NASA有望成为美国首个完成数据中心优化计划的部门

简介:

根据媒体报道,为了实现节能减排,提高数据中心效率,减少不必要的数据中心对能源的消耗,在过去七年中美国政府开始有目的减少数据中心数量。而美国国家航空航天局(NASA)可能成为美国唯一在限期内达成"联邦信息技术采购改革法"要求的的机构。

6

1991年9月由发现号航天飞机带入太空的高层大气研究卫星(UARS)

NASA共有59个数据中心需要进行整合,并将消减其中的33个数据中心,到目前位置,还只有6个数据中心需要消减。由于NASA的10个主要办事处和卫星地点都至少需要一个内部数据中心设施,所以消减计划外的20多个数据中心将继续正常运营。美国航空航天局计算机服务项目执行官卡伦。佩特拉斯卡表示,他们已经对59个数据中心进行了评估,并确定了所需要保留和关闭的数据中心。

此外,美国农业部、财政部和司法部也正在积极的行动中,有望将最初10000个数据中心削减至5600个。不过,现在已经临近该计划的最后期限,各个政府部门还需要积极的配合才能达到预计目标。

没有人会质疑数据中心合并的困难和挑战。IT技术架构的更新和云服务的使用将决定哪些数据中心会被关闭,但这个过程并不是一撮而就的,而且将面临众多的挑战。

"一些机构有很多更复杂的数据中心和政治因素。有可能发生任何事情。佩特拉斯卡说,"传统的事物很难改变,大事更难改变。只是为了确定需要关闭哪些数据中心,以及说服管理者为何减少这些数据中心就花了将近一年的时间。"

2010年,美国联邦政府推行的数据中心整合计划(FDCCI)并没有要求政府机构采取具体行动,而是通过减少政府机构数据中心的整体能耗推动绿色IT的使用,并降低数据中心硬件,软件,以及操作的成本。

在此之后,美国联邦信息技术采购改革法案要求政府机构进行数据中心的清查,并确定可以关闭和整合的数据中心设施,制定减少的数量目标,以及为定期进度报告制定规则。

最后,去年实施的数据中心优化计划(DCOI)取代了2010年的整合计划,并增加了更多的规则。现在,如果某机构希望新建数据中心或扩展现有数据中心,就必须证明其符合美国管理和预算局(OMB)的规定,并且没有更好的选择,例如使用云计算服务或租赁托管空间。数据中心优化计划(DCOI)还提高了数据中心机构需要关闭的数量,并对数据中心的能源效率、服务器虚拟化、服务器和设施利用率,以及数据中心管理工具的使用提出了一些额外的要求。

立法的目的,显然是美国政府希望通过减少其庞大的数据中心数量和维护成本来节省资金。其目标是在2018年的截止日期之前节省近14亿美元的费用。

本文转自d1net(转载)

