Sie sind hier: Startseite » Markt » Tipps und Hinweise

Das Datenvolumen wächst ständig


IT-Teams stehen in verteilten Umgebungen in der Cloud und vor allem in Hybrid-Cloud-Szenarien vor erheblichen Aufgaben, um Daten zu sichern und verfügbar zu halten
Fünf Disziplinen, in denen Künstliche Intelligenz und Machine Learning eine cyberresiliente Datensicherung automatisieren und verbessern


Von Uli Simon, Director Sales Engineering bei Commvault

Daten cyberresilient zu schützen, zu sichern und wiederherstellen zu können, ist für große Unternehmen oder für den gehobenen Mittelstand eine Aufgabe, die ohne den Einsatz von Künstlicher Intelligenz oder Machine Learning nicht mehr zu bewältigen ist. KI und ML helfen einerseits, sensible Datenbestände zu identifizieren und sie vor Cyberangriffen zu schützen. Andererseits rationalisieren und automatisieren sie die Sicherung von Daten in einer einheitlichen Datenplattform eines Unternehmens.

IT-Teams stehen in verteilten Umgebungen in der Cloud und vor allem in Hybrid-Cloud-Szenarien vor erheblichen Aufgaben, um Daten zu sichern und verfügbar zu halten. Sie kommen aber nicht mehr damit nach, alle dafür nötigen Informationen zu sichten und zu bewerten. Knappe Ressourcen und eingeschränkte Budgets können die Situation verschärfen, Denn auch bei geringeren Mitteln ist nur selten weniger und in der Regel eher mehr durch weiterwachsende Datenmengen oder komplexere Umgebungen zu leisten. Mit einer fortschrittlichen Plattform, die auf KI- und ML-Techniken basiert, können IT-Administratoren jedoch die Effizienz und Resilienz Ihrer Plattform erheblich verbessern. Data-Management-Plattformen lassen sich durch diese Technologien besser überwachen, ihr Betrieb in großem Umfang automatisieren und die Betriebsbereitschaft verbessern.

Disziplin 1: Abläufe automatisieren
Das Datenvolumen wächst ständig, die verfügbare Zeit, sie täglich zu sichern, bleibt begrenzt. Schließlich hat auch ein IT-Tag nur 24 Stunden. Herkömmliche Backup-Pläne beruhen auf statischen Regeln und daraus abgeleiteten Zeitplänen, um Daten so effizient und schnell wie möglich zu sichern. Herkömmliche statistische Ansätze, um Backup-Jobs zu planen, führen häufig zu komplexen Konfigurationen und Ineffizienzen, wenn die Wartezeiten für einen Job zu lange werden oder dieser das für ihn vorgesehene Zeitfenster überschreitet. Eine KI- und ML-unterstützte Backup-Plattform sagt durch den Einsatz von auf chronologischen, seriellen Daten aufbauendem maschinellem Lernen die einzelnen Laufzeiten der Jobs besser voraus und plant diese effizienter. Mit der Kalkulation der gewünschten Recovery Point Objectives (RPOs) bewertet sie Workloads nach den Kriterien der Geschäftsabläufe und stellt sicher, dass jeder Workload die entsprechende Priorität erhält. Dank solcher Automatismen können die IT-Teams die Zeitfenster für die Datensicherung minimieren, ohne selbst entscheiden zu müssen.

Disziplin 2: Ressourcenbedarf kalkulieren
Bei steigender Datenmenge muss eine Plattform zum Backup mit dem Datenwachstum skalieren, was zusätzliche Rechen- und Speicherressourcen erforderlich macht. Datenbestände können – freilich seltener - auch schrumpfen, etwa bei international tätigen Unternehmen, die sich aus geschäftlichen Gründen regional verkleinern. Ein solches Anpassen des Speicherbedarfs können IT-Administratoren nicht manuell vornehmen. Automatismen sind nötig, damit die Infrastrukturkosten nicht aufgrund einer verzögerten Entscheidung steigen. Machine-Learning-Techniken bewerten den zukünftigen Ressourcenbedarf in Echtzeit, indem sie die Trends des Datenwachstums analysieren und die erforderlichen Rechenressourcen zum Einhalten der definierten Service Level Agreements (SLAs) vorhersagen. Sie passen automatisch die Rechenressourcen je nach Bedarf an oder geben Hinweise, wenn ein Zukauf nötig ist.

Disziplin 3: Ressourcenauswahl optimieren
Darüber hinaus optimiert eine KI-gestützte Plattform die Auswahl von Rechenressourcen und berücksichtigt dabei, wie die Daten regional verteilt sind oder von wo sie etwa Standorte abrufen. So nutzt sie Rechenknoten effizient und schafft eine ausgewogen belastete und kostenoptimierte IT-Infrastruktur. Vor allem in der Hybrid Cloud kommt es darauf an, Ressourcen richtig zu verteilen.

