京公网安备 11010802034615号
经营许可证编号:京B2-20210330
未来的数据中心融合与超融合基础设施
鉴于云计算、大数据、移动技术和物联网等新兴技术的发展,推动了数据中心朝着现代化方向演化的趋势。那些传统的基础设施已经太过僵硬,无法满足当下的市场需求,而且太过复杂,无法在成本或效率方面实现有效的管理。向超融合基础设施方向的发展提供了基础架构的可扩展性,可以随着时间的推移在模块化基础上进行扩展,以帮助扩展数据中心的容量。更重要的是,其可以有助于将数据中心从孤岛转向软件定义的架构,进而能够更快地采用新技术,从而使得在当今所投资的任何技术能够在未来得到验证。
数据中心的演变
传统的IT模型是为支持过去的业务模式而设计的,在这类过去的业务模式中,企业业务的发展速度只能与IT部门提供资源的速度同步。这种单片数据中心方法是由硬件驱动的,并且是服务器依赖的。每个物理组件都是特定于工作负载的,故而需要新设备来扩展资源。这种硬件依赖性不仅导致了数据中心需要占用更大的空间,而且数据中心的规模大小也会限制其IT容量。
硬件的限制
企业采用基于硬件的基础设施方法存在许多挑战。其中最值得注意的是,IT资源存储在离散的孤岛筒仓中,导致资源的低效使用。一些资源利用不足,而另一些资源却过度扩展。其同时也是一个复杂的系统,需要多个玻璃面板来进行管理。供应商不兼容还增加了任务的成本和复杂性,并限制了投资可以为企业业务所增加的价值。
技术影响
新的技术创新的快速推出,已经成为帮助企业加快和简化业务工作流程的一种手段。像云计算、移动化、物联网(IoT)和社交媒体等技术创新导致了现如今的企业组织必须管理、分析、优化、共享、存储和保护爆炸式的数据增长。这已经过度扩展了硬件基础设施。这些刚性配置根本不能规模化扩展以满足增加的容量需求,也不能够快速地配置以加速业务获得竞争性收益。
虚拟化的崛起
将虚拟化技术引入数据中心可将物理计算机硬件、操作系统、存储设备和网络组件作为虚拟化资源进行模拟。系统资源可以跨虚拟化组件配置。例如,一台虚拟机可以被配置为在业务的特定区域中增加应用程序的工作负载。虽然这解决了一些基础架构可扩展性方面的挑战,但其同时也为数据中心增加了一层管理的复杂性,这仍然需要许多的玻璃面板,并还会耗费IT员工许多小时的管理时间。
虚拟化
虽然虚拟化解决了一些硬件方面的挑战,但其仍然导致了碎片化的基础架构,其中一些虚拟化资源将与传统遗留组件混合。因此,管理成本的增加削减了虚拟化技术的部署所为企业业务增加的价值。使用软件作为结构,将组件捆绑在一起以提高效率和灵活性的理念已经推动了软件定义的数据中心(SDDC)这一概念的兴起。在这种情况下,整个基础架构都进行了虚拟化,资源作为服务被交付。管理是集中式的,并且通过软件自动进行配置,从而实现单一的窗格化管理,节省了时间和资金。因为其利用存储、网络和服务器的虚拟化,SDDC可以弥合传统和新技术部署之间的差距,并提供灵活的未来就绪的基础设施。
软件定义的数据中心
数据中心现代化的要求之一是可扩展的IT服务交付。只有当IT基础架构能够自动化以按需提供资源时,才能实现此目标。根据Hyperconverged.org网站的调研显示,典型的数据中心拥有来自多家不同供应商的8到12款不同的硬件和软件产品。由此所出现的复杂性演变成为管理的复杂性。每款解决方案都是单独存在的,需要由专门针对该技术培训的资源进行管理。即使在最佳的情况下,每个组件都有可能被过度配置或配置不足。通过融合计算、存储和网络,可以将资源联合起来进行准确和快速的配置。
整合的业务益处
整合数据中心资产对于寻求简化的企业组织来说是一项非常有吸引力的举措。也许,在降低成本方面,没有比美国白宫决心更大的组织机构了。例如,白宫的管理和预算办公室(OMB)启动了联邦数据中心整合中心倡议(FDCCI)。该倡议旨在减少数据中心的能源使用,降低硬件、软件和管理的成本,以便让资金可以分配到更有效的计算技术。
鉴于此,FDCCI倡议在10584处数据中心中关闭了3125处。据此,这一举措导致了2011年至2015年,实现了共计高达28亿美元的成本节省,预计到2019年财政年度,这一数字将增加到82亿美元。
超融合基础设施:
软件定义的灵活性
