelle Maschinen erkennen.
Cisco kündigt unterdessen die Veröffentlichung von Cisco HyperFlex 3.5 als KI-freundliche HCI-Umgebung an, mit Unterstützung für Nvidias modernste Rechenzentrum-GPU Tesla V100. Darüber hinaus können die Cisco-Systeme über reine Rechenknoten mit GPUs skaliert werden, um die Anforderungen an die KI-Arbeitslast besser zu erfüllen. Die HyperFlex-Systeme beinhalten auch den FlexVolume-Treiber, um persistente Volumes für Kubernetes-Container bereitzustellen, was die Bereitstellung, Verwaltung und Skalierung von Containern, die AI-Anwendungen unterstützen, vereinfacht.
Ein weiteres Beispiel unter den Anbietern hyperkonvergenter Infrastruktur, die KI und maschinelles Lernen unterstützen, sind IBM und Nutanix. Sie haben sich zusammengeschlossen, um ein HCI-System für Unternehmen bereitzustellen, die die Implementierung von Private Clouds zur Unterstützung von KI- und Maschinenanwendungen sowie anderer unternehmenskritischer Workloads planen. Die HCI-Plattform baut auf Nutanix AHV-Virtualisierung auf, die auf der Acropolis HCI-Plattform und dem Hypervisor des Anbieters basiert.
KI auf HCI übertragen
Neben der besseren Unterstützung von KI- und maschinellen Lernprozessen profitieren HCI-Systeme selbst von KI-Technologien. Die KI unterstützt HCI-Plattformen bei der Verwaltung von Systemen und Workloads sowie bei der Automatisierung alltäglicher Aufgaben. Darüber hinaus führen die Fortschritte in der KI und im maschinellen Lernen zu intelligenteren Datenwerkzeugen für die Arbeit in der gesamten IT-Infrastruktur, ein Trend, der als KI für den IT-Betrieb (AIOps – Artificial Intelligence for IT Operations) bekannt ist.
AIOps umfasst maschinelles Lernen, andere KI-Technologien sowie Big-Data-Analytics zum Rationalisieren administrativer Abläufe und zum Optimieren des Workload-Managements. Insbesondere bei der Optimierung der Nutzung von IT-Ressourcen können KI-Verfahren helfen. AIOps verfolgt einen ganzheitlichen Ansatz für das Rechenzentrumsmanagement. Dieser erstreckt sich über die gesamte Umgebung und analysiert Daten, die sowohl von HCI- als auch von Nicht-HCI-Datenpunkten gesammelt wurden. Die KI-Verfahren erkennen Muster, spüren Anomalien auf und sagen Ergebnisse vorher.
Im Idealfall behandelt AIOps HCI-Umgebungen wie jede andere Ressource, ob virtualisiert oder auf physischen Maschinen, und ermöglicht so die Zuordnung von Workloads zu den am besten geeigneten Rechen-, Speicher- und Netzwerkressourcen. AIOps hilft auch bei der Lösung von Problemen, die sich aus isolierten IT-Ressourcen wie zum Beispiel einzelnen HCI-Systemen ergeben.
Abbildung 1: Prozessablauf von AIOps
Eine HCI-Appliance kann typischerweise eine umfassende Software zur Verwaltung des Systems selbst sein, aber die sinnvolle Verbindung dieses Systems mit anderen Systemen ist viel schwieriger, insbesondere mit traditionellen IT-Tools. AIOps adressiert dieses Problem, indem es die gesammelten Daten aus allen Systemen koordiniert, unabhängig davon, ob es sich um mehrere HCI-Geräte, virtuelle Server, Speicherknoten oder eine beliebige Anzahl anderer Systeme handelt.
Mit Hilfe sogenannter prädiktiver Analysen kann AIOps bei der Rationalisierung von Kapazitätsplanung und Ressourcenzuweisung helfen. Gleichzeitig kann AIOps genauere und schnellere Informationen über die HCI liefern. Auch generelle Aufgaben des ITSM wie die Automatisierung von Routineprozessen und Wartungsarbeiten sowie die Reaktion auf Systemausfälle, Sicherheitsvorfälle und andere Probleme kann AIOps unterstützen.
Die Lösung FixStream AIOps integriert zum Beispiel Nutanix HCI-Systeme in seine Überwachungs- und Analysefunktionen. Für diese bietet die Software Funktionen zur Automatisierung der Ressourcenerkennung, Inventarisierung in nahezu Echtzeit, dynamischen Generierung von Reports und zum Erkennen, wie Anwendungen in eine und aus einer HCI-Umgebung fließen.
Trotz all dem ist AIOps noch eine relativ junge Technologie, deren Wirkung in den Anwenderunternehmen noch nicht voll zum Tragen kommt. Die meisten Anwender verlassen sich nach wie vor auf traditionelle Tools zur Verwaltung unterschiedlicher Ressourcen einschließlich der HCI-Umgebungen. Mit jeder Verbesserung der KI-Technologien für das IT-Management werden die Auswirkungen von AIOps auf die IT-Infrastruktur stärker zu spüren sein.
In der Zwischenzeit laufen auch Bemühungen mit weniger hohen Zielen als AIOps. Die Anbieter beginnen mit Management-Tools mit KI-Technologien. Einige dieser Tools verwenden KI zur Verbesserung einzelner Vorgänge wie zum Beispiel das Optimieren der physischen Ressourcen, die Aufteilung von Lasten auf die verfügbaren Speicherknoten, die Verlagerung von Daten aus HCI-Umgebungen in sekundären Storage oder die Verfolgung personenbezogener Daten in HCI-Clustern zur Einhaltung von Vorschriften.
Die grenzenlose Welt der KI
Mit der Größe und Menge der KI-Workloads haben sich auch die HCI-Systeme ständig weiterentwickelt und vergrößert. Anbieter hyperkonvergierter Infrastrukturen verbessern ihre Produkte, um geschäftskritische Anwendungen besser zu unterstützen. AIOps und KI-basierte Tools zur Optimierung und Verwaltung von Infrastrukturen haben hingegen noch einen langen Weg vor sich.
Die KI beginnt dennoch, erhebliche Fortschritte im IT-Management zu machen und verspricht, sowohl HCI- als auch Nicht-HCI-Ressourcen besser zu verwalten. Dies wird die Ressourcen- und Workload-Verwaltung effizienter gestalten und auch die Attraktivität von HCI-Systemen erhöhen. Das kommt vor allem daher, dass alle Ressourcen über die gesamte IT-Infrastruktur hinweg als Komponenten eines einheitlichen Systems betrachtet werden. Dadurch werden Workloads effizienter und sicherer verteilt und die vorhandenen Ressourcen besser genutzt.
