بازگشت به پایگاه دانش
پایگاه دانش

پیشگیری از حوادث مراکز داده: نقش هوش مصنوعی، گراف‌های معنایی و پایش سلامت باتری

مطلب 48
•
Data Centre Magazine, شماره ۵۶ (نوامبر ۲۰۲۶)

پیشگیری از حوادث دیتاسنتر با پایش هوشمند تله‌متری

در متون کلاسیک مهندسی شبکه و زیرساخت، بازیابی از سانحه (Disaster Recovery یا DR) معمولاً به عنوان فرآیندی واکنشی شناخته می‌شد: بروز یک خطای پیش‌بینی نشده، قطع جریان برق، استارت خوردن ژنراتورهای اضطراری و نهایتاً جابه‌جایی بار کاری سرورها به سایت پشتیبان.

اما با استقرار سرورهای چگالی‌بالای هوش مصنوعی، خطرات چنین رویکردی به شدت افزایش یافته است. زمانی که یک کلاستر بزرگ در اوج مصرف برق و توان حرارتی کار می‌کند، تأخیر در شناسایی یک ناهنجاری حرارتی یا خرابی نامحسوس یک سلول باتری یوپی‌اس، می‌تواند در عرض چند دقیقه به توقف کامل سیستم منجر شود.

استیون براون (Steven Brown)، معاون ارشد بخش EcoStruxure IT و نرم‌افزارهای دیتاسنتر در شرکت اشنایدر الکتریک (Schneider Electric)، در گفت‌وگو با شماره نوامبر ۲۰۲۶ نشریه Data Centre Magazine تأکید می‌کند که تمرکز مهندسی از «بهینه‌سازی زمان بازگشت به مدار» به سمت «پیشگیری و سرکوب حوادث پیش از وقوع» تغییر جهت داده است.


از معیارهای زمان‌محور تا سرکوب حوادث در منبع

در برنامه‌ریزی‌های سنتی Disaster Recovery، دو شاخص همواره مبنای تصمیم‌گیری بودند:

  • شاخص RTO (Recovery Time Objective): حداکثر زمان قابل قبول برای بالا آمدن مجدد سرویس پس از خاموشی.

  • شاخص RPO (Recovery Point Objective): حداکثر بازه زمانی مجاز برای از دست رفتن داده‌ها بین دو نسخه پشتیبان.

اما براون توضیح می‌دهد که در لایه تأسیسات فیزیکی دیتاسنتر، هدف اصلی حفظ پیوستگی کارکرد است تا اساساً نیازی به اجرای سناریوهای طولانی انتقال بار پیش نیاید:

«تمرکز سیستم‌های جدید ما روی فضای محاسباتی سرورها و مدیریت پیوسته سرمایش قرار دارد؛ ما از الگوریتم‌های تحلیلی برای پیشگیری کامل از خرابی استفاده می‌کنیم. ممانعت از خاموشی حرارتی در یک کلاستر یا جلوگیری از نقص در سوئیچینگ یوپی‌اس، فراخوانی فرآیندهای پرریسک مهاجرت سرورها را به کلی بی‌اثر می‌کند.»

با این نگاه، شاخص‌های جدیدی مانند فاصله زمانی میان رخدادها (MTBI) و درصد مهار موفق ناهنجاری‌ها قبل از قطع سرویس، جایگاه ویژه‌ای در ارزیابی قابلیت اطمینان یافته‌اند.

سنسورهای تله‌متری حرارتی و الکتریکی در سالن‌های سرور


ابزارهای هوش مصنوعی در مانیتورینگ تأسیسات فیزیکی

در ساختار سامانه‌های مدیریت زیرساخت مرکز داده (DCIM) جدید، سه فناوری مکمل در کنار هم به کار گرفته می‌شوند:

