Mithilfe von künstlicher Intelligenz wird der zukünftige Kapazitätsbedarf von Speicherumgebungen sichtbar und die Anschaffung neuer Hardware kann besser geplant werden. [...]
Pure Storage, Anbieter von All-Flash-Datenplattformen, hat seinen Analytik-Dienst um eine Simulationsfunktion für Hardware-Upgrades ergänzt. Dieser liefert globale prädiktive Intelligenz durch die Erfassung und Analyse von über einer Billion Array-Telemetrie-Datenpunkten pro Tag und ermöglicht dadurch optimiertes Performance-Management.
Der Analytik-Dienst Pure Meta war der erste Vorstoß zum Einsatz ML-basierter Modelle (Maschinelles Lernen), um Unternehmen zu helfen, ihre Speicherumgebung besser zu verstehen und ihnen bei der Planung für die Zukunft zu helfen. Mit einem Workload Planner können die Nutzer sehen, welche Last und Kapazität für einen Monat, drei Monate oder sogar ein Jahr ausreichen wird. Diese Vorhersagen werden herangezogen, um strategische Entscheidungen zu treffen: wie, wann und wie viel Kapazität Anwender zu ihrem FlashArray hinzufügen sollten, wann ihr Controller vollständig ausgelastet sein würde und wann sie ein Controller-Upgrade in Betracht ziehen sollten.
Bislang gab es jedoch keine Möglichkeit, zu simulieren, was das Ergebnis dieser Entscheidungen sein würde. Daher hat Pure Storage nun eine Hardwaresimulationsfunktion im Meta Workload Planner integriert.
Workloads werden auf der gewünschten Hardware simuliert
Ziel ist es dabei, basierend auf unternehmensspezifischen Workload-Annahmen den Investitionsentscheidern zu helfen, fundierte Entscheidungen über Hardwareänderungen in ihrer Umgebung zu treffen. Dazu wird simuliert, wie ihre spezifischen Workloads in der neuen Konfiguration, die sie testen möchten, aussehen würden. Sie müssen dazu nicht mehr in Datenblätter und synthetische Abläufe schauen, um ihren Workload auf verschiedenen Hardwarekapazitäten zu vergleichen. Der jeweilige Workload wird stattdessen einfach auf der gewünschten Hardware simuliert.
Angenommen, es ist ein Array im Einsatz, das im kommenden Monat voraussichtlich eine Auslastung von 95 Prozent erreichen wird. Da das Unternehmen wächst, soll genügend Spielraum gegeben sein. Mit der neuen Hardware-Simulationsfunktion lassen sich alle möglichen Upgrade-Optionen simulieren, die zusammen mit der projizierten Last für jede Option bestehen. In diesem Fall wird die projizierte Last für den nächsten Monat auf 87 Prozent erhöht, was nicht viel Spielraum für Wachstum gibt. Wenn erwartet wird, dass der Workload, der auf diesem Array ausgeführt wird, stärker wächst, lässt sich dies mit einem Upgrade auf ein neues Array planen, der eine projizierte Auslastung von 62 Prozent und damit viel Spielraum für die Erweiterung bietet.
Auf diese Weise kann eine ähnliche Analyse für die Kapazität durchgeführt werden. Angenommen, es ist ein Array im Einsatz, das in den nächsten zehn Wochen voraussichtlich 100 Prozent Auslastung erreichen wird: In der Hardwareansicht ist die Kapazität visuell dargestellt, die derzeit im Array installiert ist. Ebenso angezeigt werden potenzielle leere Slots (und Erweiterungsslots), die dem System hinzugefügt werden könnten. Benutzer können auf einen der verfügbaren Steckplätze klicken und eine Datenpaketgröße auswählen, die sie hinzufügen möchten, und zu simulieren, was mit der Zeit bis zu 100 Prozent Auslastung passieren würde. So ist ersichtlich, dass das Hinzufügen eines 5-TB-Datenpakets die Zeit bis zur 100-Prozent-Auslastung von zehn Wochen auf bis zu vier Monate verändern würde, während das Hinzufügen eines 20-TB-Datenpakets dem Kunden einen Zeitraum von mehr als einem Jahr verschaffen würde, bis das Array voll ist.
Bessere Vorhersagemodelle für genauere Planung
Pure Storage hat daran gearbeitet, seine Modelle bei der Vorhersage von Lasten spürbar zu verbessern. So wurden Systeme auf Basis von verteilten Plattformen wie Apache Spark entwickelt, die deutlich mehr historische Daten verarbeiten können, was wiederum hilft, mehr über die genutzten FlashArray-Systeme zu erfahren. Pure Storage hat Modelle entwickelt, um zu verstehen, wie sich die Last zwischen verschiedenen Modellen von FlashArrays ändert. Und die Entwickler haben auch die Zeitreihenanalysen, die die Muster eines Kunden-Workloads erfassen und in die Zukunft projizieren, deutlich verbessert. Dadurch sind Entscheider von IT-Investitionen ab sofort in der Lage, sich einen umfassenden Einblick in ihre Speicherumgebung zu verschaffen. Sie haben dabei die Gewissheit, dass die Zahlen auf aussagekräftigen Modellen des maschinellen Lernens beruhen, sodass sie genauer planen und ihre Speicherumgebung rechtzeitig bedarfsgerecht anpassen können.
Be the first to comment