داده ها بیش از هر زمان دیگری اهمیت دارند ، با این وجود سرعت تولید داده ها ، همراه با تلاش برای جمع آوری ، آماده سازی ، سازماندهی ، ذخیره ، مدیریت ، حفاظت و تجزیه و تحلیل آن ، همچنان بخش های فناوری اطلاعات را به چالش می کشد. در سخنرانی اصلی و جلسات تخصصی جداگانه این ماه Interop Digital: Management Data، Storage & Disaster Recovery Event ، متخصصان فناوری اطلاعات و تحلیلگران صنعت راه هایی را برای غلبه بر این چالش ها مورد بحث قرار دادند.
دنیس هان ، تحلیلگر ارشد گروه تحقیقاتی Omdia ، در سخنرانی اصلی رویداد Interop گفت: “به طور فزاینده ای همه چیز در مورد داده های موجود در دنیای امروز است.” “تغییر در فناوری اطلاعات از مغز عملیاتی سازمان به تبدیل شدن به کارخانه پردازش داده ها برای بینش های تجاری ایجاد شده است.”
اولین چالش پردازش داده های سازمانی امروزه سرعت رشد داده ها است. تحقیقات Omdia نشان می دهد که داده ها با رشد سالانه 22٪ (CAGR) در طول پنج سال در حال رشد هستند. داده ها نیز در حال تغییر است. داده های بدون ساختار بیشتری مانند پیام های ایمیل ، فیلم ها ، عکس ها ، صفحات وب و فایل های صوتی وجود دارد. همچنین داده های بسیار بیشتری در حاشیه تولید می شود ، از جمله داده های سنسورها و سایر دستگاه های اینترنت اشیا ، و همچنین داده های دستگاه های تلفن همراه.
همه این داده های متفاوت باید به جایی برسد ، و برای اکثر سازمانها ، این شامل نوعی از ابر است. با توجه به توزیع داده ها و ذخیره سازی در مکان های مختلف ، به نظر می رسد ابر ترکیبی مدل انتخابی است. پاسخ صنعت ، به گفته هان ، ایجاد یک بافت داده یا توانایی جامع برای مدیریت مکان و حرکت داده ها در مکان های مختلف است.
این هنوز این سوال را باقی می گذارد که اطلاعات را در کجا ذخیره کنیم. هان به سازمانها توصیه کرد که هر برنامه را به تنهایی ارزیابی کنند تا تصمیم بگیرند که آیا بهتر است در فضای ابری ذخیره شود یا در محل کار. در بسیاری از موارد ، بهترین راه حل آن است که اجازه دهد داده ها بین محیط های پیش فرض و ابری به جلو و عقب منتقل شوند. در عین حال ، بسیاری از سازمان ها از ذخیره سازی SAN بسیار مهم و مأموریت به ذخیره سازی بیشتر توزیع شده دور می شوند.
در سخنرانی Interop Digital “مدیریت سیل داده ها با ذخیره سازی با ظرفیت بالا” ، مدیر اجرایی ScaleFlux JB Baker اشاره کرد که ذخیره سازی راه طولانی را طی کرده است.
او گفت: “ما سرعت زیادی در سرویس دهی این دستگاه ها به داده ها داشتیم ، اما بسیاری از آنها واقعا در زمینه پیشرفت هایی که در فناوری ذخیره سازی داشته ایم بهینه نشده اند.” وی افزود که بسیاری هنوز به میراث هارد دیسک وابسته هستند و از فلاش – به ویژه فلش NVMe – استفاده کامل نکرده اند.
ذخیره سازی عملکرد توزیع شده-ذخیره ای که بتواند عملکرد لازم را برای تغذیه داده ها در عملکردهای نوظهور مانند تجزیه و تحلیل زمان واقعی ، یادگیری ماشین ، هوش مصنوعی و محاسبات با کارایی بالا (HPC) فراهم کند-نیز در استراتژی های پردازش داده های سازمانی اهمیت بیشتری پیدا می کند.
