Evaluar Conozca los pros y contras de las tecnologías, productos y proyectos que está considerando.

Analítica predictiva para el almacenamiento: Beneficios y opciones de productos

Las ventajas de usar análisis predictivos en el almacenamiento incluyen menos tiempo de inactividad y una mejor utilización de los recursos. No es de extrañar que más proveedores de almacenamiento lo estén haciendo una opción.

Los profesionales de TI que administran las infraestructuras de almacenamiento se enfrentan a complejidades que no dejan de aumentar, amenazas de seguridad cada vez mayores y cantidades de datos sin precedentes. Si surgen problemas de almacenamiento, pueden provocar un tiempo de inactividad significativo o datos comprometidos. Las cargas de trabajo de las aplicaciones modernas exigen soluciones de almacenamiento que sean flexibles, proactivas y capaces de responder rápidamente a todo tipo de problemas. Aquí entra el análisis predictivo para el almacenamiento.

Para abordar las necesidades cambiantes de los equipos de TI, varios proveedores ahora ofrecen productos de almacenamiento que incorporan análisis predictivos y sus tecnologías relacionadas, lo que permite abordar proactivamente problemas en múltiples niveles en la pila de almacenamiento.

Aunque las ofertas varían de un proveedor a otro, todas emplean análisis predictivo hasta cierto punto, recolectando una amplia gama de datos telemétricos para ayudar a garantizar la precisión de su análisis. Los equipos de TI que evalúan los sistemas de almacenamiento deben determinar la capacidad de esos productos para admitir análisis predictivos para que la organización pueda estar mejor preparada para las cargas de trabajo dinámicas y de uso intensivo de datos de hoy.

Cómo funciona el análisis predictivo para el almacenamiento

El análisis predictivo utiliza metodologías estadísticas para descubrir patrones en datos históricos y actuales, y luego pronostica resultados específicos. Como parte de este proceso, el análisis predictivo utiliza tecnologías tales como minería de datos, consultas analíticas, modelado predictivo, IA y aprendizaje automático.

Los productos de almacenamiento de datos han incorporado constantemente estas tecnologías avanzadas para reducir el tiempo de inactividad, mejorar la utilización de recursos y optimizar las cargas de trabajo de las aplicaciones. En muchos casos, los proveedores ofrecen estas herramientas junto con sus propias plataformas de almacenamiento para proporcionar una infraestructura de almacenamiento más completa que pueda abordar las necesidades del centro de datos.

El aprendizaje automático, una subdisciplina de la IA, desempeña un papel vital en el análisis predictivo para el almacenamiento al entrenar automáticamente los algoritmos predictivos utilizando una afluencia constante de datos telemétricos a través de la pila de almacenamiento. Una herramienta que incorpora análisis predictivos recopila y analiza continuamente los datos, identificando patrones que pueden ayudar a pronosticar tendencias, optimizar componentes, descubrir fallas de hardware, detectar cuellos de botella y predecir posibles problemas antes de que surjan.

Analítica predictiva en el mercado

Pure Storage utiliza análisis predictivos para el almacenamiento en su servicio Pure1. Pure1, un servicio de administración en la nube, incluye Pure1 Meta, que utiliza análisis predictivo y aprendizaje automático para analizar datos en tiempo real de más de 10.000 arreglos de Pure Storage conectados a la nube, con visibilidad en más de 100.000 cargas de trabajo.

Pure1 Meta monitorea continuamente los sistemas de almacenamiento para resolver problemas de manera proactiva antes de que causen problemas graves. El servicio proporciona información sobre el estado y la función de toda la pila de infraestructura, incluidas las máquinas virtuales (VM). El servicio también ofrece pronósticos basados ​​en inteligencia artificial para determinar los requisitos de capacidad y rendimiento a lo largo del tiempo y para modelar las opciones de consolidación de carga de trabajo y hardware.

Además, Hewlett Packard Enterprise ha mejorado su servicio de gestión de la nube InfoSight para admitir análisis predictivos y operaciones basadas en inteligencia artificial. InfoSight recopila y analiza miles de millones de puntos de datos de sensores de más de 9.000 entornos de clientes. Estos incluyen no solo matrices de almacenamiento Nimble y 3Par, sino que también incluyen componentes de computación, red y virtualización en toda la pila de infraestructura.

Con estos datos, InfoSight puede proporcionar información global sobre el estado y la salud del sistema, ayudando a pronosticar y prevenir problemas, así como a optimizar el rendimiento y el uso de recursos. El servicio analiza y correlaciona continuamente millones de mediciones de sensores cada segundo, aprendiendo constantemente de los datos para ofrecer resultados más efectivos.

Hitachi Vantara también se lanzó al mercado, ofreciendo un conjunto de software de operaciones basado en inteligencia artificial. El paquete incluye el Asesor de análisis de infraestructura, que utiliza análisis predictivo, aprendizaje automático y otras tecnologías avanzadas para detectar anomalías, realizar análisis de causa raíz y predecir el comportamiento. También puede ayudar a planificar infraestructuras, mejorar el rendimiento y el uso de recursos, y optimizar los sistemas en entornos de almacenamiento de múltiples proveedores.

La suite de Hitachi también incluye Automation Director, una herramienta de orquestación basada en inteligencia artificial para administrar y entregar recursos de TI. Automation Director automatiza las operaciones principales de entrega de servicios de TI a lo largo de varios componentes, desde máquinas virtuales hasta mecanismos de protección de datos y zonas SAN.

Otro proveedor de almacenamiento que adopta el análisis predictivo es la suite Tintri de DDN Storage, que incluye su Tintri Analytics, un servicio basado en la nube para la capacidad de modelado y los requisitos de rendimiento. Desarrollado por Apache Spark y Elasticsearch, Tintri Analytics ofrece algoritmos de aprendizaje automático para crear modelos de almacenamiento y cálculo que pueden extenderse 18 meses en el futuro, utilizando hasta tres años de datos recopilados de cientos de miles de entornos.

Aprovechar al máximo el análisis predictivo

Al incorporar el análisis predictivo en las estrategias de almacenamiento, los equipos de TI pueden adoptar un enfoque proactivo para identificar y abordar problemas antes de que afecten negativamente a los sistemas de almacenamiento. El uso de análisis predictivo para el almacenamiento también puede conducir a un mejor rendimiento y utilización de recursos, al tiempo que reduce la sobrecarga administrativa y de soporte.

Aun así, el análisis predictivo es una tecnología relativamente joven cuando se trata de almacenamiento. Para ser efectivo, requiere una gran cantidad de datos precisos y algoritmos que puedan evaluar adecuadamente esos datos. Si no se cumple alguno de los requisitos, una organización puede terminar abordando los problemas incorrectos o no detectar problemas antes de que se vuelvan críticos, lo que resulta en una pérdida de tiempo y dinero.

Al evaluar los sistemas de almacenamiento que incorporan análisis predictivos, los equipos de TI deben realizar la debida diligencia para asegurarse de obtener productos que puedan realizar análisis confiables basados ​​en los datos más relevantes. Solo entonces se darán cuenta de todos los beneficios que el análisis predictivo puede aportar a sus infraestructuras de almacenamiento.

Investigue más sobre Almacenamiento y gestión de datos

Inicie la conversación

Envíenme notificaciones cuando otros miembros comenten sobre este artículo.

Por favor cree un Nombre de usuario para poder comentar.

Close