今天的基礎架構正變得越來越智慧——很快人工智能技術就會告訴我們如何實現基礎架構的自我生命周期管理。我甚至認為這些人工智能(AI)廠商會在一夜間宣稱實現了基于AI技術的基礎架構。

今天的我們尤其渴望智能化、更進一步的自動化和自我優化的基礎架構——尤其在存儲方面——但我不認為存儲基礎架構會在未來某個時刻實現人機對話功能。當然，存儲肯定會以更加實際的方式變得智能化，并且這些變化正在諸如數據中心存儲體系架構中逐步發生著。

我欣喜地看到存儲發展趨勢中所融入的嵌入式機器學習算法，旨在進行關鍵優化、分類、搜索和模式檢測任務。企業數據資產正在不斷增長，而與之對應的大數據收集和分析的潛在價值亦是如此。你很難用人工方式挖掘出其中蘊含的價值。隨著即將爆發的萬物互聯(IoT)，數據挖掘中將大幅增加高速的數據流傳輸、實時的設備數據生成，并混合業務運營過程中的交易型數據。

要讓我們利用好這些潛在的信息資源，存儲廠商已經開始將智能化算法融入到存儲層中。通過在數據存儲層中整合分析型的處理流程，我們今天可以輕松處理現有的海量信息，并為企業的業務部門提供近乎實時的信息反饋。

數據中心存儲體系架構正呈現出某些趨勢，使得智能化進展更為迅猛。

[[193440]]

Lambda體系架構

一般來說，作為處理日益增多的數據流、流水化信息和面向事件的數據，無服務器，由事件觸發的計算服務(例如Amazon Web Services Lambda)變得越來越普及和流行。其中的核心理念就如同是結構化數據庫中長期支持的存儲過程，或用戶自定義函數。

你現在可以直接在全新的、通用型的數據存儲中放置、執行由事件驅動的功能編程。例如，自定義計算功能可以在數據被持續訪問時將其放置到較低延遲的存儲層，并把老化的數據遷移到較慢的存儲層。

此外，應用程序與分析計算的融合伴隨著大數據同步發展，在此之中存儲得以實現橫向擴展(例如Hadoop分布式文件系統)，而計算亦以節點方式分配到每一塊數據。隨著內存數據網格使用的增長和全新“通用型”大數據數據庫(整合結構化與非結構化數據)的到來，這些都將有助于促成計算與存儲的融合。

容器式的存儲操作系統

供應商正將新的存儲操作系統體系架構開發為容器中的應用，至少在內部實現中使用這種編碼方式。這將是所謂軟件定義世界大趨勢中的一部分，同時也受到另一種理念的驅使，即計算資源最終會完全從底層的硬件中剝離，例如異構集群和動態的混合云。

適合的容器式存儲服務可以輕松集成，供最終用戶使用，或與第三方應用結合實現存儲主機內的某些功能。用于存儲的容器體系架構能夠按需執行微服務，從而快速響應并動態擴展支持上述Lambda架構所需。

大數據與高級分析

上個世紀中，機器學習通常發生在封閉的環境中，基于歷史(離線的)數據集合，使用縱向擴展環境中的算法。而今天，大數據經過十年的發展，我們現在擁有易于使用的機器學習算法庫，并為分布式(即并行)的橫向擴展應用做好準備，支持日益擴大的存儲卷和數據類型。

數據流解決方案

伴隨著物聯網的出現，我們看到數據中心存儲體系架構中所出現的全新的海量數據，其需要以數據流的方式，不間斷地進行處理。由于需要實時、并行而高級的內容信息分析來進行處理，而非單純的傳統交易型業務操作，這大大推動了上述發展。

技術的突飛猛進

盡管計算和存儲不再像過去那樣依賴于硬件，但數據中心存儲架構的持續發展將有助于實現超級智能存儲。每個月我們都會聽到有關內存密度增加、閃存部署和轉型，以及新的基于非易失性存儲架構的新聞，更強大的處理器、更高的GPU利用率，甚至出現服務大數據應用的定制化可編程陣列(FPGA)。當然，我們亦不應忘記近期出現的持續內存(Persistent Memory)。

綜合考慮這些發展，我們很容易看到存儲市場是如何得到快速增長，并實現高度智能化的。當然，隨著越來越多的功能的整合，有人開始認為它已不再僅僅是存儲，這暫且另當別論。現在，存儲再次成為數據中心內最有趣的領域。當然，新的智能化將增強傳統的數據管理任務，實現信息的全生命周期管理，也可以在另一些方面增強企業存儲數據的能力，例如：

• 社交推薦
• 本地存儲檢索
• 高級信息安全
• 數據轉換(如轉碼、翻譯)
• 數據獲取時分類排序
• 自動化商業智能分析

機器學習已經可以在數據中心的各個層級中實現：應用程序、增強管理，甚至嵌入在設備中。IT基礎架構變得日益智能，其智能化規模和發展速度我們才剛得以一窺。與此同時，我們大部分數據所在的存儲中蘊藏著機器學習所需要的一切。雖然存儲不會隨著時間超越人類的思維認知，但它確實會以更聰明的方式行事。現在，已經開始尋求智能化IT基礎架構方案的IT人士將會面對更好的未來。