به عنوان مثال ، پیاده سازی های محاسبه HPC برای جمع آوری داده ها ، پردازش سریع آنها و سپس ارسال آنها با نوعی بینش یا نوعی نتیجه طراحی شده است. “برای انجام این کار ، شما باید داده ها را خیلی سریع تغذیه کنید. ذخیره سازی سنتی این کار را به خوبی انجام نمی دهد ، به ویژه در [acceptable] امتیاز قیمت ”
استراتژی های جدید برای جمع آوری و مدیریت داده ها
در حالی که پیشرفت های فناوری ذخیره سازی توانمندی خوبی برای ذخیره داده ها هستند ، هنوز چالش های زیادی در زمینه جمع آوری و مدیریت داده ها وجود دارد. در گذشته ، هان خاطرنشان کرد ، سازمانها به سادگی داده ها را از پایگاه های داده خود بیرون آورده و در یک انبار داده قرار می دهند. اما با جریان های متنوع تر و غنی تر از داده ها از نقاط مختلف ، همه چیز به سرعت آشفته می شود. از انبار داده ها یا دریاچه داده ها ، مجموعه داده ها باید آماده شوند و برای مصارف دیگر مانند تجزیه و تحلیل هایی که بینش را ارائه می دهند ، بیرون کشیده شوند.
بنابراین چگونه سازمانها می توانند حجم عظیمی از داده هایی را که در دریاچه ها یا انبارها می ریزند طبقه بندی کنند تا مشخص شود چه چیزهای ناخواسته و چه چیزهایی با ارزش هستند؟ هان پیشنهاد می کند به جای تغییر داده ها قبل از بارگذاری در ذخیره سازی خود ، داده ها را پس از بارگیری تغییر دهید ، که به سازمان ها این امکان را می دهد تا بهترین داده ها را به طور م pickثرتری انتخاب و انتخاب کنند.
استیو مک داول ، تحلیلگر ارشد که داده ها و ذخیره سازی را در Moor Insights & Strategy پوشش می دهد ، گفت: داده های داده – نیز در این زمینه اهمیت فزاینده ای پیدا می کند. مک داول پیشنهاد می کند از یک سیستم فهرست نویسی استفاده کنید که فراداده را درک کند. او می گوید: “تا زمانی که اطلاعاتی که در اختیار دارید را ندانید ، نمی دانید با آن چه کاری می توانید انجام دهید.”
هان گفت ، مدیریت ذخیره سازی قطعاً باید بالغ شود و اتوماسیون و هوش مصنوعی به ایجاد مدیریت ذخیره سازی هوشمندتر کمک می کند. نرم افزار که از این قابلیت های پیشرفته غرق شده است ، می تواند تشخیص های پیش بینی کننده و بهینه سازی عملکرد را انجام دهد.
ذخیره سازی هوشمند – توانایی تجزیه و تحلیل داده های ذخیره شده به صورت هوشمند – هم برای کارآیی و هم برای ایمنی مهم است ، دکتر ناراسیما ردی ، مدیر سایت ذخیره سازی مرکز ذخیره سازی هوشمند در دانشگاه A&M تگزاس و شرکت کننده در پنل “ارتقاء داده ها” می گوید. این یک روش م toثر برای ریشه کن کردن ناهنجاری ها در حین وقوع است ، بنابراین واکنش می تواند فوری باشد. همین امر در مورد تشخیص تقلب یا زنجیره تامین نیز صادق است. همچنین شرکت ها می توانند از پردازش زبان طبیعی برای تجزیه و تحلیل اطلاعات ذخیره شده مربوط به تماس های صوتی ، ایمیل یا ویدئو استفاده کنند.
به ذخیره سازی محاسباتی و پیشرفتهای دیگر سلام کنید
در حالی که پیشرفت در ذخیره سازی سنتی مهم است ، حتی بیشتر در پشت پرده در سفر پردازش داده های سازمانی اتفاق می افتد. ذخیره سازی محاسباتی ، معماری طراحی شده برای تخلیه برخی از وظایف از CPU ، می تواند تنگناها را کاهش داده و حرکت داده ها را کاهش داده و کارایی را افزایش دهد. درایوهای ذخیره سازی محاسباتی ، که به گفته بیکر در نهایت جایگزین SSD های معمولی می شود ، برای تسریع پایگاه داده ها بسیار مفید خواهد بود.