Disziplin 4: Rationalisiert überwachen
Große IT-Infrastrukturen sind komplex und nicht alle Ereignisse lassen sich daher vorhersehen. IT-Verantwortliche können die alltäglichen Abläufe nicht mehr oder nicht korrekt überwachen. Nur wenige Fehler treten lediglich vorübergehend auf oder sind eine Routine-Angelegenheit und lassen sich ohne sofortiges menschliches Eingreifen beheben. Andere erfordern die Aufmerksamkeit von Fachkräften. Derart kritische Fehler bleiben aber ohne priorisierte und gefilterte Meldungen zu lange unentdeckt. KI- und ML-gestützte Plattformen sammeln daher kontinuierlich Daten aus den verschiedenen täglichen Backup-Vorgängen, analysieren sie und lernen, wie ein typisches Verhalten eines funktionierenden Backups sich darstellt. Machine-Learning-Algorithmen analysieren diese Daten, um zu unterscheiden, ob es sich bei länger dauernden Jobs oder abnehmender Leistung um eine Ausnahme, um das Ergebnis eines externen Ereignisses oder um ein erwartetes Ergebnis aufgrund der zunehmenden Größe und des Umfangs der Daten handelt. Die intelligente Analyse hebt Vorgänge hervor, die sich ein IT-Administrator anschauen sollte, und bietet ihm umfassende Informationen, um Fehler zu beheben oder kritische Probleme zu lösen. Bei Anomalien, wie ungewöhnlich hohen Ausfallraten oder verzögert abgeschlossenen Jobs, löst das System intelligent einen Alarm aus, so dass sich die Administratoren auf kritische Probleme konzentrieren können.

Disziplin 5: Sich operativ vorbereiten
Eine gut aufgestellte Datensicherung ist eine unverzichtbare Grundlage, um im Ernstfall die Daten schnell und effizient wiederherzustellen. Benutzer können dank KI und ML optimale Recovery Time Objectives und Recovery Point Objectives definieren und erhalten Alarme, wenn vordefinierte Service Level Agreements zur Datenverfügbarkeit eventuell nicht mehr eingehalten werden. Das gilt insbesondere in einer hybriden Cloud, in der es zu unerwarteten Problemen in der Hardware-Supply-Chain kommen kann. KI und ML vereinfachen und verbessern die Beschaffungsprozesse, indem die Technologie maschinelles Lernen einsetzt, um Muster zum Verbrauch aus der Vergangenheit zu analysieren, saisonale Faktoren zu berücksichtigen und den zukünftigen Speicherbedarf vorherzusagen. So haben die IT-Verantwortlichen genügend Zeit, um zu reagieren und Kapazitäten hinzuzufügen.

Eine Technologie der Gegenwart
Eine praxisbezogene Künstliche Intelligenz und maschinelles Lernen helfen schon jetzt, Daten automatisiert zu sichern sowie wiederherzustellen, und tragen zur Cyberresilienz von Datenplattformen bei. Das verbessert auch konkret den Backupbetrieb von der Planung bis hin zur kontinuierlichen Fehlersuche. Erst KI und Machine Learning ermöglichen automatisierte Abläufe mit hinreichender Sicherheit. Diese Technologien sind nicht nur Konzepte für die Zukunft. Sie sind verfügbar und können schon heute operativ eingesetzt werden. (Commvault: ra)

eingetragen: 20.01.24
Newsletterlauf: 04.04.24

CommVault: Kontakt und Steckbrief

Der Informationsanbieter hat seinen Kontakt leider noch nicht freigeschaltet.


Meldungen: Tipps und Hinweise

  • Wie sich Teamarbeit im KI-Zeitalter verändert

    Liefertermine wackeln, Teams arbeiten unter Dauerlast, Know-how verschwindet in der Rente: In vielen Industrieunternehmen gehört der Ausnahmezustand zum Betriebsalltag. Gleichzeitig soll die Zusammenarbeit in Produktion, Qualitätskontrolle und Wartung immer schneller, präziser und vernetzter werden. Wie das KI-gestützt gelingen kann, zeigt der Softwarehersteller Augmentir an sechs konkreten Praxisbeispielen.

  • Vom Workaround zum Schatten-Account

    Um Aufgaben im Arbeitsalltag schneller und effektiver zu erfüllen, ist die Suche nach Abkürzungen Gang und Gebe. In Kombination mit dem technologischen Fortschritt erreicht die Effizienz menschlicher Arbeit so immer neue Höhen und das bringt Unternehmen unwissentlich in eine Zwickmühle: Die zwischen Sicherheit und Produktivität. Wenn ein Mitarbeiter einen Weg findet, seine Arbeit schneller oder besser zu erledigen, die Bearbeitung von Zugriffsanfragen durch die IT-Abteilung aber zu lange dauert oder zu kompliziert ist, dann finden Mitarbeiter oftmals "kreative" Lösungen, um trotzdem weiterarbeiten zu können. Diese "Workarounds" entstehen selten aus böser Absicht. Allerdings stellen sie gravierende Sicherheitslücken dar, denen sich viele Beschäftigte und Führungskräfte nicht bewusst sind.

