Storage-AIOps: Wettbewerbsvorteil durch Künstliche Intelligenz

Smartere Systeme notwendig

Die Antwort auf immer komplexere Bedingungen und Fragestellungen im täglichen Betrieb liegt in leistungsstarker Technologie, genauer in Künstlicher Intelligenz (KI). Mit ihr sind nicht nur von den Administratoren initiierte Systemanalysen möglich, die KI nimmt diese vielmehr selbst vor. Bei der Bedarfsplanung von Storage-Kapazität beispielsweise dient AIOps (Artificial Intelligence Operations) dazu, schlüssige Modelle zu erstellen. Hierzu greift es auf eine Kombination aus Big-Data-Analyse und maschinellem Lernen zurück, die Erfahrungswerte zur Prognose nutzt.

Flexible Ressourcenplanung

Da der Bedarf für die Ressourcenplanung nicht mehr, wie bisher, linear steigt, bildet AIOps den nächsten wichtigen Schritt. Konnten Verantwortliche in der Vergangenheit von einem konstanten Anstieg der Nachfrage ausgehen, haben sie es heute bereits mit viel flexibleren Nachfragemustern zu tun. Projektweise anfallende Datenmengen können wieder wegfallen beziehungsweise gelöscht werden, wenn das Projekt beendet ist. Ein gutes Beispiel für derlei schwankende Datenmengen sind Internet-of-Things-Projekte.

Hierbei können massenweise Sensordaten und entsprechende Resultate generiert werden, die nach Projektende nicht mehr relevant sind und auch nicht aufgrund gesetzlicher Bestimmungen gespeichert werden müssen. Eine KI kann nicht nur einfache Schlussfolgerungen, aufgrund von simplen Statusänderungen, ziehen und entsprechende Empfehlungen formulieren, denn sie kann vielmehr auch die Mechanismen erkennen, die der Entwicklung zugrunde liegen. Die KI versteht diese sozusagen und erstellt auf Basis dessen Analysen und Berichte, die wiederum zu einer wesentlich besseren Ressourcenplanung führen.

AIOps sichert zuverlässigen Storage-Betrieb

Doch AIOps ist nicht nur zur Planung des erforderlichen künftigen Speicherbedarfs gut. Es kann auch dafür sorgen, Storage-Systeme stabil und performant laufen zu lassen. Im Rahmen der vorausschauenden Instandhaltung (Predictive Maintenance), kann es auf nötige Korrekturen und Eingriffe hinweisen, bevor Probleme die Abläufe spürbar beeinflussen. Dem Ganzen liegt der Gedanke zugrunde, Probleme nicht erst nach ihrem Entstehen zu entdecken und zu beheben: Vielmehr soll die Wahrscheinlichkeit für das Entstehen von Ausfällen oder sinkender Performance vorausgesehen werden. Dadurch sichert AIOps die Zuverlässigkeit des gesamten Systems und einen unterbrechungsfreien Betrieb der Storage-Einheiten.

Konkret nutzt AIOps bereits bestehende Erfahrungswerte, um mangelnde Storage-Kapazität oder Störungen im Voraus zu erkennen. Die KI analysiert diese Werte und definiert einen Satz Regeln, welchen sie zur Voraussage nutzt. Dabei ist sie flexibel genug, um auch Szenarien vorherzusehen, die nicht strikt den Erfahrungswerten entsprechen, sondern lediglich signifikant ähnliche Muster aufweisen. Dies ist ein entscheidender Unterschied zu bisher bekannten Analyse- und Vorhersagesystemen, deren Regeln von Entwicklern strikt vorgegeben sind. Die Systeme konnten daher lediglich jene Fälle erkennen, die exakt diesen Regeln entsprachen.

Flexible Storage-Nutzung

AIOps ist ein großer Schritt für die Storage-Branche, denn herkömmliche Methoden der Kapazitätsplanung und Problembehebung stoßen schon lange an ihre Grenzen. Daher entwickeln sich Speicherlösungen, wie etwa die InfiniBox Storage, mit dem Bedarf des Anwenders. Der Kunde erhält dadurch ein System, dessen Kapazität weitaus höher ist, als die aktuell benötigte. Dabei bezahlt er jedoch nur den tatsächlich genutzten Speicherplatz. Wachsen die Bedürfnisse, so können Schritt für Schritt zusätzliche Kapazitäten freigeschaltet werden.

Dieses Prinzip funktionierte auch in die entgegengesetzte Richtung: Bei nachlassender Nachfrage verringert sich die verfügbare Speicherkapazität und damit sinken auch die Storage-Nutzungskosten. Unternehmen bleiben dadurch jederzeit flexibel und vermeiden eine Überbezahlung. Sollte der Bedarf die Kapazität der Installation überschreitet, kommt einfach ein weiteres Speichermodul hinzu und dieser „Pay-as-you-grow“-Mechanismus wiederholt sich.

Systeme bereits „vorgelernt“

Um die KI in den Storage-Einheiten von Anfang an bereits zu einer möglichst guten Leistung zu befähigen, hat sich Infinidat bei dem AIOps-Ansatz dazu entschlossen, neu ausgelieferten Systemen historische anonymisierte Daten aus vielen bereits bestehenden und im Betrieb befindlichen Installationen mitzuliefern. Dadurch wird die Lernkurve erheblich verkürzt. Einmal im Einsatz, sucht die KI sofort nach einem bekannten Nutzungsmuster, das möglichst gut zu dem neuen System passt.

„AIOps ist ein großer Schritt für die Storage-Branche, denn herkömmliche Methoden der Kapazitätsplanung und Problembehebung stoßen schon lange an ihre Grenzen.“

Eran Brown, Infinidat

Dabei konkurrieren mehrere Algorithmen miteinander darum, den gegenwärtigen Zustand des Systems am besten aus einem der historischen Datensätze abzuleiten. Die passendste Ableitung nutzt das System sodann für die erste Prognoseerstellung. Durch die periodische Wiederholung dieses Prozesses wird der Algorithmus ständig angepasst, auf Grundlage der tatsächlichen Betriebsdaten.

KI wird wettbewerbsentscheidend

Der Betrieb von Storage-Lösungen wird durch immer komplexeren Umstände geprägt. Dies hat zur Folge, dass künftig nicht mehr auf den Einsatz künstlicher Intelligenz verzichtet werden kann. Auf dem Storage-Markt setzten sich daher jene Lösungen durch, die dem Anwender die Flexibilität und die Sicherheit bieten, die dieser benötigt, um auf den zunehmend wettbewerbsintensiven Märkten zu bestehen.

Über den Autor:
Eran Brown ist CTO EMEA bei Infinidat.

Die Autoren sind für den Inhalt und die Richtigkeit ihrer Beiträge selbst verantwortlich. Die dargelegten Meinungen geben die Ansichten der Autoren wieder.