۱. شبکه‌های عصبی به جای آستانه‌های دمایی ثابت

طبق گزارش تحلیل قطعی مؤسسه Uptime در سال ۲۰۲۵، خطاهای مربوط به نوسانات توان و فرسایش باتری عامل بیش از ۷۰٪ از خاموشی‌های پرهزینه دیتاسنترها بوده‌اند. سامانه‌های قدیمی با آستانه‌های ثابت ۲۸ درجه سانتی‌گراد یا افت ولتاژ زیر ۲۱۰ ولت کار می‌کردند. اما شبکه‌های عصبی با تحلیل روزانه نوسانات دمایی و الگوهای مصرف برق، الگوهای غیرعادی در رفتار ترانسفورماتورها یا رک‌ها را روزها یا هفته‌ها قبل از رد شدن از مرز مجاز تشخیص می‌دهند.

۲. مدل‌سازی وضعیت سلامت باتری (State of Health یا SoH)

یکی از شایع‌ترین علل خاموشی ناگهانی در زمان قطع برق شبکه، وجود سلول‌های فرسوده در بانک‌های باتری UPS است. سیستم‌های نوین با اندازه‌گیری پیوسته مقاومت داخلی (Internal Impedance)، دمای محیطی سلول‌ها و سابقه چرخه‌های شارژ و تخلیه، افت سلامت باتری را برآورد می‌کنند. با این روش، باتری معیوب در یک نوبت نگهداری از پیش تعیین‌شده تعویض می‌شود و سیستم در لحظه بحران غافلگیر نخواهد شد.

۳. خلاصه‌سازی هشدارها با مدل‌های زبانی (LLM)

در زمان بروز یک نقص فنی در تأسیسات، معمولاً صدها آلارم به طور هم‌زمان در پنل‌های مدیریتی ثبت می‌شود. مدل‌های زبانی با بررسی سریع گزارش‌های ثبت‌شده در ۹۰ روز گذشته و زنجیره ارتباط تجهیزات، بیش از ۸۵٪ هشدارهای کاذب و هم‌پوشان را فیلتر کرده و علت اصلی بروز مشکل را در کمتر از ۳ دقیقه به کارشناس شیفت گزارش می‌دهند.


یکپارچه‌سازی سامانه‌ها با گراف‌های معنایی

یکی از مشکلات همیشگی در مدیریت دیتاسنترها، جدایی سامانه‌ها از یکدیگر است:

  • تجهیزات توزیع برق معمولاً از پروتکل صنعتی Modbus استفاده می‌کنند.

  • چیلرها و سیستم‌های تهویه با پروتکل BACnet پایش می‌شوند.

  • نرم‌افزارها و ماشین‌های مجازی درون کلاسترهای Kubernetes در حال اجرا هستند.

هنگامی که یک کابل در تابلوی توزیع برق بیش از حد گرم می‌شود، سیستم چطور باید تشخیص دهد کدام نودهای محاسباتی در معرض خطر قرار دارند؟

برای حل این گسستگی، اپراتورهای پیشرو و کنسرسیوم دوقلوی دیجیتال به سمت چارچوب‌های معنایی متن‌باز مانند Brick Schema و RealEstateCore حرکت کرده‌اند. این ابزارها یک گراف ارتباطی بین فضاهای فیزیکی، مسیر کابل‌ها، کانال‌های آب سرد و سرورهای متناظر ترسیم می‌کنند.

چارچوب‌های معنایی متن‌باز نظیر Brick Schema برای ارتباط تجهیزات فیزیکی و بارهای کاری

به عنوان مثال، مسیر ارتباطی از چیلر اصلی به واحد توزیع مایع، از آنجا به رک مشخص و سپس به پردازنده گرافیکی سرور و در نهایت به کانتینر در حال اجرا نگاشت می‌شود. با وجود این نقشه پیوسته، شناسایی یک افت فشار در لوله آب، بلافاصله اثر خود را بر سرویس نهایی نشان می‌دهد و مهندسان می‌توانند کارهای پردازشی را با آرامش جابه‌جا کنند.


