בינה מלאכותית תפעולית -AIOps  לאחסון: מודל פרואקטיבי של תמיכה בעסק
מאת: ערן בראון, 6.5.20, 09:10

בשילוב של ניתוח נתוני big data ולמידת מכונה ML ה-AIOps יכולה לאתר באופן יזום בעיות לפני שהן תשפענה על המשתמשים בשלב הפיתוח ולאחר ההטמעה, בעיות שלא תוכנתו מראש. במצב הנוכחי, ספקי האחסון לא יוכלו עוד להתמודד בשוק התחרותי ללא יישום AIOps, מבחינת תכנון קיבולת ומבחינת תחזוקה חזויה. AIOps היא שיטה נהדרת לחזות ולתכנן דרישות אחסון עתידיות. כיצד AIOps פועלת בתחום אחסון הנתונים?

עם העלייה החדה בדיגיטליזציה, עסקים הופכים תלויים יותר במידע ובזמינות שלו. עליהם למנוע תקלות בכל האמצעים הדרושים, שכן חוסר זמינות למידע משמעו האטה או עצירה של הפעילות העסקית.

ברור לכל, שפתרונות האחסון, שממלאים תפקיד מפתח בזמינות המידע, חייבים לפעול בכל עת. מסיבה זו, הגישה המסורתית של תיקון תקלות וכשלים בפתרונות האחסון רק לאחר שהתגלו, כבר אינה מספיקה. עסקים מחפשים כיום סטנדרט חדש של פתרונות, שיאפשרו להם חיזוי ומניעה מראש של תקלות.
 
זמינות מקסימלית עם בינה מלאכותית תפעולית - AIOps
פתרונות האחסון מורכבים מכדי שיהיה ניתן לסמוך על בקרות ידניות, בעיקר בסביבות דינמיות בהן מתבצעים שינויים תכופים. זה פשוט לא מעשי ולא כלכלי, שאחד מחברי צוות ה-IT יבצע בקרות קבועות ויעבור באופן סיזיפי על רשימת בדיקות ארוכה, כדי להבטיח שכל הרכיבים יפעלו בפרמטרים המיטביים.

זה המקום בו בינה מלאכותית (AI) ולמידת מכונה (ML) באות לידי ביטוי. מערכות אוטומציה מבוססות AI יכולות לזהות במדויק היכן צפויות בעיות להתפתח ולמנוע אותן עוד לפני שהן מתרחשות.

לא רק שהן מסוגלות לאתר התפתחות של בעיות פוטנציאליות, הן יכולות לעשות זאת גם עבור בעיות שלא נצפו ע"י המפתחים (למשל, דליפות זיכרון) ושלא ניתן היה לאתרן ע"י בדיקת ביצועי המערכות הנעשות כנגד פרמטרים ספציפיים.

בינה מלאכותית תפעולית (AIOps) היא השיטה המיושמת למימוש תחזוקה חזויה לכל מערכות המידע, ופתרונות אחסון אינם יוצאים מהכלל בהיבט זה.

בשילוב של ניתוח נתוני big data ולמידת מכונה (ML), AIOps יכולה לאתר באופן יזום בעיות לפני שהן ישפיעו על המשתמשים, הן בשלב הפיתוח והן לאחר ההטמעה. בנוסף, AIOps היא שיטה נהדרת לחזות ולתכנן דרישות אחסון עתידיות.
 
כיצד AIOps פועלת בתחום אחסון הנתונים?
מערכת AIOps משתמשת בנתונים אמפיריים מבסיס הנתונים של הספק הגלובלי כדי לאתר בעיות טכניות וצווארי בקבוק של קיבולת לפני שהן משפיעות על הארגון. היא מנתחת בעיות, שכבר התרחשו, כדי לזהות דפוסים, ולאחר מכן משתמשת בדפוסים אלה כדי לחזות מקרים דומים בעתיד.

כמובן ,שהיו בשימוש בעבר מערכות ניטור, שניסו לאתר בעיות בשלב מוקדם. עם זאת, אלה יכלו רק לאתר בעיות שצפו או כאלו שנצפו ע"י המתכנתים מראש וקודדו בהתאם.

לעומתן, מערכת AIOps היא יותר גמישה, לומדת באופן רציף ויכולה לזהות גם סוגים של בעיות, שלא תוכנתו מראש. כך, הופכת ה-AIOps ליעילה ומדויקת יותר בזיהוי בעיות ודרישות קיבולת, לפני שהן מתעוררות. יתרה מכך, היא מספקת תובנות, שניתן לפעול על פיהן כדי למנוע תקלות ובעיות, דבר המאפשר המשכיות עסקית.

