人工智能與安全

Bizo認為，人工智能和機器學習“可以通過對事件進行快速分類和聚類來簡化事件處理（事件響應），從而識別出重要事件并將其與噪聲分離開來。更快的根本原因分析有助于操作員做出明智的決定并采取行動。”

人工智能在實時入侵檢測中特別有用，Schulz補充道。基于人工智能的系統可以檢測、阻止和隔離威脅，然后可以回去進行法醫調查，以確定到底發生了什么，黑客能夠利用哪些漏洞。

在安全操作中心（SOC）工作的安全專業人員經常會收到過多的警報，但基于人工智能的系統可以掃描大量的遙測數據和日志信息，從而清除日常任務，從而使安全專家能夠騰出時間來處理更深層次的調查。

基于人工智能的工作負載優化

在應用程序層，AI有可能自動將工作負載移動到適當的著陸點，無論是在內部部署還是在云端。”AI／ML將來應該根據性能、成本、治理、安全、風險和可持續性的眾多規范，實時決定在哪里放置工作負載。

例如，工作負載可以自動移動到最省電的服務器，同時確保服務器以最高效率運行，即70－80％的利用率。Bizo說，人工智能系統可以將性能數據整合到等式中，因此對時間敏感的應用程序在高效服務器上運行，同時確保不需要快速執行的應用程序不會消耗過多的能量。

基于人工智能的工作負載優化引起了麻省理工學院研究人員的注意，他們去年宣布他們開發了一個人工智能系統，可以自動學習如何在數千臺服務器上調度數據處理操作。

但是，正如Bushong所指出的，現實情況是，如今的工作負載優化是像亞馬遜、谷歌和Azure這樣的超大規模公司的專利，而不是一般的企業數據中心。原因有很多。

實施人工智能的挑戰

優化和自動化數據中心是正在進行的數字化改造計劃的一個組成部分。戴爾的Tabet補充道，“借助COVID－19，許多公司現在都在尋求進一步的自動化，推動人工智能驅動、能夠自我修復的‘數字數據中心’的理念。”

谷歌在2018年宣布，已將其數個超規模數據中心的冷卻系統控制權轉為人工智能程序，該公司報告稱，人工智能算法提供的建議使能源使用量減少了40％。

但是，Bizo說，對于那些名字不是谷歌的公司來說，在數據中心使用人工智能“在很大程度上是一種理想”。一些AI／ML特性在事件處理、基礎設施運行狀況和冷卻優化中可用。但是，AI／ML模型要取得比目前標準數據中心基礎設施管理（DCIM）更明顯的突破還需要更多年的時間。與自主汽車開發非常相似，早期階段可能很有趣，但與它最終承諾的突破性經濟／商業案例相去甚遠。”

Tabet認為，一些障礙是“需要雇傭或培訓合適的人員來管理系統。另一個需要注意的問題是數據標準和相關體系結構的需要。”

Gartner這樣說：“AIOps平臺成熟度、it技能和運營成熟度是主要的阻礙因素。高級部署面臨的其他新挑戰包括數據質量和“IT基礎設施和運營團隊”缺乏數據科學技能。

Bushong補充說，最大的障礙一直是人。他指出，外雇數據科學家對許多企業來說是一個挑戰，對現有員工的培訓也是一個障礙。

另外，Bushong說，員工抵制技術的歷史由來已久。他指出，軟件定義網絡（SDN）已經存在了十年，但仍有四分之三以上的IT運營仍由CLI驅動。

“我們必須相信，各種基礎設施的運營商準備把控制權讓給人工智能，”Bushong表示。“如果一群人還不相信空管員能做出決定，那么你怎么訓練、教育和安慰一群人，讓他們做出如此重大的轉變呢？業內普遍的態度是，如果我這么做，我就會失業。”

這就是為什么Bushong建議企業在人工智能方面采取那些小而乏味的步驟，而不是陷入經常圍繞一項新技術的炒作中。（編譯／Cassie）

＊ 千家網原創文章，轉載請注明作者及出處。

編輯：Y來源：千家網