وی گفت: “برای پایگاه های داده با کارایی بالا ، درایوهای ذخیره سازی محاسباتی با ارائه مشخصات تأخیر بهتر نسبت به SSD های NVMe معمولی ، SAS یا SATA SSD. به ترتیب بهتر از هارد دیسک ها هستند.” همچنین می تواند با ذخیره داده های بیشتر در هر درایو ، پول واقعی شرکت ها را ذخیره کند زیرا وظیفه فشرده سازی را به طرز فوق العاده کارآمدی انجام می دهد.
ذخیره سازی محاسباتی علاوه بر فشرده سازی ، می تواند کارهای خاص برنامه مانند فیلتر کردن داده ها را انجام دهد. به عنوان مثال ، می توانید فیلتر کنید تا میزان داده های منتقل شده در شبکه خود را کاهش دهید ، که به نوبه خود میزان داده هایی را که CPU باید فیلتر کند کاهش می دهد.
یکی دیگر از فناوری های در حال توسعه ذخیره سازی DNA است ، نوع متراکم ذخیره سازی که برای کاهش مقیاس پذیری و ظرفیت مناسب است. استفن هلمولد ، معاون ارشد وسترن دیجیتال در مورد “مدیریت سیل داده ها با ذخیره سازی با ظرفیت بالا” توضیح داد که امروزه بسیار متراکمتر از هر فناوری ذخیره سازی دیگر است و از قدرت بسیار کمی استفاده می کند. (Hellmold عضو اتحادیه ذخیره داده های DNA است.)
هلمولد گفت که مقیاس پذیری کلیدی است ، زیرا بسیاری از سازمان ها از قابلیت های مقیاس بندی ابزارهای موجود در جعبه ابزار ذخیره سازی ، به ویژه HD و SSD ، فراتر خواهند رفت. این امر به ویژه برای بایگانی داده ها اهمیت دارد که در طول زمان به طور تصاعدی به رشد خود ادامه می دهند.
این بدان معناست که این ابزارها باید با چیزی جایگزین شوند که بتواند مقادیر بیشتری را بزرگتر کند. آنجاست که ذخیره DNA وارد می شود. در اصل ، این فرایند با ایجاد رشته های DNA از چهار ترکیب اصلی DNA کار می کند: آدنین ، سیتوزین ، گوانین و تیمین.
موارد زیادی برای ذخیره سازی DNA به غیر از مدیریت بایگانی وجود دارد ، از جمله رانندگی خودکار یا نظارت تصویری. اگر بخواهید ثابت کنید که یک خودرو در تصادف اتفاق افتاده است یا مظنونی مرتکب جرم شده است ، احتمالاً به ذخایر عظیمی از داده ها که در طول زمان جمع آوری شده است ، و همچنین تمام داده های مورد استفاده برای آموزش الگوریتم اعتماد کنید.
ارزان ترین راه برای ذخیره مقادیر زیادی از داده ها برای مدت طولانی ممکن است ذخیره DNA باشد. اما این تنها نوک کوه یخ است. هلمولد مثال دیگری ارائه داد که واقعاً امکانات را به خانه آورد. “شما می توانید یک قرص پزشکی را با ذخیره داده های DNA کدگذاری کرده و روی آن را بپوشانید که تمام اطلاعات موجود در تبلت و محل ساخت آن را در اختیار شما قرار می دهد.”
با پیشرفتها و امکانات بسیار ، عملاً یک کار تمام وقت است که بفهمیم چگونه با پردازش ، ذخیره و مدیریت داده های سازمانی پیش برویم.
هان گفت ، هیچ پاسخی آسان وجود ندارد. فناوری اطلاعات به سادگی باید راههای کارآمدتر و م effectiveثرتری برای جمع آوری ، آماده سازی ، سازماندهی و ذخیره داده ها پیدا کند. مدیریت ، آماده سازی ، ایمن سازی و تجزیه و تحلیل داده ها در مرحله بعدی است. این یک چرخه مداوم است ، اما فناوری ها و روش های جدید همچنان در حال ظهور هستند و به سازمان ها در این تصمیمات دشوار کمک می کنند.