深度學(xué)習(xí)（Deep Learning），又叫Unsupervised Feature Learning或者Feature Learning，是人工智能的研究方向之一，是一種基于多層神經(jīng)網(wǎng)絡(luò)技術(shù)的機(jī)器學(xué)習(xí)。目前深度學(xué)習(xí)是非常熱門的技術(shù)，已經(jīng)在諸多領(lǐng)域嘗試展開應(yīng)用，尤其是數(shù)據(jù)中心。深度學(xué)習(xí)是把機(jī)器要學(xué)習(xí)的東西看成一大堆數(shù)據(jù)，把這些數(shù)據(jù)丟進(jìn)一個復(fù)雜的、包含多個層級的神經(jīng)網(wǎng)絡(luò)中，然后檢查經(jīng)過這個網(wǎng)絡(luò)處理得到的結(jié)果數(shù)據(jù)是不是符合要求——如果符合，就保留這個網(wǎng)絡(luò)作為目標(biāo)模型，如果不符合，就一次次地、鍥而不舍地調(diào)整網(wǎng)絡(luò)的參數(shù)設(shè)置，直到輸出滿足要求為止。顯然，數(shù)據(jù)中心是最適合深度學(xué)習(xí)施展拳腳的地方，數(shù)據(jù)中心擁有超強(qiáng)的計(jì)算能力和海量數(shù)據(jù)，這些都是深度學(xué)習(xí)必須依賴的東西，深度學(xué)習(xí)理應(yīng)最先在數(shù)據(jù)中心里生根發(fā)芽，不少的數(shù)據(jù)中心也開始意識到，將深度學(xué)習(xí)技術(shù)引入數(shù)據(jù)中心的確能帶來前所未有的益處，于是兩者一拍即合。
深度網(wǎng)絡(luò)學(xué)習(xí)
傳統(tǒng)的網(wǎng)絡(luò)，全部由手工做好各種設(shè)備初始化配置，各種擴(kuò)容、變更、部署業(yè)務(wù)都需要人工手工完成，效率極低且容易出錯，嚴(yán)重依賴個人的技能經(jīng)驗(yàn)水平。發(fā)展到現(xiàn)在，可以通過控制器自動下發(fā)一些預(yù)配置，然后由控制器進(jìn)行網(wǎng)絡(luò)監(jiān)控和管理的工作，控制器的指令是預(yù)先設(shè)計(jì)好的，只是將人工工作交由控制器來完成，這大幅提升了工作效率。不過，這時的網(wǎng)絡(luò)仍不夠智能，控制器根本離不開人來自己工作，尤其是接到一些復(fù)雜變更業(yè)務(wù)，突發(fā)故障時，處理不了。如何讓控制器更加智能，能夠按照人的思路來思考和工作，這樣才能將人從網(wǎng)絡(luò)的運(yùn)維管理中釋放出來，此時深度學(xué)習(xí)來了。深度學(xué)習(xí)讓網(wǎng)絡(luò)控制器可以自己完成網(wǎng)絡(luò)的所有日常變更和突發(fā)故障的處理，深度學(xué)習(xí)以來的大數(shù)據(jù)就是以往所有數(shù)據(jù)中心發(fā)生的故障和經(jīng)驗(yàn)，將這些信息統(tǒng)統(tǒng)輸入到控制器中，通過深度學(xué)習(xí)讓控制器形成自己的網(wǎng)絡(luò)管理實(shí)施，當(dāng)網(wǎng)絡(luò)出現(xiàn)故障時，就能在毫秒級的時間內(nèi)做出判斷和應(yīng)對，這種效率是人無法企及的，深度網(wǎng)絡(luò)學(xué)習(xí)的目的就是讓網(wǎng)絡(luò)更加智能。
深度安全學(xué)習(xí)
網(wǎng)絡(luò)安全已經(jīng)成為一個多維度問題，隨著業(yè)務(wù)的多元化，漏洞，數(shù)量和種類急劇增加。為了防止網(wǎng)絡(luò)被攻破，數(shù)據(jù)中心必須要及時發(fā)現(xiàn)并解決這些漏洞。數(shù)據(jù)中心的安全員每天需要處理的安全報(bào)警數(shù)量一直都在增長，報(bào)警的處理涉及到多個系統(tǒng)，相當(dāng)乏味且很耗時。引入深度學(xué)習(xí)，能否自動而又連續(xù)地從各種各樣的源中收集有關(guān)安全的數(shù)據(jù)，并對可能存在的攻擊和漏洞進(jìn)行甄別，不僅能及時發(fā)現(xiàn)漏洞，還能自動修復(fù)，輸出安全風(fēng)險評估報(bào)告。及時更新全球和行業(yè)特定威脅的最新知識，也就是說每天或每周最新的威脅，這樣才能及時發(fā)現(xiàn)網(wǎng)絡(luò)漏洞。通過深度學(xué)習(xí)，可以大幅提升數(shù)據(jù)中心的網(wǎng)絡(luò)安全，做好安全防護(hù)，避免遭受攻擊。