מערכות "צעירות" יחסית בתחום, מהוות אתגר ייחודי לאלגוריתמים של חיזוי מכיוון שאין עדיין למערכת ה-AIOps מספיק נתוני שימוש, שהיא יכולה לנתח כדי לייצר תחזיות.

כאן נכנסים לתמונה פתרונות אחסון, שמציעים להתאים את מערכת ה-AIOPs במהירות האפשרית לדפוסי שימוש ידועים. הם מאפשרים למספר אלגוריתמים רב להתחרות מי מהם יכול לספק את התחזיות המדויקות ביותר לכל מערך נתונים.

לאחר מכן, מערכת הAIOps- משתמשת באלגוריתם, שמתרגם בצורה הטובה ביותר את המצב הנוכחי של המערכת, בהתבסס על העבר הקרוב יחסית, כדי לקבל תחזיות קדימה מדויקות יותר.

ע"י חזרה על תהליך זה מעת לעת, ככל שהמערכת פועלת זמן רב יותר, האלגוריתם מותאם יותר לנתוני ההפעלה בפועל. חשוב לציין, שבגישה זו יש למערכת יכולות אבחון כמעט מההתחלה. תחזוקה חזויה היא הבסיס של המערכת.

קיים יתרון בספק אחסון המציע צוות תמיכה, שמבצע תהליך של גילוי אנומליות ע"י ניתוח פרופיל ה-IO של כל מערך נתונים בפני עצמו ומחפש חריגות ביצועים, שמצביעות על בעיה בסביבת התקשורת החיצונית.

לעתים קרובות, בעיות בגישה לנתונים אינן נגרמות ע"י מערכת האחסון, אלא ע"י הרשת או מארחים ספציפיים. הגורמים האלה הם אוניברסליים ולכן אין צורך ב'אימון' מערכי הנתונים כדי לזהות אותם.

לאחר הניתוח, צוות התמיכה פונה באופן יזום ללקוח כדי לפתוח צווארי בקבוק או תצורות שגויות לפני שהם משפיעים על המשתמשים. בנוסף, הצוות מזין את ה-AIOps בידע שנצבר. כך, שבעתיד הוא יוכל לחזות בעיות, שגורמיהם נמצאים מחוץ למערכת האחסון עצמה.
 
AIOps הוא סטנדרט חדש בשוק האחסון
במצב הנוכחי, ספקי האחסון לא יוכלו עוד להתמודד בשוק התחרותי ללא יישום AIOps, הן מבחינת תכנון קיבולת והן מבחינת תחזוקה חזויה. אחת מהתחזיות הנפוצות ביותר של ה-AIOps בתחום האחסון היא הזמן, שיידרש עד שהקיבולת החופשית תיגמר.

פתרונות אחסון מתקדמים מציעים גישה ייחודית לאתגר של הגדלת הקיבולת: במקום מחזורי רכש ארוכים האורכים חודשים, הם מציעים שירות Capacity On Demand (COD) המאפשר ללקוחות לקבל קיבולת גדולה יותר לפי דרישה. כך, שהם יכולים לצמוח באופן מידי. כשנדרשת קיבולת נוספת, היא מוקצית לארגון, ממש כמו בענן הציבורי.

אם כן, תפקידה של ה-AIOps במחזור החיים של פתרון אחסון הוא כפול:
מצד אחד, היא מגלה בעיות לפני שהמשתמש מרגיש אותן.
מצד שני, היא מסוגלת לחזות צווארי בקבוק עתידיים באופן אמין, ובכך להבטיח, שהארגון יוכל לרכוש קיבולת חדשה בזמן כדי להבטיח המשכיות עסקית.
בצורה זו הארגון יכול לדחות את ההוצאות על הגדלת האחסון עד שתידרשנה בפועל.
 
עם ההתפתחויות האחרונות, שתוארו לעיל, חשוב, שארגונים יקבלו מספר החלטות לפני בחירת פתרון אחסון. עליהם להתחשב בגורמים כמו פרוטוקול הרשת הנתמך ומעטפת הביצועים הנדרשת. בנוסף, עליהם לקחת בחשבון את יכולת ההרחבה, מודל הצריכה (תשלום לפי שימוש) ויכולות חיזוי כדי למצוא את הפתרון המתאים ביותר לעסק שלהם.

צילום תמונה עליונה: טליה אלק

מאת: ערן בראון, מאי 2020.
סמנכ"ל טכנולוגיות לאזור EMEA בחברת INFINIDAT