构建一个全面的传统数据中心需要花费数百万美元,并且需要数月的建设时间。这是一项大多数小型和中型组织难以承受的事业。 但这并不意味着较小的公司就无法拥有自己的数据中心。它们可以通过构建一个微型数据中心来实现这一目标。
什么是微型数据中心?
微型数据中心是一种用于容纳 IT 设备的小型设施。虽然对于数据中心需要多小才能被称为“微型”并没有官方定义,但大多数微型数据中心仅容纳几组服务器机架。
有些微型数据中心具备可移动性,意味着它们可以轻松搬迁;有些则可能采用模块化设计,使其能够根据需要整合进更大型的数据中心中。不过,无论是便携性还是模块化设计,都不是构建微型数据中心的必要条件。任何独立、固定的设施,只要能容纳服务器机架和其他常见数据中心组件,都可以作为微型数据中心使用。
需要注意的是,有人会区分微型数据中心与迷你数据中心,后者的规模略大于前者。但同样,这些标签并没有正式定义。区分微型和迷你数据中心的界限主要具有主观性。
为什么要构建微型数据中心?
考虑构建微型数据中心的主要原因在于,对于 IT 基础设施需求较小的组织来说,这是一种低成本创建专用数据中心设施的方式。
微型数据中心可以视为传统服务器室的升级版。中小型企业有时可能只运营服务器室,但这类服务器室缺乏专用电力系统、HVAC 系统、物理安全控制以及其他构成“真正”数据中心的关键组件。
与此同时,微型数据中心的成本远低于全规模数据中心,而后者对于典型的小型或中型企业而言既无法负担,也可能根本没有部署成千上万服务器的需求。微型数据中心非常适合那些仅需部署几十台或一百台服务器,而非数千台服务器的企业。
微型数据中心并非小型企业获取专用数据中心空间的唯一方式。另一选择是采用 colocation(联合托管),即企业将服务器部署在与其他公司共享的传统数据中心中。但联合托管的缺点在于,客户不能独享整个设施——而这是微型数据中心的一大优势。
虽然对于微型数据中心的具体规模尚无统一标准,但大部分微型数据中心只包含几个机架和必要的基础设施。 图片来源:Alamy。
构建微型数据中心的步骤
构建微型数据中心的具体流程会因设施规模、是否需要便携性或模块化设计等因素而有所不同,但总体上主要包括以下步骤。
1. 选择数据中心地点
首先,要确定数据中心设立的地点。它是会设在企业已有的建筑内,还是需要成为一个可部署在室外位置的独立设施?
2. 部署物理基础设施
根据微型数据中心的地点,企业可以选择合适的物理基础设施来容纳它。对于需要在室外运营且具备便携性需求的设施,可以考虑装置在 shipping container(集装箱)内;而在其他情况下,小型固定建筑可能更为合适。 也可能利用较大建筑的一部分来建立微型数据中心,但前提是该设施必须具备独立的供电和制冷系统;否则,它更像是一个服务器室而非真正的数据中心。
3. 建立辅助系统
下一步是部署电力和 HVAC 系统。企业必须根据设施对电力和制冷能力的需求,评估并安装相应的设备。
4. 保障数据中心安全
物理安全控制对部署微型数据中心至关重要。根据企业可容忍的风险水平与计划部署设施地点的安全状况,必须安装锁具及其他必要的物理安全措施,比如用于监控恶意行为的摄像系统。
5. 部署 IT 设备
在其他部分设施就绪后,企业可以进行最终步骤——在微型数据中心内部署服务器机架和服务器。一旦这些设备安装完毕,整个设施便可以作为一个专用的小型数据中心独立运行。
好文章,需要你的鼓励
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AI虽具备变革企业洞察力的潜力,但成功依赖于数据质量。大多数AI项目失败源于数据混乱分散而非算法局限。谷歌BigQuery云数据AI平台打破数据孤岛,简化治理,加速企业AI应用。通过AI自动化数据处理,实现实时分析,并与Vertex AI深度集成,使企业能够高效处理结构化和非结构化数据,将智能商业转型从愿景变为现实。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。