目录
相关文章
|
1月前
|
机器学习/深度学习 监控 算法
利用机器学习优化数据中心的能源效率
【2月更文挑战第27天】 在数据中心管理和运营中,能源效率已成为关键性能指标之一。随着人工智能技术的进步,特别是机器学习(ML)算法的发展,出现了新的机会来优化数据中心的能源消耗。本文探讨了如何通过应用机器学习模型对数据中心的能源使用进行实时监控和预测,进而实施节能策略。文中详细分析了不同类型的机器学习算法,并提出了一套基于预测分析的动态能源管理框架。通过仿真实验验证了所提出方法的有效性,结果表明,与传统管理手段相比,该框架能够显著提高数据中心的能源效率,降低运营成本。
37 3
|
1月前
|
机器学习/深度学习 存储 算法
利用机器学习优化数据中心冷却系统
【2月更文挑战第23天】 在数据中心的运营成本中,冷却系统占据了一大块。传统的冷却管理通常依赖于简单的规则或手动调整,无法适应复杂多变的热负荷和环境条件。本文提出了一种基于机器学习的方法来动态优化数据中心的冷却系统。我们设计了一个预测模型来估计未来的热负荷,并结合实时数据,通过优化算法调整冷却设备的工作状态,以降低能源消耗并保持适宜的运行温度。实验结果表明,该方法能够有效减少能耗,同时保证数据中心的冷却效率。
16 0
|
1天前
|
机器学习/深度学习 数据挖掘 数据中心
利用机器学习优化数据中心能效的策略研究
【4月更文挑战第24天】在数据中心管理和运营中,能效优化是一个长期存在的挑战,它直接关系到成本控制和环境影响的减轻。随着人工智能技术的不断进步,特别是机器学习(ML)方法的广泛应用,为解决数据中心能效问题提供了新的途径。本文旨在探讨如何通过机器学习技术对数据中心的能源消耗进行建模、预测和优化,以实现更高的能效。我们首先分析了数据中心能耗的主要组成部分,然后提出了一种基于机器学习的能效优化框架,并详细阐述了关键技术和方法。最后,通过实验验证了所提出策略的有效性,并讨论了未来的研究方向。
|
6天前
|
机器学习/深度学习 运维 监控
利用机器学习优化数据中心能效的研究
【4月更文挑战第19天】在数据中心的运营成本中,能源消耗占据了显著比例。随着能源价格的不断攀升与环境保护意识的加强,如何降低数据中心的能耗已成为研究的热点。本文提出了一种基于机器学习的方法来优化数据中心的能效。通过分析历史运行数据,构建预测模型,并结合实时监控,动态调整资源分配策略以达到节能目的。实验结果表明,该方法能有效减少能源开销,同时保证服务质量。
|
7天前
|
机器学习/深度学习 资源调度 调度
利用机器学习优化数据中心能效的策略研究
【4月更文挑战第18天】 在数据中心的运营成本中,能源消耗占据了显著比例。为了降低这一开销同时减少环境影响,本文提出一套基于机器学习技术的数据中心能效优化策略。通过分析数据中心的能耗模式和环境变量,构建了一个预测模型来动态调整资源分配,实现能源使用的最大效率。与传统方法相比,本研究提出的策略在保证服务质量的前提下,能有效降低能耗,并具备自我学习和适应的能力。
|
27天前
|
机器学习/深度学习 数据采集 算法
利用机器学习优化数据中心的能耗管理
在数据中心管理和运营领域,能耗优化是提高经济效益和环境可持续性的关键。本文提出了一种基于机器学习的方法来优化数据中心的能源消耗,通过实时监控与智能调节系统参数以降低总体能耗。研究采用多种算法对比分析,包括监督式学习、非监督式学习以及强化学习,并在此基础上设计出一套综合策略。该策略不仅提升了能效比(PUE),还保证了系统的高可靠性和性能稳定性。文章的结构首先介绍数据中心能耗管理的重要性,然后详细阐述所提出的机器学习模型及其实现过程,最后通过实验结果验证了方法的有效性。
|
1月前
|
机器学习/深度学习 传感器 监控
利用机器学习优化数据中心能效
在数据中心管理和运营中,能效优化是减少能源消耗、降低运营成本的关键。本文探讨了应用机器学习技术对数据中心的能效进行实时监控和优化的方法。通过分析历史数据和实时参数,构建预测模型来指导冷却系统的调整,实现智能化能源管理。结果表明,该方法可以显著提升数据中心的能源使用效率,为绿色计算提供技术支持。
14 2
|
1月前
|
机器学习/深度学习 资源调度 算法
利用机器学习优化数据中心能效的策略
【2月更文挑战第31天】 在云计算和大数据的时代,数据中心作为核心基础设施,其能效管理已成为技术创新的前沿话题。本文旨在探讨通过机器学习技术优化数据中心能效的可能性与实践策略。通过对现有数据中心运行模式的分析,结合机器学习在能源消耗预测、资源调度和故障检测等方面的应用案例,我们展示了如何实现智能化的能源管理,以及这些技术如何帮助降低运营成本并减少环境影响。文中不仅详细阐述了机器学习模型的构建过程,还讨论了实施中的挑战及未来发展方向。
|
1月前
|
机器学习/深度学习 资源调度 数据挖掘
利用机器学习优化数据中心的能效
【2月更文挑战第30天】在本文中,我们探讨了如何通过应用机器学习技术来优化数据中心的能源效率。传统的数据中心管理方法往往依赖人工经验和定期维护,而机器学习提供了一种自动化和智能化的解决方案。文中首先介绍了数据中心能耗的主要来源,随后详细阐述了机器学习模型在预测和管理数据中心资源中的应用。通过对历史数据的学习和模式识别,机器学习不仅能够准确预测未来的负载变化,还能实时调整硬件配置以最小化能耗。最后,文章展示了一个基于机器学习的能效管理系统原型,并通过实验数据分析验证了该系统的有效性。
|
1月前
|
机器学习/深度学习 传感器 算法
利用机器学习优化数据中心冷却系统
【2月更文挑战第29天】 在本文中,我们探讨了如何应用机器学习技术来改善数据中心的能源效率,特别是针对冷却系统的优化。传统的数据中心冷却方法常常采用静态的、预设的策略,忽视了环境变化和负载波动的影响。通过集成机器学习模型,我们能够实时分析数据中心的操作状况,并动态调整冷却策略,以实现节能和性能的双重提升。文中详细介绍了所采用的算法框架、实验设置以及与传统方法的性能比较。