IT服務安全性有很多層次。IT安全層； 防火墻，入侵檢測和訪問控制�；A設施層； 電力，網絡，服務器的健康和冷卻。而且，最重要的是人民層。正確的人員有正確的流程，工具和措施，以確保一切正常。人工智能（AI）將通過放大功能，精簡流程和提高效率，對人們使用的工具和措施產生最大的影響。
人工智能和深度學習將成為解析和分析數據中心內生成的數據山的必要條件，從而更有效地管理服務提供，同時減少中斷等風險。這源于我們最近如何提供應用程序工作負載的轉變。
數據太多？
在過去十年中，我們從大多數單服務器單應用程序轉移到以容器運行的分布式應用程序。這些現在由運行在內部和云端的微型服務提供 - 所有這些都由自動化工具管理�；A設施已成為應用程序的一部分，而其他應用程序已成為基礎設施的一部分。如果您正在使用像Amazon S3或Google Maps這樣的平臺作為您的服務交付的一個組成部分，那么您正在經歷這種轉型。
對數據中心管理造成的影響是顯著的，電力和制冷只是需要定期關注的一小部分。環(huán)境控制，物理設備，虛擬機和公共云都需要全天候進行監(jiān)控和管理，以提高成本和性能。了解何時何地移動特定工作負載變得至關重要。
AI和深度學習將成為解析和分析數據中心內生成的數據山的必需品
企業(yè)今天收集，監(jiān)測和分析數據以確保業(yè)務連續(xù)性的爆發(fā)�？紤]從傳感器，應用，門禁系統，配電單元，UPS，發(fā)電機和太陽能電池板產生的數據。添加到外部數據源，如應用程序漏洞信息，電力費率和天氣預報。需要強大的數據中心基礎架構管理（DCIM）工具來存儲所有這些數據，進行分析并將其轉化為可操作的智能。你可以嘗試劃分一部分，但是變得越來越困難。
AI和深度學習正在成為數據中心和關鍵基礎設施管理的一部分。以下是一些較為顯著的領域：
- 情境意識
主動儀表板具有趨勢，相關性分析和推薦操作。
- 預防性維護
深度學習用于識別和關聯預測電源，存儲或網絡連接故障的數據。這樣，在進行維護的同時，運營商可以動員并主動將工作負載移至更安全的區(qū)域。
- 根本原因分析
機器學習用于跟蹤幾個服務的故障根本原因。這被學習并用于將來的預防性維護。
- 網絡安全和入侵檢測
機器學習和深層神經網絡用于在應用傳感器，訪問控制系統和網絡系統中發(fā)現異常模式，并提供更好的信噪比和主動緩解。學習神經網絡用于不斷提高企業(yè)的安全態(tài)勢和管理相關問題的能力。
- 自動化
“窄AI”配備了各種自動減輕技術，并產生類似于汽車應用制動器的行動，如果它看到即將發(fā)生的碰撞。
深度神經網絡和機器學習算法將隨著時間的推移而改善，從而實現更高的效率和性能，以配合快速增長的應用工作負載 所有這一切都在眼前，毫無疑問，AI將對企業(yè)如何管理數據中心產生巨大的影響。
Rami Jebara
