IDC运维管理的数字化驱动变革之路 _生活百科

IDC运维管理的数字化驱动变革之路
近期行业大会也好，线下交流也罢；大数据，人工智能，物联网，5G，液冷，GPU，边缘计算成为行业大咖和同行交流的热点。如何利用先进的思想来更好的提升运维管理和数据中心整体运营水平呢？今天借助行业的其他文章内容来谈谈纵向落地或是垂直衍生应用的几个认知，由于涉及陌生知识领域，部分理解并不精准，但是道理却是相通的，同期运维管理的传统理念也会随着计算的进步和更新而发生日新月异的变化。
首先来认识下：迁移学习与机器学习
摘引：什么是迁移学习?
在机器学习经典的监督学习场景中，如果我们需要在域A中训练一个模型去完成某些任务，我们会假设我们已经拥有了与这个域以及任务相对应的标记数据集。
迁移学习是我们能够利用相关任务或域的数据来解决当前场景下的问题，我们可以将从设定的源域中获取的知识应用于我们感兴趣的目标域。
数据中心而言，迁移学习的理解可以给运维管理人员带来融合的启发，比如电气专业工程师如何利用自己的模型去在数据中心这个域内，快速完成或是获取暖通方面的知识，并应对数据中心暖通领域的相关问题？这个模型我们可以尝试数据的不同，知识形式的不同，但是转化/迁移的模式却是固定的，从而达到快速掌握和理解新知识的方式和目的。
例如：系统级别

文章插图
电气专业暖通专业名称功能名称功能高压开关柜10kv电路分配冷却塔室外热交换装置变压器电压等级转化冷却/冷冻水泵水力驱动设备低压配电柜0.4kv电路分配冷水主机冷元转化ups不间断电源不间断供电设备板式换热器热量交换装置电池储能装置末端精密空调环境恒温柴油发电机应急发电装置加湿器环境恒湿电气工程师的思维模型：

文章插图
模型描述：
10kv电网能量到达园区数据中心配电房进行一级分配，经过电缆输送到变压器，低压配电柜，ups电源，负载设备消耗能源，整个认知模型为能源的分配利用。暖通的理解为室内it设备产生的大量热量，精密空调进行热量一次交换，管路输送热量，水泵提供动力，经过冷水主机消耗电能，将低温热源搬运给高温热源，管理输送到冷却塔，冷却塔与高温热源进行交换热量，将室内热量源源不断搬运出去。
细心的读者对上述模型的描述都会提出异议，原因在于模型的匹配度差异，在所有的机器学习和迁移学习中，模型的匹配和训练是一个必要的过程，机器学习在工业领域的同类设备中的使用和成功主要是监督学习的优化实现的；在深度学习、功能更强大的计算工具和大量标记数据集的推动下，运维专业工程师可以采用参数化，数据化的方式来训练自己的认知模型。
例如：
电气系统的电缆性能参数vs制冷系统的管路性能参数；
电气电缆中关于阻抗，感抗，线缆线制，容抗等对系统的运行影响；制冷管路中关于压力差，沿程阻力，水头等对系统的运行影响；
对于很多其他场景中依赖于实物或者硬件进行交互的机器学习应用来说，在数据中心长期运维管理中收集数据和训练模型不是很昂贵。专业工程师如何通过长期的工作，以及在自有知识体系架构下，快速学习掌握另一种专业知识，让自己成长为复合型人才？机器都开始不断学习提升了，运维的同事也要更上一层楼，打造复合型人才知识体系。
其次：深度学习的出现带来了一系列新的学习方法–卷积神经网络