  • KI in der Cloud sicher nutzen

    Keine Technologie hat die menschliche Arbeit so schnell und weitreichend verändert wie Künstliche Intelligenz. Dabei gibt es bei der Integration in Unternehmensprozesse derzeit keine Tür, die man KI-basierter Technologie nicht aufhält. Mit einer wachsenden Anzahl von KI-Agenten, LLMs und KI-basierter Software gibt es für jedes Problem einen Anwendungsfall. Die Cloud ist mit ihrer immensen Rechenleistung und Skalierbarkeit ein Motor dieser Veränderung und Grundlage für die KI-Bereitstellung.

  • Clever skalieren auf Basis bestehender Strukturen

    Da Generative AI zunehmend Teil unseres Alltags wird, befinden wir uns in einer KI-Phase, die sich durch außerordentliche Fähigkeiten und enormen Konsum auszeichnet. Was anfangs auf einer theoretischen Ebene stattgefunden hat, ist inzwischen messbar - und zwar bis zur kleinsten Einheit. Aktuelle Untersuchungen von Mistral AI und Google deuten darauf hin, dass die Folgen einer einzigen Interaktion vernachlässigbar sind: Bruchteile eines Watts, einige Tropfen Wasser und ein Kohlenstoffausstoß, der etwa dem entspricht, was beim Streamen eines Videos unter einer Minute verbraucht wird.

  • Von Cloud-First zu Cloud-Smart

    Die zunehmende Vernetzung von IT- und OT-Systemen bedeutet für die Fertigungsindustrie neue Sicherheitsrisiken. Ein moderner Cloud-Smart-Ansatz verbindet Innovation mit effektiven Sicherheitslösungen, um diesen Herausforderungen gerecht zu werden. Die industrielle Digitalisierung stellt die Fertigungsindustrie heute vor neue Herausforderungen - insbesondere in puncto Sicherheit.

  • Technik statt Vertrauen

    Die andauernden Turbulenzen in den USA seit Amtsantritt von Donald Trump, die konsequente Kürzung von Mitteln für Datenschutz und die Kontrolle staatlicher Überwachungsprogramme verdeutlichen: Wer als Behörde oder Institution höchste Datensicherheit garantieren muss, kann nicht auf US-amerikanische Unternehmen oder deren europäische Töchter setzen.

  • Risiko von SaaS-zu-SaaS-Integrationen

    Ein SaaS-Sicherheitsalbtraum für IT-Manager in aller Welt wurde kürzlich wahr: Hacker nutzten legitime OAuth-Tokens aus der Drift-Chatbot-Integration von Salesloft mit Salesforce, um unbemerkt Kundendaten von der beliebten CRM-Plattform zu exfiltrieren. Der ausgeklügelte Angriff deckt einen kritischen toten Winkel auf, von dem die meisten Sicherheits-Teams nicht einmal wissen, dass sie von ihm betroffen sind.

  • Kostenfallen erkennen und vermeiden

    Remote Work, Cloud Computing und mobile Endgeräte haben die Arbeitswelt grundlegend verändert. Mitarbeiter erwarten heute, von überall aus auf ihre Anwendungen und Daten zugreifen zu können. Virtuelle Desktop-Lösungen machen diese Flexibilität möglich, indem sie Desktop-Umgebungen und Anwendungen über das Netzwerk eines Unternehmens bereitstellen. Doch der Markt für solche Lösungen ist komplex und vielfältig. IT-Entscheider stehen vor der Herausforderung, aus dem Angebot die passende Lösung zu identifizieren, die sowohl technische Anforderungen als auch wirtschaftliche Ziele erfüllt.

  • Übergang in die neue Systemlandschaft

    Der Umstieg auf SAP S/4HANA ist bei vielen Unternehmen bereits in vollem Gange oder steht unmittelbar bevor. Wer in diesem Zusammenhang seine Archivierungsstrategie überdenkt, kann wertvolle Zeit, Kosten und Aufwand sparen. Die Archivierungsexperten von kgs haben zehn zentrale Aspekte zusammengestellt, die dabei helfen, den Übergang in die neue Systemlandschaft effizient und zukunftssicher zu gestalten.

  • Die Zukunft braucht offene KI-Infrastrukturen

    KI ist mehr als ein ominöses Hinterzimmer-Experiment. Die Technologie ist eine treibende Kraft, wenn es um Produkte, Entscheidungen und Nutzererfahrungen über jegliche Wirtschaftsbereiche hinaus geht. Mittlerweile stellen Unternehmen jedoch die Inferenz in den Mittelpunkt ihrer KI-Implementierungen. Hier können die Modelle ihren eigentlichen Mehrwert unter Beweis stellen - unter anderem in Form von Antworten auf drängende Fragen, Vorhersagen und Content-Generierung. Der Anstieg des Inferenz-Bedarfs bringt jedoch eine entscheidende Herausforderung mit sich. Bei Inferenzen handelt es sich nämlich nicht um einzelne Workloads.

Wir verwenden Cookies um unsere Website zu optimieren und Ihnen das bestmögliche Online-Erlebnis zu bieten. Mit dem Klick auf "Alle akzeptieren" erklären Sie sich damit einverstanden. Erweiterte Einstellungen