深度流量識別
傳統(tǒng)的流量識別是將流量準(zhǔn)確地映射到某種協(xié)議或應(yīng)用，其實(shí)就是按照流量特征進(jìn)行識別和分類，達(dá)到流量統(tǒng)計(jì)和過濾的目的，這個工作對于網(wǎng)絡(luò)安全和統(tǒng)計(jì)非常有益。傳統(tǒng)流量識別的方法無非是通過鏡像或者Netstream等監(jiān)控手段，將抓取的全部流量的協(xié)議特征統(tǒng)計(jì)出來，這個過程既耗時又費(fèi)力，有時還需要投入大量的資金購買專用設(shè)備才能完成。深度學(xué)習(xí)可以基于行為特征和機(jī)器學(xué)習(xí)，識別過程自動化，先根據(jù)少量的數(shù)據(jù)樣本進(jìn)行訓(xùn)練，訓(xùn)練完畢后開始對整個數(shù)據(jù)中心網(wǎng)絡(luò)流量進(jìn)行識別，完成識別工作。這種方式將大大提升流量識別的效率，尤其適用于語音和圖像這類流量中。比如：要對某個網(wǎng)站的流量進(jìn)行監(jiān)控，看是否有涉黃部分的圖片或者視頻，現(xiàn)在大部分的網(wǎng)站還是靠人工觀察，效率極低，采用深度學(xué)習(xí)就好了，能夠自動識別流量中的涉黃內(nèi)容，直接攔截，達(dá)到自動識別和攔截的目的。
深度降耗
數(shù)據(jù)中心是能耗大戶，節(jié)能減排是一項(xiàng)長期工作。除了提升單位面積內(nèi)的設(shè)備運(yùn)行效率外，還可以對能耗情況進(jìn)行深度學(xué)習(xí)。谷歌就將深度學(xué)習(xí)的技術(shù)用在了數(shù)據(jù)中心的節(jié)能降耗上。谷歌的數(shù)據(jù)中心可以通過深度學(xué)習(xí)，實(shí)現(xiàn)各種設(shè)備內(nèi)的風(fēng)扇、數(shù)據(jù)中心的空調(diào)與環(huán)境溫濕度情況聯(lián)動，既保證所有設(shè)備的散熱，又最大限度的降低能源消耗。通過深度學(xué)習(xí)，數(shù)據(jù)中心節(jié)省大約15%的能源開銷，每年為谷歌節(jié)省數(shù)百萬美元的成本。采用深度學(xué)習(xí)降耗，就是利用現(xiàn)有數(shù)據(jù)中心的資源，在保證所有設(shè)備正常運(yùn)轉(zhuǎn)的情況下，使用最低能耗，這是一個十分復(fù)雜的過程，需要采集數(shù)據(jù)中心內(nèi)部所有設(shè)備的運(yùn)轉(zhuǎn)狀態(tài)和空調(diào)環(huán)境情況，通過深度學(xué)習(xí)，做出準(zhǔn)確判斷，再通過控制系統(tǒng)，將判斷結(jié)果執(zhí)行下去。
除了以上這些方面，數(shù)據(jù)中心其它所有的方面也可以引入深度學(xué)習(xí)，讓整個數(shù)據(jù)中心成為智能數(shù)據(jù)中心，成為一個會自我思考，自我管理的自治數(shù)據(jù)中心。深度學(xué)習(xí)將遍及數(shù)據(jù)中心內(nèi)的每一個元素，深度學(xué)習(xí)正在成為保持?jǐn)?shù)據(jù)中心業(yè)務(wù)發(fā)展的必要手段。從自主運(yùn)營、降耗、執(zhí)行預(yù)測性維護(hù)到持續(xù)的工作負(fù)載調(diào)整。沒有深度學(xué)習(xí)，想要實(shí)現(xiàn)數(shù)據(jù)中心的穩(wěn)定持續(xù)的盈利運(yùn)營幾乎是不可能的。深度學(xué)習(xí)將為數(shù)據(jù)中心提供更智能的基礎(chǔ)設(shè)施和相關(guān)資產(chǎn)，以監(jiān)控、優(yōu)化和改善運(yùn)營，這些將包括存儲，計(jì)算和網(wǎng)絡(luò)。人工智能的時代來了，數(shù)據(jù)中心也是人工智能的重要實(shí)踐場地，作為人工智能的重要技術(shù)之一的深度學(xué)習(xí)，必將在數(shù)據(jù)中心大放異彩。
