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

XLAs: Der Mensch als Maßstab
Über Jahrzehnte galten Service Level Agreements (SLAs) als Maßstab für gutes IT- und Servicemanagement: Wurde ein Ticket fristgerecht gelöst, war die Aufgabe erledigt. Doch in einer zunehmend digitalisierten Arbeitswelt zeigt sich: Diese Logik greift zu kurz. Effizienz allein entscheidet nicht mehr, ob Mitarbeitende zufrieden und produktiv bleiben. Gefragt ist ein neues Verständnis, das die tatsächliche Erfahrung der Menschen in den Mittelpunkt rückt.
Cloud-Souveränität immer stärker im Mittelpunkt
Mit dem rasanten Fortschritt der digitalen Wirtschaft und dem Aufkommen zahlreicher neuer Technologien - allen voran Künstlicher Intelligenz (KI) - stehen europäische Entscheidungsträger vor einer neuen Herausforderung: Wie lässt sich ein innovatives Ökosystem regionaler Cloud-Anbieter schaffen, das sowohl leistungsfähige Lösungen als auch ausreichende Skalierbarkeit bietet? Und wie kann dieses Ökosystem mit internationalen Anbietern konkurrieren und zugleich die Abhängigkeit von ihnen verringern? Politik, Regulierungsbehörden, Forschungseinrichtungen und Industrievertreter in Europa konzentrieren sich darauf, wie der Kontinent seine Position im globalen Wettlauf um Cloud-Innovationen verbessern kann - ohne dabei die Kontrolle, Autonomie und Vertraulichkeit über europäische Daten aufzugeben, die andernfalls womöglich in anderen Märkten gespeichert, verarbeitet oder abgerufen würden.
Vom Nearshoring zum Smart Sourcing
Aufgrund des enormen IT-Fachkräftemangels und der wachsenden Anforderungen von KI und digitaler Transformationen benötigen Unternehmen heute flexible und kosteneffiziente Lösungen, um wettbewerbsfähig zu bleiben. Für die Umsetzung anspruchsvoller Innovationsprojekte mit hohen Qualitätsstandards entscheiden sich deshalb viele Unternehmen für Nearshoring, da dieses Modell ihnen Zugang zu hochausgebildeten IT-Fachkräften in räumlicher und kultureller Nähe ermöglicht.
Sechs stille Killer des Cloud-Backups
Cloud-Backups erfreuen sich zunehmender Beliebtheit, da sie auf den ersten Blick eine äußerst einfache und praktische Maßnahme zu Schutz von Daten und Anwendungen sind. Andy Fernandez, Director of Product Management bei Hycu, nennt in der Folge sechs "stille Killer", welche die Performance von Cloud-Backups still und leise untergraben. Diese werden außerhalb der IT-Teams, die täglich damit zu tun haben, nicht immer erkannt, können aber verheerende Folgen haben, wenn sie ignoriert werden.
Datenaufbewahrungsstrategie und SaaS
Die Einhaltung von Richtlinien zur Datenaufbewahrung sind für Unternehmen unerlässlich, denn sie sorgen dafür, dass wertvolle Informationen sicher gespeichert und Branchenvorschriften - egal wie komplex sie sind - eingehalten werden. Diese Governance-Frameworks legen fest, wie Unternehmen sensible Daten verwalten - von deren Erstellung und aktiven Nutzung bis hin zur Archivierung oder Vernichtung. Heute verlassen sich viele Unternehmen auf SaaS-Anwendungen wie Microsoft 365, Salesforce und Google Workspace. Die Verlagerung von Prozessen und Daten in die Cloud hat jedoch eine gefährliche Lücke in die Zuverlässigkeit der Datenaufbewahrung gerissen, denn die standardmäßigen Aufbewahrungsfunktionen der Drittanbieter entsprechen häufig nicht den Compliance-Anforderungen oder Datenschutzzielen.
Lücken der SaaS-Plattformen schließen
Die zunehmende Nutzung von Software-as-a-Service (SaaS)-Anwendungen wie Microsoft 365, Salesforce oder Google Workspace verändert die Anforderungen an das Datenmanagement in Unternehmen grundlegend. Während Cloud-Dienste zentrale Geschäftsprozesse unterstützen, sind standardmäßig bereitgestellte Datenaufbewahrungsfunktionen oft eingeschränkt und können die Einhaltung der Compliance gefährden. Arcserve hat jetzt zusammengefasst, worauf es bei der Sicherung der Daten führender SaaS-Anbieter ankommt.
Nicht mehr unterstützte Software managen
Von Windows bis hin zu industriellen Produktionssystemen: Wie veraltete Software Unternehmen angreifbar macht und welche Strategien jetzt nötig sind Veraltete Software ist weit verbreitet - oft auch dort, wo man es nicht sofort vermuten würde. Beispiele für besonders langlebige Anwendungen sind das SABRE-Flugbuchungssystem oder die IRS-Systeme "Individual Master File" und "Business Master File" für Steuerdaten, die seit den frühen 1960er-Jahren im Einsatz sind. Während solche Anwendungen ihren Zweck bis heute erfüllen, existiert daneben eine Vielzahl alter Software, die längst zum Sicherheitsrisiko geworden ist.
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.

Anforderungen an AWS-Sicherheit Ausblick 2024: Public oder Private Cloud?