تصمیم‌گیری خودکار یا نظارت انسانی؟

پرسش مهمی که مطرح می‌شود این است: آیا باید به هوش مصنوعی اجازه داد که بدون تأیید انسان، دستور خاموش کردن سرورها یا استارت ژنراتور را صادر کند؟

پاسخ استیون براون محتاطانه است:

«امروز، سیستم‌های ما در نقش ارائه تحلیل و پیشنهاد عمل می‌کنند. ما در حال آماده‌سازی راهکارهایی برای انجام اقدامات کاملاً خودکار در نسخه‌های آینده هستیم. در محیط‌های حساس، جلب اعتماد به صورت مرحله‌ای و با اثبات عملکرد به دست می‌آید.»

به همین علت، در فاز فعلی تصمیم نهایی درباره تغییرات بزرگ همچنان با نظارت مستقیم مهندسان اتاق کنترل (Human in the Loop) اتخاذ می‌شود. همچنین شرکت اشنایدر الکتریک مدل‌های تحلیلی را درون شبکه محلی میزبانی می‌کند تا از حفظ محرمانگی داده‌ها اطمینان حاصل شود.

استیون براون، معاون ارشد نرم‌افزارهای دیتاسنتر اشنایدر الکتریک


تفاوت رویکرد سنتی و نوین در تاب‌آوری دیتاسنتر

  • مبنای هشدار اولیه: مدیریت سنتی بحران (واکنشی): عبور داده‌ها از آستانه خطر یا قطع کامل برق ؛ مانیتورینگ هوشمند (پیشگیرانه): تشخیص زودهنگام ناهنجاری رفتاری توسط شبکه عصبی

  • پایش باتری‌های یوپی‌اس: مدیریت سنتی بحران (واکنشی): آزمون‌های تخلیه فیزیکی در دوره‌های طولانی ؛ مانیتورینگ هوشمند (پیشگیرانه): پایش مداوم امپدانس و پیش‌بینی عمر مفید باقی‌مانده

  • ارتباط برق و نرم‌افزار: مدیریت سنتی بحران (واکنشی): کاملاً مستقل و بی‌ارتباط با یکدیگر ؛ مانیتورینگ هوشمند (پیشگیرانه): هماهنگی کامل لایه تأسیسات با بارهای کاری از طریق گراف معنایی

  • پردازش آلارم‌ها: مدیریت سنتی بحران (واکنشی): بررسی دستی صدها رویداد در گزارش‌های متفرقه ؛ مانیتورینگ هوشمند (پیشگیرانه): فیلتر نویز و شناسایی ریشه رخداد با مدل زبانی

  • هدف نهایی: مدیریت سنتی بحران (واکنشی): به حداقل رساندن زمان خاموشی پس از قطع ؛ مانیتورینگ هوشمند (پیشگیرانه): جلوگیری کامل از ایجاد هرگونه وقفه در سیستم


کاربرد در مدیریت مراکز داده در ایران

در شبکه برق منطقه‌ای و به ویژه در روزهای اوج مصرف تابستان و زمستان که نوسانات فرکانسی یا افت ولتاژ امری محتمل است، به کارگیری این رویکردها ارزش دوچندانی پیدا می‌کند:

۱. پایش لحظه‌ای سلامت باتری‌ها ریسک عدم پاسخگویی یوپی‌اس‌ها در لحظه سوئیچ را از میان برمی‌دارد.

۲. تلخیص خودکار آلارم‌ها، خطای انسانی کارشناسان شیفت را در شرایط اضطراری کاهش می‌دهد.

۳. توزیع بار کاری بر اساس ظرفیت واقعی سرمایش هر ردیف، مانع از به وجود آمدن نقاط داغ (Hot Spots) موضعی می‌شود.

تیم‌های مهندسی زیرساخت از جمله در شرکت طوبی امید رهبر (ابر طوبی)، با الگوگیری از این تجارب و پیاده‌سازی سنسورهای تحلیلی، پایداری مستمر سرورها و ماشین‌های مجازی را در شرایط گوناگون تضمین می‌کنند.

سوالی دارید؟

تیم ما آماده است تا به سوالات شما پاسخ دهد و راهنمایی‌های لازم را ارائه کند.