AIOps im Storage-Einsatz Künstliche Intelligenz statt Handarbeit

Anbieter zum Thema

Insider Research

Cohesity GmbH

Nexus Industrial Memory

Infinidat Germany GmbH

Daten sind das Herzstück eines modernen Unternehmens. Das Management manch eines Unternehmens erwartet inzwischen Wunderdinge von der Sammlung und Analyse seiner Daten. Auch die Erwartungshaltung der Anwender hat sich durch ihre Erfahrungen in der Welt der „24x7“- und „Always-On“-Cloud-Dienste stark verändert. Ihre Toleranz für Ausfallzeiten und mangelnde Verfügbarkeit von Diensten strebt gegen null.

IT-Systeme im Allgemeinen und Speicherinfrastruktur im Besonderen müssen immer leistungs- und widerstandsfähiger werden, um alle Erwartungen zu erfüllen. Durch die gewachsene Vielfalt der Aufgaben wächst auch die Komplexität der Systeme. All diese Faktoren tragen dazu bei, dass das Leben der IT-Verantwortlichen und -Admins nicht eben einfacher geworden ist.

Dieser Befund bedeutet auch, dass IT-Administratoren und Storage-Experten Abschied nehmen müssen von einigen gewohnten Vorgehensweisen, wollen sie das bestmögliche Funktionieren der Infrastruktur sicherstellen. Bislang waren sie gewohnt, Wartungen in festen Zyklen auszuführen und auf Probleme zu reagieren, sobald diese für Anwender spürbar wurden. Diese reaktive Arbeitsweise ist heutigen Anforderungen nicht mehr gewachsen. Da die Systeme immer vielschichtiger und komplexer werden, nimmt die Suche nach der Ursache eines Problems zunehmend Zeit in Anspruch: Zeit, die im operativen Geschäft nicht zur Verfügung steht.

Lösung mit künstlicher Intelligenz

Die beste Antwort auf komplexere Systeme und eine gewachsene Erwartungshaltung ist bessere Technik. Hier kommt künstliche Intelligenz (KI) zu ihrem Recht. Diese ermöglicht, Analysen auf Wunsch der Administratoren anzufertigen, das gesamte System zu überwachen und selbst kleinste Abweichungen von den Sollwerten festzustellen. Außerdem arbeitet die KI proaktiv und fertigt Systemanalysen selbstständig an. Erkannte Fehler oder Probleme kann sie entweder selbst korrigieren oder die Administratoren rechtzeitig benachrichtigen, bevor aus einem kleinen Problem ein riesiges wird.

Beim Einsatz künstlicher Intelligenz in der IT-Operationsanalyse spricht man von „AIOps“ (Artificial Intelligence Operations). In erster Linie besteht die Aufgabe von AIOps darin, komplexe Muster in den Daten zu Systemverfügbarkeit und -leistung zu erkennen. So spricht das Marktforschungsunternehmen Forrester von „der Verwendung mathematischer Algorithmen und anderer Innovationen, um aus der Masse der von Management- und Überwachungstechnologien gesammelten Rohdaten aussagekräftige Informationen zu extrahieren“.

Sieben Einsatzbereiche für AIOps

Gartner hat bereits vor einiger Zeit sieben Einsatzbereiche für die Analyse von IT-Abläufen definiert. In allen Bereichen kann AIOps zu deutlich verbesserten Ergebnissen führen. In der Ursachenanalyse (i) kann AIOps helfen, die zugrundeliegende Ursache einer allgemeinen Systemstörung oder verminderter Systemleistung exakt zu verorten. In der proaktiven Kontrolle der Systemperformance und -verfügbarkeit (ii) kann KI künftige Systemzustände sowie deren Auswirkungen auf die Leistung prognostizieren.

Bei der Problemlösung (iii) kann AIOps relevante Lösungsansätze bieten und den Administrator oder das Team identifizieren, das für die Problembehebung am ehesten geeignet ist. Werden mehrere Ursachen eines Problems erkannt, kann AIOps helfen, den Einfluss jeder dieser Ursachen auf das Gesamtsystem richtig einzuschätzen (iv). So können die zur Verfügung stehenden Mitarbeiter besser eingeteilt und die Störungsursachen je nach Priorität effektiv behoben werden.

