Prognosen zum künftigen Speicherbedarf Was ist prädiktive Speicheranalyse (Predictive Storage Analytics)?

Anbieter zum Thema

DataCore Software GmbH

Prädiktive Speicheranalyse ist ein fortschrittliches Datenanalyseverfahren, das auf Basis historischer und aktueller Daten und mithilfe mathematischer und statistischer Modelle sowie maschinellen Lernens und Künstlicher Intelligenz Prognosen über den zukünftigen Speicherbedarf erstellt oder Speicherprobleme vorhersagt. Dadurch lassen sich Ausfälle oder Engpässe vermeiden und Betriebskosten optimieren.

Der englische Begriff für prädiktive Speicheranalyse ist Predictive Storage Analytics. Es handelt sich um einen Teilbereich der prädiktiven Analytik (Predictive Analytics), die sich der fortgeschrittenen Datenanalyse, Geschäftsanalytik und Datenwissenschaft zuordnen lässt.

Die prädiktive Speicheranalyse trifft anhand historischer und aktueller Daten und mithilfe mathematischer und statistischer Modelle sowie Künstlicher Intelligenz und maschinellen Lernens Vorhersagen über den zukünftigen Speicherbedarf. Sie ermittelt auch potenzielle Speicherprobleme oder Speicherengpässe und schätzt die Wahrscheinlichkeit von Hardwarefehlern bei Speicherkomponenten. Durch diese Vorhersagen können Handlungsempfehlungen ausgesprochen und proaktiv Maßnahmen getroffen werden, um Ausfälle oder Engpässe zu vermeiden und die Betriebskosten der Speicherinfrastruktur zu optimieren.

Wie funktioniert Predictive Storage Analytics?

Predictive Storage Analytics läuft in verschiedenen Prozessschritten ab, die kontinuierlich durchlaufen werden. Im ersten Schritt werden Telemetriedaten der Storage-Infrastruktur und ihrer Komponenten wie Laufwerken, RAID-Controllern, Storage-Controllern, Hypervisoren, Betriebssystemen und Anwendungen über einen längeren Zeitraum erfasst und in einer zentralen Plattform gespeichert. Typische Daten sind beispielsweise aktuelle und historische Speicherbelegungen, SMART-Attribute, Temperaturen, Schreibvolumen und I/O-Fehler von Laufwerken, IOPS (Input/Output Operations Per Second), Durchsatz, Latenz, Warteschlangenlängen, Betriebszeiten, Workload-Profile, Deduplizierungs- und Kompressionsraten und vieles mehr.

Anschließend werden diese Rohdaten aufbereitet, zeitlich synchronisiert und aggregiert. Mit diesen Daten werden Vorhersagemodelle entwickelt und trainiert. Zum Einsatz kommen können beispielsweise Klassifikations-, Regressions- und Zeitreihenmodelle sowie Verfahren zur Anomalieerkennung, neuronale Netze und Deep-Learning-Modelle. Die Modelle lernen das „normale“ Verhalten und erkennen zum Beispiel Abweichungen und Muster, die früheren Problemen vorausgingen. Daraus berechnen die trainierten Modelle anschließend anhand der aktuellen und historischen Daten Wahrscheinlichkeiten für bestimmte Ereignisse und erstellen Vorhersagen. Die Genauigkeit der Ergebnisse wird kontinuierlich geprüft, und die Modelle werden gegebenenfalls angepasst oder nachtrainiert.

Typische Vorhersagen der prädiktiven Speicheranalyse sind zum Beispiel:

• Der Speicherpool X wird bei den aktuellen Wachstumsraten in 100 Tagen zu 90 Prozent belegt sein.

• Die Ausfallwahrscheinlichkeit für eine bestimmte Festplatte ist stark erhöht und beträgt X Prozent.

• Der Speichercontroller Y wird in 30 Tagen überlastet sein und einen Latenzanstieg verursachen.

• Die Cache-Auslastung wird in sieben Tagen über 80 Prozent betragen.

Aus diesen Vorhersagen lassen sich Handlungsempfehlungen ableiten oder automatisiert Maßnahmen auslösen, beispielsweise das Hinzufügen von Speicherkapazität, das Austauschen von Laufwerken, das Verschieben oder Verteilen von Workloads, das Anpassen der Konfiguration einzelner Speicherkomponenten, das Verschieben, Sichern oder Replizieren von Daten, das Anpassen von Caching-Einstellungen und vieles mehr.

Was sind die Vorteile von Predictive Storage Analytics?

Zu den Vorteilen der prädiktiven Speicheranalyse zählen:

• proaktive Behebung von Fehlern oder Speicherengpässen, bevor Probleme entstehen,

• längere Lebensdauer von Hardwarekomponenten durch optimierte Nutzung und rechtzeitige Wartung,

• höhere Verfügbarkeit und Performance der Storage-Infrastruktur,

• einfachere Einhaltung der Service-Level-Agreements,

• optimierte Kapazitätsplanung und bessere Ressourceneffizienz,

• Vermeidung von Über- und Unterprovisionierung,

• Senkung der Betriebskosten,

• rechtzeitige Beschaffung neuer Hardware,

• Unterstützung bei der Einhaltung von Compliance-Vorgaben (zum Beispiel Aufbewahrungsfristen oder Redundanzanforderungen).

(ID:50956943)