機器學習和人工智能（AI）的更廣泛采用使一些系統(tǒng)和存儲經(jīng)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(wǎng)絡扇區(qū)。
MarketsAndMarkets的AI分析師Shiladitya Chaterji表示：“用戶請求和數(shù)據(jù)流量可以根據(jù)網(wǎng)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(shù)據(jù)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(yè)向云存儲和專用存儲陣列的轉(zhuǎn)移，具有集成深度學習算法的動態(tài)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(yè)克服被告知將要采用另一種新技術(shù)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(tǒng)中。實際上，有許多會議和協(xié)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(yè)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(xiàn)更多的趨勢。
4.自動化
軟件定義存儲的出現(xiàn)是存儲環(huán)境中機器學習和AI興起的關(guān)鍵影響。在硬件上方添加異構(gòu)軟件控制層，使軟件可以監(jiān)視更多任務。這樣可以釋放存儲管理員的更多戰(zhàn)略職責。
Chaterji說：“AI可以使采用敏捷，靈活架構(gòu)的存儲設施實現(xiàn)自動化。”“它可以智能地控制訪問權(quán)限，動態(tài)重新路由數(shù)據(jù)中心數(shù)據(jù)并自動調(diào)節(jié)數(shù)據(jù)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(xiàn)代企業(yè)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(shù)據(jù)丟失，通過智能數(shù)據(jù)恢復和系統(tǒng)備份策略在停機期間提高可用性并加快周轉(zhuǎn)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(shù)據(jù)中心內(nèi)檢測數(shù)據(jù)/數(shù)據(jù)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(guān)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(jié)構(gòu)應該能夠?qū)?shù)據(jù)從一種云無縫過渡到另一種云。同時，組織可以將所有數(shù)據(jù)作為一個池進行管理，而不管其物理位置。結(jié)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?；旌显谱钣锌赡芘畈l(fā)展。
HDS物聯(lián)網(wǎng)產(chǎn)品和技術(shù)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(shù)據(jù)和開發(fā)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(nèi)存和閃存作為主要存儲介質(zhì)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(qū)動程序?qū)⑹瞧囻{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(qū)動功能。
Western Digital汽車解決方案營銷總監(jiān)Martin Booth說：“車內(nèi)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(wǎng)絡帶寬利用率，這些都將是本地需要更多存儲的驅(qū)動因素。”。
9.并行文件系統(tǒng)
為了支持AI和機器學習功能，存儲系統(tǒng)必須提供大規(guī)模的性能。這意味著它們必須能夠以并行文件系統(tǒng)和閃存之類的技術(shù)在預計的規(guī)模上很好地工作。DataDirect Networks產(chǎn)品營銷高級總監(jiān)Laura Shepard這樣說。
Laura Shepard說：“對于面向未來的基礎(chǔ)架構(gòu)，該系統(tǒng)還需要能夠簡單且經(jīng)濟高效地處理陳舊或較冷的數(shù)據(jù)，并支持通向未來技術(shù)（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(jīng)存儲
Liebl還預測了“神經(jīng)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(shù)取得成功時，可以期待生產(chǎn)率發(fā)生逐步變化。
IT Brand Pulse的分析師Frank Berry表示，到達神經(jīng)存儲不會一蹴而就。他提出了三個階段，最終將實現(xiàn)神經(jīng)存儲網(wǎng)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(tǒng)來源收集數(shù)據(jù)。例如，用戶級別的訪問模式，數(shù)據(jù)流，網(wǎng)絡流以及有關(guān)硬件和軟件故障的數(shù)據(jù)。此階段體現(xiàn)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(shù)據(jù)。這是構(gòu)建自動駕駛所需的監(jiān)視，調(diào)整，修復服務鏈的必經(jīng)之路。
只有達到了這兩個階段，神經(jīng)存儲網(wǎng)絡才能扎根。
Berry說：“真正的神經(jīng)網(wǎng)絡（具有大量數(shù)據(jù)的處理層）已集成到存儲基礎(chǔ)架構(gòu)中，從而使其能夠自行學習和開發(fā)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(jié)論，那就是必須消滅他的機組人員。也許神經(jīng)存儲的結(jié)論是99.99999％的存儲數(shù)據(jù)沒有價值，因此應刪除。但是毫無疑問，這種神經(jīng)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
