IDC运维管理的数字化驱动变革之路( 二 )


摘引:理解卷积神经网络
在识别动物为一只猫的过程中知道猫有胡须、爪子、毛皮等特征是必要的,但是这并不能帮助我们识别新的物体或者说解决一些常见的机器视觉场景,比如细粒度识别,属性检测和图像检索等任务 。
从在网络开始位置的右边插入一个卷积层开始 。我们将使用5 × 5 局部感受野,跨距 为 1,20 个特征映射 。我们也会插入一个最大值混合层,它用一个 2 × 2 的混合窗口来合并特征 。所以总体的网络架构看起来很像此前讨论的架构,但是有一个额外的全连接层:

IDC运维管理的数字化驱动变革之路


在这个架构中,我们可以把卷积和混合层看作是在学习输入训练图像中的局部感受野,而后面的全连接层则在一个更抽象的层次学习,从整个图像整合全局信息 。这是一种常?的卷积神经网络模式 。
宏观事物和物体的数字化以及数字化分析中,在颗粒度和精确度是首当其冲的话题,当面对不同应用场景时如何快速有效的识别并形成结果?新型可靠的学习方法也需要不断的进行训练验证 。
未来数据中心运维中将依赖现有的视频安防监控系统,对进入数据中心的人员进行人脸识别,权限控制,事件通知等;于此同时利用机房it设备巡检机器人采集的大量的机柜服务器运行状态图像进行数据的持续分析,监控it的运行状态,分析并提供相关操作记录报告和实时环境要素分析结果 。对异常状态和非安全要素进行提醒告知,通过深度学习分析,从而实现机房环境的AI智能化值班监控 。
最后:数据化对运维思维方式的变革冲击
u 由安全可靠运维转变为高效品质运维大数据思维有点像混沌思维,确定与不确定交织在一起,过去那种一元思维结果,已被二元思维结果取代 。安全可要性运维以及无法满足IDC数字化企业发展的要求,如何在高安全可靠性要求不变的前提下,通过大数据长期的实现运营财务成本的优化,数据中心生命周期内TCO的优化,用关注效率和品质思维方式思考问题,解决问题 。过去寻求可靠性,现在寻求可靠性+高效率+低成本; 只有通过大数据分析,用数据报告来指出要素发生的可能性,必将对应的结果,在多要素下形成优化结构和结果的最佳模式,从而为企业快速决策、快速动作、创占先机提高了效率 。
通过数据形成的结论,主动告知和发送到关系人,用信息找人的思维方式思考问题,解决问题,防患于未然 。u 由99.99%目标管理转变为关注相关性的预防管理用关注相关性思维方式来思考问题,解决问题 。大数据时代,由探求因果关系变成挖掘相关关系,我们怎样才能既不损坏建立在因果推理基础之上的社会繁荣和人类进步的基石,又取得实际的进步呢?这是值得思考的问题 。
转向相关性,不是不要因果关系,因果关系还是基础,科学的基石还是要的 。只是在高速信息化的时代,为了得到即时信息,实时预测,在快速的大数据分析技术下,寻找到相关性信息,就可预测用户的行为,为企业快速决策提供提前量 。
通过在线的大数据分析,以及运维管理过程中线下的现象记录,全面综合的进行知识库的建立,形成基于数据的干系要素分析法,通过对问题相关性因素的穷尽 。在企业知识库的支撑下进行权重分析分配,实现单一要素的可靠性判断,进而得出有价值的参考型预防管理决策 。大数据的核心就是预测,大数据能够预测体现在很多方面,数据中心可以充分利用起海量运行数据形成预测,预防管理 。u 以数据为核心,优化流程管理持续优化,用数据核心思维方式思考问题,解决问题 。以数据为核心,反映了当下IT产业的变革,数据成为人工智能的基础,也成为智能化的基础,数据比流程更重要,运维记录历史数据,数据库、记录数据库,都可开发出深层次信息 。通过定向二次开发,倒入需求模型,云计算机可以从数据库、记录数据库中搜索出你是谁,你需要什么,从而推荐给你需要的信息 。

推荐阅读