Künstliche Intelligenz
Neue Cloud-Services dank KI
Fortsetzung des Artikels von Teil 1
Wie die Cloud lernt
Auf welcher Basis jedoch entscheidet die Cloud, welches Sourcing in der jeweiligen Situation das richtige ist? Und wie lernt sie, vorausschauend zu arbeiten? Ein derartiger Prozess muss Laufzeitdaten präventiv erfassen, speichern, verarbeiten und analysieren. Das Ganze wird schnell sehr komplex, da viele Umgebungsvariablen eine Rolle spielen und neben den aktuellen Daten auch möglichst viele historische Daten in die Analyse einbezogen werden sollten. Zu guter Letzt müssen dann noch die richtigen Schlüsse aus den Daten gezogen werden.
Ein lernender Algorithmus kann für die speziellen Belange des Cloud-Computings dienlich sein: Dabei werden Dutzende Telemetrie-Daten erfasst, die während des normalen Betriebs entstehen. Das kann die Anzahl der I/O-Zugriffe sein über Latenzzeiten bis hin zu den Temperaturen der Prozessoren und anderer Hardwarekomponenten. Diese Daten werden um Dopplungen bereinigt und gespeichert. Der Algorithmus legt relevante Attribute fest, die der Definition eines reibungslosen, performanten Betriebs entsprechen. Das kann beispielsweise einfach ein Höchstwert für eine akzeptable Latenzzeit, aber auch ein Zusammenhang aus mehreren Werten, wie etwa die ansteigende Temperatur der CPU bei phasenweiser Zugriffsmehrbelastung sein.
Dabei wird jedes Ereignis, das von der Norm abweicht, als Lernpunkt markiert. Noch ist es dabei unerheblich, ob es sich um eine im Sinne des Betriebs negative Anomalie handelt – zunächst ist es einfach eine Anomalie. Ganz bewusst wird hierbei vermieden, vorab zu definieren, was eine Anomalie ist und wie darauf reagiert werden sollte. Der Algorithmus würde sonst zu starr arbeiten, die Zusammenhänge zwischen den Daten bekämen zu wenig Beachtung. Aus den markierten Ereignissen lernt der Algorithmus: Welche Daten haben in welchem Zusammenhang zu welchem Ereignis geführt? Je mehr Daten zur Verfügung stehen, umso genauer wird das Ergebnis, umso intensiver aber auch der Rechenprozess. Ideal ist es, wenn der Algorithmus zusätzlich mit Daten anderer Rechenzentren gespeist werden kann.
Predictive Maintenance 2.0
Aus den Analyse-Ergebnissen des Algorithmus lässt sich einiges ablesen. Typische Predictive-Maintenance-Szenarien – also zum Beispiel anhand von Telemetrie-Daten der Festplatte zu bestimmen, wann der optimale Austauschzeitpunkt gekommen ist, noch bevor die Platte tatsächlich kaputt geht – sind heutzutage bereits verbreitet. KI-Algorithmen versprechen mehr. Sie rücken eine Verfügbarkeit von 100 Prozent in den Fokus. Das System schickt nicht nur rechtzeitig vor dem Plattenausfall einen Alarm an den Administrator, es überträgt zugleich automatisch den Workload auf eine andere Platte. Der Nutzer spürt davon nichts. Oder aber, um ein weiteres Beispiel zu nennen, der Algorithmus erkennt Angriffe auf die Infrastruktur anhand ungewöhnlicher Zugriffsmuster oder erhöhter I/O-Belastung im Zusammenhang mit anderen Daten bereits während sie passieren. Entsprechende Maßnahmen können sofort und automatisch eingeleitet werden. Zahlreiche weitere Services für die Lauf- und Kostenoptimierung einer Cloud-Umgebung sind umsetzbar. So lässt sich das Live Scaling nutzen, um Workloads ohne Zutun eines Administrators umzuverteilen oder um ein optimales Preis-Leistungsverhältnis zu erzielen. Mit diesem Konzept lassen sich die Kapazitäten für die Server-Kühlung an den tatsächlichen Betrieb anpassen oder Workloads entsprechend ihrer Priorität auf mehr oder weniger leistungsstarke (und damit mehr oder weniger kostenintensive) IT-Ressourcen verteilen. Aber noch vieles mehr ist denkbar: Der Clou an einem solchen intelligenten Algorithmus ist, dass er Zusammenhänge aus großen Datenmengen herstellen kann, die selbst für erfahrene IT-Spezialisten zu komplex sind, um diese gleichermaßen schnell zu analysieren. Zudem kann er ständig neue Anpassungen vornehmen, was bares Einsparpotenzial eröffnet.
- Neue Cloud-Services dank KI
- Wie die Cloud lernt
- Der Nutzer sieht, was er braucht
Lesen Sie mehr zum Thema
