數(shù)據(jù)中心的管理日益復雜，時刻都有龐大而復雜的數(shù)據(jù)信息需要處理，各種各樣的因素隨時有可能導致突發(fā)性事故的發(fā)生，而造成的損失也是驚人的。這些復雜的因素很難通過直觀的方式分析和理解，機器學習的介入有一定的必然性。Google數(shù)據(jù)中心副總裁Joe Kava告訴我們采用神經(jīng)網(wǎng)絡(luò)可以“預見”數(shù)據(jù)中心的“未來”，從而為數(shù)據(jù)中心的工程師們提供最優(yōu)的方案，Google具體是怎樣做的？作者Richer Miller為我們帶來了精彩的分析。

Google將機器學習和人工智能應用到強大的數(shù)據(jù)中心，致力于讓數(shù)據(jù)中心更高效。近日，在Data Centers Europe 2014的一份簡報中，Google的數(shù)據(jù)中心副總裁Joe Kava告訴我們Google已經(jīng)采用神經(jīng)網(wǎng)絡(luò)來分析數(shù)據(jù)，該神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以收集服務(wù)器群的相關(guān)信息，并提供改進方案。

實際上，谷歌已經(jīng)制造出了一臺超級計算機，這臺計算機比谷歌的工程師們更了解數(shù)據(jù)中心。目前，數(shù)據(jù)中心仍然由人工控制，但Joe Kava告訴我們，神經(jīng)網(wǎng)絡(luò)的使用將使Google服務(wù)器群的效率達到一個全新的高度，這甚至讓制造它的工程師們望塵莫及。

谷歌已經(jīng)擁有了多個高效的數(shù)據(jù)中心，使用人工智能后，Google將能夠預見“未來”，通過模擬出數(shù)以千計的可能情況，了解到未來數(shù)據(jù)中心的運行狀況。

在早期，神經(jīng)網(wǎng)絡(luò)預測谷歌電力使用效率的準確率已經(jīng)達到99.6%。這種方法帶來的效率提升看起來很小，但當其應用到具有數(shù)千個服務(wù)器的數(shù)據(jù)中心時，就可以節(jié)約下大量的成本。

為什么要采用機器學習和神經(jīng)網(wǎng)絡(luò)？主要的原因是數(shù)據(jù)中心日益復雜，這對谷歌來說是個挑戰(zhàn)，Google利用傳感器從數(shù)以億計的數(shù)據(jù)點收集有關(guān)其基礎(chǔ)設(shè)施及能源使用狀況的信息。

谷歌的神經(jīng)網(wǎng)絡(luò)是由Jim Gao創(chuàng)建的，由于他對大型數(shù)據(jù)集有很強的分析能力，他的同事給他取了個綽號——“天才小子(Boy Genius)”。Gao應用計算流體動力學來做冷卻分析，利用監(jiān)測數(shù)據(jù)創(chuàng)建了一個服務(wù)器房間里的氣流3D模型。

Gao認為創(chuàng)建一個模型來跟蹤一組廣泛的變量是有可能實現(xiàn)的，這些變量包括IT負載、天氣條件，以及冷卻塔、水泵和換熱器(這些設(shè)備用來給谷歌服務(wù)器降溫)的運作情況。

Kava在一篇博客中寫道：“計算機擅長的是在數(shù)據(jù)中發(fā)現(xiàn)隱含的信息，所以Jim采用了我們?nèi)粘２僮鬟^程中收集的數(shù)據(jù)，并將這些數(shù)據(jù)放到一個模型中運行，目的是理解普通人(Jim的團隊)可能注意不到的復雜互動的意義，如今Jim的模型在預測PUE(Power Usage Effectiveness，電源使用效率)時的準確率已經(jīng)達到了99.6%。這意味著他可以使用該模型提出新方案，從我們的操作中獲得更高的效率。”

Gao倡導發(fā)展和使用機器學習，并將其稱之為“20 percent project”，谷歌鼓勵員工在特定工作職責之外花大量時間進行創(chuàng)新。Gao原先并不是人工智能方面的專家，為了了解更多有關(guān)機器學習的知識，他學習了斯坦福大學Andrew Ng教授的課程。

神經(jīng)網(wǎng)絡(luò)模仿人類大腦的工作原理，讓計算機在沒有顯式編程的情況下，自動適應和“學習”。谷歌的搜索引擎往往被看作是這類機器學習的典型，這也是該公司主要研究的一個重點。

Kava解釋說：“該模型實際上就是一系列的微分方程，你需要對數(shù)學有所了解，該模型能夠了解這些變量之間的交互。”

Gao的第一項任務(wù)是研究數(shù)字，標識出影響Google數(shù)據(jù)中心能源效率的重要因素，以PUE為標準。他將這些因素縮小到19個變量，然后設(shè)計了神經(jīng)網(wǎng)絡(luò)，即一個可以分析大型數(shù)據(jù)集以識別模式的機器學習系統(tǒng)。

Gao在他的倡議白皮書中寫道：“大量可能的設(shè)備組合以及它們的設(shè)定值使最優(yōu)效率難以確定，在數(shù)據(jù)中心，通過硬件(機械和電氣設(shè)備)和軟件(控制策略和設(shè)定值)有許多可能的組合。受到時間既定、IT負載頻繁波動和天氣狀況的限制下，測試每一種可能組合以實現(xiàn)效率最大化是不可行的，更不用說還要維持一個穩(wěn)定的DC環(huán)境。

說到硬件，實際上機器學習不需要多么強的計算能力，Kava告訴我們，該機器學習系統(tǒng)在單個服務(wù)器上就可以運行，甚至可以運行在高端臺式機上。

該系統(tǒng)已經(jīng)被應用到Google數(shù)據(jù)中心，該機器學習工具能夠提供建議，對PUE進行改進;或者在能源設(shè)施升級過程中，對數(shù)據(jù)中心負載遷移的改進;也可以對冷卻系統(tǒng)中多個部分的水溫調(diào)整。

Gao還寫道：“谷歌(數(shù)據(jù)中心)的實際測試表明，機器學習是使用現(xiàn)有傳感器為DC能源效率建模的一種有效方法，可以顯著地節(jié)約成本。”

Kava告訴我們：“該工具可以幫助谷歌對未來設(shè)計進行模擬和完善，但我們不需要擔心機器奪走人類的控制權(quán)——近期，Google的數(shù)據(jù)中心還不太可能擁有自我意識。雖然Google熱衷于實現(xiàn)自動化，最近又收購了多家機器人公司，但新的機器學習工具目前還不可能控制一個數(shù)據(jù)中心。”

Kava說：“數(shù)據(jù)中心仍然需要人類對許多事務(wù)作出良好的判斷，我仍然希望我們的工程師對機器提供的建議進行審查。”

從Google構(gòu)建服務(wù)器群的方式中，我們或許可以看到神經(jīng)網(wǎng)絡(luò)帶來的好處。Kava說：“我可以想象出在數(shù)據(jù)中心的設(shè)計周期中使用神經(jīng)網(wǎng)絡(luò)的情形，我們可以將它作為一個具有前瞻性的工具使用，用來測試設(shè)計的變化和創(chuàng)新，將來我們會找到更多的用例。”

Google在Gao的白皮書中分享了機器學習的方法，期待其他超大規(guī)模數(shù)據(jù)中心的運營商也能開發(fā)類似的工具。

Kava說：“這不是只有Google或者Jim Gao才能做到的事情，我很樂意看到這類分析工具被更加廣泛的使用。我認為這個行業(yè)可以從這類工具中受益，它是一個可以提供效率的好工具。”