Im Zusammenspiel mit Analyse-Tools für andere Komponenten der Infrastruktur kann Storage-AIOps helfen, die Gesamtinfrastruktur und die Abstimmung der Komponenten untereinander zu optimieren (v). AIOps kann das Verhalten von Prozessen und Anwendungen kontinuierlich besser verstehen (vi). Dazu untersucht es Abläufe und korreliert diese mit der zugrundeliegenden Infrastruktur. Die dadurch gewonnenen Erkenntnisse fügt AIOps dem eigenen Wissenspool hinzu. Und schließlich lernt es das Verhalten der Storage-Infrastruktur (vii) in verschiedenen Szenarien und bei verschiedenen Nutzungsmustern der Anwendungen. Somit kann AIOps helfen, maximale Belastungen und Schwellenwerte für alle Komponenten zu identifizieren und, so nötig, bestimmte Komponenten zu optimieren, um die beste Leistung des Gesamtsystems auch unter Volllast zu gewährleisten.

Um zu lernen, benötigt eine künstliche Intelligenz große Datenmengen. Ohne entsprechende Lernprozesse kann die KI keine akkuraten Vorhersagen treffen und wird zu viele ungerechtfertigte Warnhinweise erzeugen, die das Vertrauen in das System erschüttern. Die Daten sind sozusagen der Treibstoff der KI. Im Gegensatz zu Systemen, deren Entscheidungsbäume durch die Software-Entwickler fest vorgegeben werden, ist die KI wesentlich flexibler. Situationen, aufgrund derer sie ihre Entscheidungen trifft, müssen nicht exakt vorgegeben sein. AIOps analysiert die ihr zur Verfügung stehenden Daten, um Regeln zu abstrahieren, die dann ihr weiteres Verhalten flexibel steuern. Diese Regeln werden im Lichte neuer Daten kontinuierlich angepasst. Mit dieser Form maschinellen Lernens perfektioniert die KI kontinuierlich ihre Leistungsfähigkeit.

Am Anfang steht das Lernen

Jede Aktivität der künstlichen Intelligenz erfordert also zunächst einen Lernprozess. Dieser kann auf verschiedene Weisen erfolgen. Ein Entwickler kann den initialen Lernprozess vollständig selbst durchführen, indem er die relevanten Daten einspeist. Alternativ oder ergänzend gibt es ein halb-selbständiges Lernen. Hierbei baut die KI selbst Wissen mittels maschinellen Lernens auf. Dies geschieht in Begleitung eines Entwicklers. Bei Infinidat werden Neusysteme mit den anonymisierten Erfahrungswerten bereits in Betrieb befindlicher Systeme ausgestattet.

Das Speichersystem füttert die gesammelten Daten in eine Analyseplattform in der Cloud. Die Speicher-AIOps greift auf diese Plattform zu und kann dadurch sogar Probleme identifizieren, die ihren Ursprung außerhalb des Speichersystems haben. Bei Performanceproblemen kann die KI beispielsweise erkennen, ob eine verzögerte Datenübertragung aufgrund Storage-interner Prozesse oder einer mangelnden Bandbreite der Datenstruktur auftritt. Zudem ermöglicht AIOps die vorausschauende Wartung (Predictive Maintenance). Unternehmen können dadurch etwa Datenträger anhand untypischen Verhaltens lange Zeit vor einem Ausfall identifizieren und austauschen oder die Daten zu einem anderen Datenträger migrieren.

Storage ohne KI: künftig undenkbar

Auf lange Sicht werden Storage-Anbieter, die meinen, auf KI verzichten zu können, das Nachsehen haben, denn immer komplexere Systeme und Vorgänge manuell überwachen zu wollen, wird nicht dauerhaft funktionieren. Zudem hat ein IT-Administrator andere, strategisch wichtigere Aufgaben zu lösen – und der Arbeitsmarkt bietet nicht genügend Storage-Experten, um alle anfallenden Arbeiten weiterhin manuell erledigen zu können. Daher lohnt es sich, bei der Wahl einer Storage-Lösung gleich auf ein smartes System zu setzen.

*Der Autor: Eran Brown, CTO EMEA bei Infinidat

(ID:46515457)