大规模的单一供应商部署、紧密集成的混合环境以及复杂的多云架构在企业中已司空见惯。这些多元化的部署凸显了基于人工智能的工具在云性能优化和成本降低方面的重要性。根据 Azul 发布的《CIO 云趋势调查与报告》，首席信息官 (CIO) 们表示，他们的实际基础设施和应用云支出平均比预期高出 30%。
云计算和人工智能行业的持续快速增长创造了众多发展机遇。然而，这也给云管理员和 IT 团队带来了压力，他们需要在瞬息万变的市场中不断了解最新的人工智能功能和技术。虽然对人工智能进行人工监督至关重要，但企业也必须积极采用人工智能，通过将人工智能及其分析快速集成到云优化策略中，确保自身保持敏捷性和竞争力。
如今，云领导者可以利用人工智能优化云性能并确保可靠性。了解人工智能如何减少人工工作量、提供更智能的自动化并降低云成本，从而打造更佳的整体环境。
1. 主动问题缓解
人工智能基于实时指标和历史数据，对现有和潜在问题进行预测分析。人工智能的自调优功能使其能够根据预测结果满足流量和工作负载需求。这使得 IT 团队能够在问题导致额外云成本或性能下降之前进行缓解。管理员甚至可以启用人工智能来触发针对常见性能问题的自动化工作流程。
诸如 Splunk Observability Cloud 之类的产品可确保管理员在云部署中主动应对潜在问题。这些工具能够预测故障，并利用自身响应的指标来调整未来的缓解策略。
2. 资源争用识别
资源冲突会导致计算、存储和网络资源的过度使用。过度使用会导致云服务性能下降、运行缓慢。人工智能 (AI) 提供实时分析和监控，可以发现云资源之间的任何争用点。通过持续使用这些数据，特别是机器学习数据资源，AI 有助于提高效率。
3. 预测性资源分配
除了资源争用问题，人工智能还能预测云资源的消耗情况。人工智能收集这些信息并提供给 IT 团队，IT 团队可以利用人工智能配置动态扩展，从而平衡云成本和性能。自动化扩展使基础设施能够比手动管理流程更快地响应需求变化。这在需求快速变化的高波动性环境中尤为重要。人工智能甚至可以根据云资源争用问题生成、定义和优化自动扩展策略。
主要云服务提供商 (CSP) 提供专门用于自动扩展的人工智能解决方案，包括 AWS Auto Scaling、Google Cloud Autoscaler 和 Azure Autoscale。社交媒体平台 Pinterest 使用 AWS 来支持其自动扩展功能。如今，AWS 报告称，Pinterest 的日志搜索和分析容量已扩展到 1.7 TB 以上，而运营成本降低了 30%。
4. 性能瓶颈分析
根本原因分析对于防止问题再次发生至关重要。然而，这个过程通常耗时且不够精确。人工智能 (AI) 可以大大减轻查找性能瓶颈原因或扩展方案未能满足用户需求的繁琐工作。AI 会关联日志文件条目、性能指标和现有配置，从而发现导致性能不佳或停机的根本问题。
请注意，应用层和基础设施层的瓶颈需要不同的分析方法。如果问题与应用程序开发相关，AI 可以提供代码分析，帮助程序员针对云用户优化应用程序。对于基础设施层配置错误的管理代码，AI 可以帮助开发 YAML 或 JSON 配置文件，以确保资源的正确配置和扩展。
5. 云资源合理配置
云优化旨在最大限度地减少浪费、降低成本并提高性能。这也被称为资源合理配置。AI 可以为管理员提供大量关于最佳资源合理配置的指导。混合云和多云环境通常最能受益于此功能，因为人工智能可以帮助确定本地部署是否比云配置更好。
人工智能还可以帮助我们更好地了解云服务提供商 (CSP) 的产品，找到在云成本和性能之间取得最佳平衡的服务。例如，一家提供商可能提供更优惠的存储服务价格，而另一家则提供功能更丰富的虚拟化功能。合理配置资源旨在防患于未然，消除瓶颈问题和资源过度利用。
云优化的未来
在基于人工智能的云优化方面，您应该关注哪些未来趋势？
以下是一些趋势：
- 生成式人工智能解决方案在云部署工具中的集成度不断提高。
- 人工智能分析在边缘计算场景中的进一步集成，以实现更快的分析和行动。
- 智能体人工智能的持续发展。
作者：Damon Garn
本文转自：千家网，转载此文目的在于传递更多信息，版权归原作者所有。如不支持转载，请联系小编demi@eetrend.com删除。
