Avec Pure1 META, Pure Storage veut appliquer le machine learning à la gestion du stockage

A l'occasion de sa conférence Pure Accelerate, Pure Storage a levé le voile sur Pure1 Meta un ensemble de services analytiques motorisés par une couche de machine learning. Objectif : aider les entreprises à mieux gérer leur stockage.

Lors de sa conférence utilisateurs Pure Accelerate 2017, qui se tenait la semaine passée à San Francisco, Pure Storage a dévoilé Pure 1 META, un ensemble de services analytiques dans le cloud qui s’appuient sur des technologies de machine learning.

META est l’une des nouvelles composantes de Pure1, le service de monitoring offert par Pure Storage à ses clients. Son outil intégré d’apprentissage machine analyse l’ensemble des données télémétriques transmises par les baies installées chez les clients afin d’identifier les problèmes potentiels auxquels pourraient avoir à faire face les utlisateurs.

Chaque jour, Pure Storage collecte près d’un billion d’informations distinctes (soit environ 7 Po de données) transmises par les milliers de baies installées chez ses clients. Ces données sont versées dans un data lake et analysées par les algorithmes de META.

En s’appuyant sur des mécanismes de machine learning, Pure Storage entend aider ses clients à mieux exploiter leurs baies au quotidien, mais aussi à anticiper les évolutions de capacités. « Nous avons constaté les difficultés auxquelles sont confrontés nos clients pour anticiper leurs besoins de performance. Nous avons vu une opportunité d’utiliser des techniques de machine learning pour analyser les données de performances que nous collectons afin de mieux conseiller nos clients sur le dimensionnement de leurs workload sur nos baies », explique Matt KixMoeller, le vice-président du marketing produit du constructeur de baies de stockage.

La première déclinaison de Pure1 META inclut un outil pour permettre de diagnostiquer les problèmes de performances rencontrées par certaines VM. Un autre outil permet de mieux anticiper l’évolution de la charge et de la capacité en fonction de l’historique de performance de la baie.

 

Pour approfondir sur SAN et NAS

Close