[[380129]]

本文轉載自微信公眾號「存儲加速器」，作者Tyler Dong。轉載本文請聯系存儲加速器公眾號。   所有權歸存儲加速器所有

機器學習和人工智能(AI)的更廣泛采用使一些系統和存儲經理感到非常興奮。例如，可以將機器學習算法合并到控制層中，以使管理員能夠更輕松地診斷各種導致傳輸擁堵的原因。這使他們能夠預測潛在的易受攻擊的網絡扇區。

MarketsAndMarkets的AI分析師Shiladitya Chaterji表示：“用戶請求和數據流量可以根據網絡使用模式在其他存儲位置之間來回傳遞。”

但這遠不只是一個流量管理。人工智能和機器學習以多種不同方式影響數據存儲。以下是一些主要趨勢和預測：

1.降低成本

Chatterji說：隨著企業向云存儲和專用存儲陣列的轉移，具有集成深度學習算法的動態存儲軟件可以幫助組織獲得更多的存儲容量，而成本卻降低了60%到70%。” 。

2.更多軟件定義的存儲

幾年來，軟件定義的存儲一直被視為一種趨勢。人工智能和機器學習正在起到促進作用。許多潛在的好處正在幫助企業克服被告知將要采用另一種新技術的沉默。

Zadara Storage市場副總裁Kevin Liebl說：“人工智能和機器學習將帶來軟件定義存儲的更快采用。”

3.更多儀器

在計算的早期，大量的儀器被添加到系統中。實際上，有許多會議和協會專門討論計算機的測量和檢測。

從1990年代中期開始，隨著Windows服務器的激增，業務的這一方面逐漸減弱。但是隨著AI和機器學習開辟了新的視野，這似乎正在改變。因此，Kevin Liebl預測未來幾年存儲儀器儀表將出現更多的趨勢。

4.自動化

軟件定義存儲的出現是存儲環境中機器學習和AI興起的關鍵影響。在硬件上方添加異構軟件控制層，使軟件可以監視更多任務。這樣可以釋放存儲管理員的更多戰略職責。

Chaterji說：“ AI可以使采用敏捷，靈活架構的存儲設施實現自動化。” “它可以智能地控制訪問權限，動態重新路由數據中心數據并自動調節數據中心散熱(從而降低能耗)。”

5.增強的安全性和可靠性

安全和丟失是現代企業的主要問題。Chaterji說，一些存儲供應商開始利用人工智能和機器學習來防止數據丟失，通過智能數據恢復和系統備份策略在停機期間提高可用性并加快周轉速度。他補充說，這也有望帶來更好的安全性。

Chaterji說：“ AI為智能安全功能打開了大門，可在運輸過程中或在數據中心內檢測數據/數據包丟失。”

6.混合存儲云

面對AI，機器學習和軟件定義的存儲，關于公共云與私有云的爭論似乎毫無意義。這是因為功能性軟件定義的體系結構應該能夠將數據從一種云無縫過渡到另一種云。同時，組織可以將所有數據作為一個池進行管理，而不管其物理位置。結果，尋求所有公共云或所有私有云的純粹主義者不太可能占上風。混合云最有可能蓬勃發展。

HDS物聯網產品和技術高級副總裁Rich Rogers說：“人工智能和機器學習的使用將加速fluid混合云解決方案作為存儲庫的部署，因為在分析數據和開發邏輯圖之后，它們必須透明地流向處于不斷改進周期邊緣的本地分析引擎。”

7.更多Flash

每個人都預測會有更多的閃光，有什么新鮮事嗎?人工智能和機器學習將為這股幾乎勢不可擋的浪潮注入更多動力，這股浪潮正在席卷各種存儲形式。

Rich Rogers說：“它們將推動內存和閃存作為主要存儲介質的使用，因為否則您將無法足夠快地處理邊緣決策。”

8.自動駕駛汽車

最終將提供將AI和機器學習集成到存儲中的用例的最大驅動程序將是汽車駕駛員。當今的高端汽車(不具有自主功能)具有64至200 GB的存儲空間，主要用于地圖和信息娛樂功能。在明天的自動駕駛汽車中，我們可能會看到超過1 TB的存儲空間，而不僅僅是驅動功能。

Western Digital汽車解決方案營銷總監Martin Booth說：“車內智能助理、高級語音和手勢識別、緩存軟件更新和緩沖信息娛樂以降低峰值網絡帶寬利用率，這些都將是本地需要更多存儲的驅動因素。”。

9.并行文件系統

為了支持AI和機器學習功能，存儲系統必須提供大規模的性能。這意味著它們必須能夠以并行文件系統和閃存之類的技術在預計的規模上很好地工作。DataDirect Networks產品營銷高級總監Laura Shepard這樣說。

Laura Shepard說：“對于面向未來的基礎架構，該系統還需要能夠簡單且經濟高效地處理陳舊或較冷的數據，并支持通向未來技術(例如新的閃存格式和本機工具)的清晰路徑，以最大程度地提高閃存性能，同時避免特定于閃存的性能和壽命會遇到障礙。”

10.神經存儲

Liebl還預測了“神經級”存儲的興起。在這里，存儲無需人工干預即可識別并響應問題和機會。當這項技術取得成功時，可以期待生產率發生逐步變化。

IT Brand Pulse的分析師Frank Berry表示，到達神經存儲不會一蹴而就。他提出了三個階段，最終將實現神經存儲網絡。正如Liebl所提到的，第一階段是通過遙測對存儲進行檢測，以從非傳統來源收集數據。例如，用戶級別的訪問模式，數據流，網絡流以及有關硬件和軟件故障的數據。此階段體現在軟件定義存儲的相對早期階段。

第二階段是Berry所說的自動駕駛。一旦存儲全部由軟件定義，哪種算法就可以集成并且影響深遠，足以解決復雜的存儲管理問題，這要歸功于它們可以訪問的大量新數據。這是構建自動駕駛所需的監視，調整，修復服務鏈的必經之路。

只有達到了這兩個階段，神經存儲網絡才能扎根。

Berry說：“真正的神經網絡(具有大量數據的處理層)已集成到存儲基礎架構中，從而使其能夠自行學習和開發新功能。”

在某些方面，這可能是科幻小說中的東西。HAL(來自電影“ 2001 Space Odyssey”)得出一個合理的結論，那就是必須消滅他的機組人員。也許神經存儲的結論是99.99999%的存儲數據沒有價值，因此應刪除。但是毫無疑問，這種神經存儲概念會帶來一些好處。

參考鏈接：https://www.enterprisestorageforum.com/storage-management/top-10-ai-and-machine-learning-data-storage-trends.html