随着新的一年到来，汽车行业推出更多的技术和功能，让人们更加接近自动驾驶汽车时代。而推出的新车将告诉人们什么时候加油、何时充气、何时停车、如何停车，以及如何在道路保持安全行驶。人类的目标只是让汽车安全开到目的地，而自动驾驶汽车的表现可能比人们意识到的还要好。
　　
　　据估计，到2020年，超过1000万辆自动驾驶汽车将上路行驶。尽管有些人可能会对这些预测产生争议，但很少有人反对自动驾驶汽车的应用。但是，如果人们可以拥有自动驾驶汽车，人工智能就可以完成大部分工作，那么自驱动的数据中心在哪里处理自动化和机器学习呢？
　　
　　即使对于那些不相信机器可以比人类更有效地执行IT管理任务的人来说，卸载重复功能或者未被识别的事件所带来的效率增益，可以使组织可以更自由地专注于创新的战略项目，并更好地服务客户。
　　
　　像自动驾驶汽车一样，自主管理并在需要时寻求人类帮助的数据中心可能会比人们预想还要更早的到来。即使是复杂的IT基础设施升级和控制也非常困难和耗时，它正变得集中、自动化，并且通过软件而不是硬件来管理。
　　
　　与车辆类似，数据中心越来越多地采用全自动管理的能力。一系列基于分析的解决方案和自动化已经到位，以节省时间、费用和麻烦。以存储行业为例，新设备和编排技术的范围不断改善资源，减少IT人员的参与。几十年前的技术的构建将不再限制存储空间的发展。
　　
　　让我们从一个简单的例子来说明人们如何选择汽车，人们可能会在手动变速器或自动变速器方面进行选择。而自动驾驶汽车避免这个决策：根据定义，其变速器是自动的。同样，对于存储系统以及需要人为干预和管理的大多数遗留系统来说，自动化隐藏了复杂性，但并没有消除复杂性。
　　
　　自动化和机器学习提供多种功能，有助于开发自驱动数据中心。组织可以保证性能而不需要干预。传统存储应用程序会与固定数量的存储桶或IOPS竞争资源。确保为特定应用程序提供一定数量的IOPS可以防其他应用程序访问这些IOPS。换句话说，以汽车来比喻，车道数量是有限的，只有一辆车被允许使用快车道，不允许其他车辆使用。
　　
　　自动化使企业能够随时随地访问IOPS资源，并允许其他虚拟机（VM）将其用于其他目的。所以，尽管它为每个虚拟机确保了一条畅通的通道，但是它也使得虚拟机能够根据需要访问IOPS。这种方法避免了浪费和闲置未使用的IOPS的危险，并在需要时使其可用。例如，允许70英里/小时的速度驾驶的道路并不意味着车辆可以25英里/小时的速度行驶。自动化使组织能够将性能（IOPS）部署到最需要的地方，而不是浪费它。
　　
　　而且，通过给每个虚拟机分配自己的通道，组织可以充分利用他们所有的性能。在极少数情况下，当虚拟机要求超过存储空间时，可以动态地将性能分配给需要的应用程序，而不是先入先出的应用程序。
　　
　　更加顺畅的通往成功之路
　　
　　展望未来，机器学习和自动化可以优化存储阵列的性能，并预测未来的使用趋势。机器学习可以分析过去的性能，以预测未来30天的发展趋势。例如，让组织了解如何优化存储阵列池的性能和容量。
　　
　　通过分析趋势，如果性能下降，机器学习可以使组织将虚拟机从特定阵列移动到虚拟池中的其他位置。更好的是，它允许组织预测和解决阵列性能不佳的问题。
　　
　　这种方法类似于如果前方有行驶的车辆挡路，自动驾驶汽车可以使用共享智能来切换车道。如果发生中断或应用程序突然要求具有更高的性能，则机器学习可以提供相同的存储资源分配给虚拟机的能力。
　　
　　机器学习还可以帮助企业进一步规划未来。通过分析，组织可以改进预测并针对基础设施需求作出更好的决策，从而避免停机。这就像在高速公路上切换另一条车道来解决交通问题一样。
　　
　　自动驾驶汽车的出现提供了从人力控制转向自动化的有力证据，作为使交通更加安全可靠的一种手段。通过自动化来减少或消除数据中心的人工干预，同时通过分析和机器学习加强决策，可以帮助企业改善业务，并显著提高性能和容量。
　　
　　使用这种机器学习的应用程序和设备将会得到进一步发展，而企业将会尝试找到令人兴奋的新方法，其中包括人工智能。虽然关于人工智能是好是坏的争论将会一直持续下去，但是有一些方法可以扩展人工智能的应用，而不会实施太多的控制。自动化使自驱动数据中心成为现实，保证了实时可预测的性能，而无需IT干预。
　　
　　IT团队将能够专注于更重要的任务，为企业增加价值。当他们确保每个虚拟机都有一条畅通的通道时，企业就能实现这个目标。这是激动人心的时刻，而企业在未来需要了解基于机器学习的智能自动化如何成为现代数据中心的关键组件。
　　
　　编辑：Harris