深度学习与数据中心之间的关系

深度学习(Deep Learning)，又叫Unsupervised Feature Learning或者Feature Learning，是人工智能的研究方向之一，是一种基于多层神经网络技术的机器学习。目前深度学习是非常热门的技术，已经在诸多领域尝试展开应用，尤其是数据中心。

深度学习是把机器要学习的东西看成一大堆数据，把这些数据丢进一个复杂的、包含多个层级的神经网络中，然后检查经过这个网络处理得到的结果数据是不是符合要求——如果符合，就保留这个网络作为目标模型，如果不符合，就一次次地、锲而不舍地调整网络的参数设置，直到输出满足要求为止。

显然，数据中心是最适合深度学习施展拳脚的地方，数据中心拥有超强的计算能力和海量数据，这些都是深度学习必须依赖的东西，深度学习理应最先在数据中心里生根发芽，不少的数据中心也开始意识到，将深度学习技术引入数据中心的确能带来前所未有的益处，于是两者一拍即合。

深度网络学习

传统的网络，全部由手工做好各种设备初始化配置，各种扩容、变更、部署业务都需要人工手工完成，效率极低且容易出错，严重依赖个人的技能经验水平。发展到现在，可以通过控制器自动下发一些预配置，然后由控制器进行网络监控和管理的工作，控制器的指令是预先设计好的，只是将人工工作交由控制器来完成，这大幅提升了工作效率。不过，这时的网络仍不够智能，控制器根本离不开人来自己工作，尤其是接到一些复杂变更业务，突发故障时，处理不了。

如何让控制器更加智能，能够按照人的思路来思考和工作，这样才能将人从网络的运维管理中释放出来，此时深度学习来了。深度学习让网络控制器可以自己完成网络的所有日常变更和突发故障的处理，深度学习以来的大数据就是以往所有数据中心发生的故障和经验，将这些信息统统输入到控制器中，通过深度学习让控制器形成自己的网络管理实施，当网络出现故障时，就能在毫秒级的时间内做出判断和应对，这种效率是人无法企及的，深度网络学习的目的就是让网络更加智能。

深度安全学习

网络安全已经成为一个多维度问题，随着业务的多元化，漏洞，数量和种类急剧增加。为了防止网络被攻破，数据中心必须要及时发现并解决这些漏洞。数据中心的安全员每天需要处理的安全报警数量一直都在增长，报警的处理涉及到多个系统，相当乏味且很耗时。

引入深度学习，能否自动而又连续地从各种各样的源中收集有关安全的数据，并对可能存在的攻击和漏洞进行甄别，不仅能及时发现漏洞，还能自动修复，输出安全风险评估报告。及时更新全球和行业特定威胁的最新知识，也就是说每天或每周最新的威胁，这样才能及时发现网络漏洞。通过深度学习，可以大幅提升数据中心的网络安全，做好安全防护，避免遭受攻击。

深度流量识别

传统的流量识别是将流量准确地映射到某种协议或应用，其实就是按照流量特征进行识别和分类，达到流量统计和过滤的目的，这个工作对于网络安全和统计非常有益。传统流量识别的方法无非是通过镜像或者Netstream等监控手段，将抓取的全部流量的协议特征统计出来，这个过程既耗时又费力，有时还需要投入大量的资金购买专用设备才能完成。

深度学习可以基于行为特征和机器学习，识别过程自动化，先根据少量的数据样本进行训练，训练完毕后开始对整个数据中心网络流量进行识别，完成识别工作。这种方式将大大提升流量识别的效率，尤其适用于语音和图像这类流量中。比如：要对某个网站的流量进行监控，看是否有涉黄部分的图片或者视频，现在大部分的网站还是靠人工观察，效率极低，采用深度学习就好了，能够自动识别流量中的涉黄内容，直接拦截，达到自动识别和拦截的目的。

深度降耗

数据中心是能耗大户，节能减排是一项长期工作。除了提升单位面积内的设备运行效率外，还可以对能耗情况进行深度学习。

谷歌就将深度学习的技术用在了数据中心的节能降耗上。谷歌的数据中心可以通过深度学习，实现各种设备内的风扇、数据中心的空调与环境温湿度情况联动，既保证所有设备的散热，又最大限度的降低能源消耗。