虽然融合基础设施主要是面向硬件的,具有集中管理的扩展平台,但超融合基础设施是由软件定义的组件实现的模块化解决方案。与融合不同,计算、存储和网络资源集成到一款单个设备中,添加了一个软件层作为一种手段,以提供集中的自动化管理和控制。结果是一个紧密集成的资源包,可以为任何需要它们的工作负载配置和部署。这进一步使IT能够在业务需要时快速供应资源。
超融合的趋势是加快速度。根据Gartner公司的估计,超融合集成系统将成为未来五年的主流。该公司认为超融合的崛起更多是动态的,基于结构的基础设施所推动的,能够支持连续的应用程序交付,但却能够提供模块化的基础设施,可以作为业务规模化添加,而不需要花费大量的资本费用。采用超融合基础设施的障碍:超融合基础设施为企业带来的好处是显而易见的,而其采用的趋势也同样如此。然而,并不是所有的企业都积极在其数据中心部署了这一创新。其中一大障碍便是可扩展性的形式。目前,超融合尚未被证明能够提供融合基础设施所能够提供的完全可扩展性。其次,抵触改变或恐惧犯错的企业文化使得企业数据中心在部署超融合基础设施方面存在障碍。该技术正在趋向成为主流,逐渐开始成为被接受的基础设施方法,但尚未达到大规模采用的程度。
* * *
技术的发展,推动了数据中心朝着现代化方向演化的趋势。那些传统的基础设施已经太过僵硬了,无法满足当下的市场需求;而且太过复杂,无法在成本或效率方面实现有效的管理。向超融合基础设施方向的发展提供了基础架构的可扩展性,可以随着时间的推移在模块化基础上进行扩展,以帮助扩展数据中心的容量。更重要的是,其可以有助于将数据中心从孤岛转向软件定义的架构,进而能够更快地采用新技术,从而使得在当今所投资的任何技术能够在未来得到验证。
虽然超融合的可扩展性在今天并不像融合基础设施那样广泛,但是存储技术的进步预计会在短期内改变。在接下来的24到36个月内,我们相信超融合基础设施将有能力在扩展资源方面超越融合基础设施的能力。无论怎样,通过融合或超融合技术的采用都可以获得益处。任何企业的最佳选择方案都是既能满足当前基础设施需求,同时还能够使公司在未来保持竞争优势。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在使用Excel透视表进行数据汇总分析时,我们常遇到“需通过两个字段相乘得到关键指标”的场景——比如“单价×数量=金额”“销量 ...
2025-11-14在测试环境搭建、数据验证等场景中,经常需要将UAT(用户验收测试)环境的表数据同步到SIT(系统集成测试)环境,且两者表结构完 ...
2025-11-14在数据驱动的企业中,常有这样的困境:分析师提交的“万字数据报告”被束之高阁,而一张简洁的“复购率趋势图+核心策略标注”却 ...
2025-11-14在实证研究中,层次回归分析是探究“不同变量组对因变量的增量解释力”的核心方法——通过分步骤引入自变量(如先引入人口统计学 ...
2025-11-13在实时数据分析、实时业务监控等场景中,“数据新鲜度”直接决定业务价值——当电商平台需要实时统计秒杀订单量、金融系统需要实 ...
2025-11-13在数据量爆炸式增长的今天,企业对数据分析的需求已从“有没有”升级为“好不好”——不少团队陷入“数据堆砌却无洞察”“分析结 ...
2025-11-13在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10在数字经济时代,“数字化转型” 已从企业的 “可选动作” 变为 “生存必需”。然而,多数企业的转型仍停留在 “上线系统、收集 ...
2025-11-10在数据分析与建模中,“显性特征”(如用户年龄、订单金额、商品类别)是直接可获取的基础数据,但真正驱动业务突破的往往是 “ ...
2025-11-07在大模型(LLM)商业化落地过程中,“结果稳定性” 是比 “单次输出质量” 更关键的指标 —— 对客服对话而言,相同问题需给出一 ...
2025-11-07在数据驱动与合规监管双重压力下,企业数据安全已从 “技术防护” 升级为 “战略刚需”—— 既要应对《个人信息保护法》《数据安 ...
2025-11-07在机器学习领域,“分类模型” 是解决 “类别预测” 问题的核心工具 —— 从 “垃圾邮件识别(是 / 否)” 到 “疾病诊断(良性 ...
2025-11-06在数据分析中,面对 “性别与购物偏好”“年龄段与消费频次”“职业与 APP 使用习惯” 这类成对的分类变量,我们常常需要回答: ...
2025-11-06