Lernen aus den Daten anderer

Dennoch gilt: Althergebrachte DCIM-Lösungen haben im Hinblick auf Effizienzoptimierungen längst das Ende der Fahnenstange erreicht, glauben die Analysten vom Uptime Institute. Deshalb müssten Rechenzentrumsbetreiber auch immer tiefer in die Trickkiste greifen, um hier noch etwas herauszuholen.

Nicht zuletzt Konzepte wie KI-gestütztes DMaaS (Data Center Management as a Service) versprechen Abhilfe. Bei einem DMaaS handelt es sich um einen Cloud-Dienst zur Fernüberwachung aggregierter Sensordaten aus mehreren Data-Centern mit Hilfe von Techniken der Künstlichen Intelligenz. Doch der erfolgreiche Einsatz von KI setzt auch in diesem Fall hinreichend abwechslungsreiche und zuverlässige Trainingsdaten voraus.

Hyperscalern wie Google oder Facebook fehlt es nicht an solchen Sensordaten. So hat beispielsweise Google ein künstliches neuronales Netzwerk entwickelt, mit dem der Cloud-Riese die erforderliche Kühlleistung um bis zu 40 Prozent und den Gesamtenergieverbrauch um 15 Prozent reduzieren konnte. Eine verbesserte, vollständig automatisierte Variante des KI-Systems soll den Energiebedarf eines Rechenzen­trums sogar um bis zu 30 Prozent senken. Auch bei seinen Windparks spart Google dank KI kräftig: „Maschinelles Lernen hat die Effizienz unserer Windenergie bis heute gegenüber dem Basisszenario um rund 20 Prozent erhöht“, freut sich Google-Geschäftsführer Sundar Pichai.

Kleinere Rechenzentren können von solchen autarken KI-Systemen bisher jedoch nur träumen. Sogar dort, wo Echtzeitdaten vorhanden sind, liegen in der Regel nicht genügend  viele Konfigurationsvarianten vor, um ein Deep Learning und damit weitreichende Optimierungen zu ermöglichen.

Das Problem: Im traditionellen DCIM-Modell läuft die Management-Software lokal am jeweiligen Rechenzentrums­standort und sieht in der Regel keinerlei Möglichkeiten einer standortübergreifenden Synchronisierung vor. Die Erkenntnisse lassen sich aus diesem Grund weder direkt auf andere Rechenzentren übertragen noch lassen sich die Benchmarks verschiedener Betriebsumgebungen sinnvoll miteinander vergleichen.

Hier schafft das erwähnte DMaaS vielerorts Abhilfe. Es ermöglicht maschinelles Lernen durch die Verarbeitung großer Datenmengen. Nur so sind die erzielbaren Resultate selbstlernender Algorithmen statistisch aussagekräftig. Je mehr Daten aus verschiedenen Arten von Rechenzentren in die Analyse einfließen, desto intelligenter wird das DMaaS-System.

EcoStruxure IT beispielsweise, der DMaaS-Dienst von Schneider Electric, verarbeitet Messwerte aus den Rechenzentren von mehr als 500 Kunden mit 2,2 Millionen Sensoren. Eine große Vielfalt an unterschiedlichen Betriebsumgebungen erlaubt es dem Dienst, sinnvolle Handlungsempfehlungen zu geben.

Die Hauptaufgabe eines DMaaS-Dienstes bestehe darin, „Infrastrukturausfälle und andere unliebsame Ereignisse vorherzusagen und zu verhindern sowie Ineffizienzen oder Kapazitätsengpässe zu erkennen“, erläutert Rhonda Ascierto, Vizepräsidentin für Forschung beim Uptime Institute und Forschungsdirektorin für Rechenzentren und kritische Infrastrukturen bei 451 Research.

„Basierend auf anderen Maschinen, die in ähnlichen Umgebungen mit ähnlicher Auslastung, ähnlichem Alter und ähnlichen Komponenten arbeiten, kann die KI voraussagen, dass dies oder jenes schiefgehen wird“, erklärt Rhonda Ascierto. DCIM als Cloud-Service könne das Risiko von Rechenzentrumsausfällen verringern und gleichzeitig neue Effizienzsteigerungen, bessere Kapazitätsprognosen und eine verbesserte geschäftliche Flexibilität zutage fördern, so die Analystin.

Das Uptime Institute empfiehlt Unternehmen, sich auf den Gesamtenergieverbrauch ihrer hybriden IT im Kontext der anfallenden IT-Last zu konzentrieren statt „nur“ auf die Minimierung lokal auftretender mechanischer und elektrischer Verluste. DMaaS scheint der hierfür geeignete Weg zu sein. Denn im Gegensatz zu DCIM können geeignete DMaaS-Lösungen den Entscheidungsträgern einen Blick auf die gesamte IT-Infrastruktur des Unternehmens gewähren.

DMaaS-Systeme bieten zudem häufig erweiterte Serviceverträge zur Wartung und Reparatur und andere Mehrwertdienste an. Managed-Service-Partner (MSPs) bekämen so eine Möglichkeit, innovative Dienste rund um die verschiedenen Funktionsbereiche eines Rechenzentrums - vom Energiemanagement bis hin zur proaktiven Wartung - zu entwickeln und in das Ökosystem des DMaaS-Anbieters miteinzubinden.

So besteht für den Betreiber eines Rechenzentrums zum Beispiel die Möglichkeit, das eigene Team um spezialisiertes Know-how externer Experten bedarfsgerecht zu erweitern.Das löst zumindest zu einem Teil auch das Problem des  Fachkräftemangels. Laut der Umfrage des Uptime Institutes stoßen rund 40 Prozent der Betreiber von Rechenzentren auf Schwierigkeiten bei der Suche nach qualifizierten Kandidaten für offene Stellen.