在几乎每一个数据中心中,机架和机柜是必不可少的两大部件,但是它们的重要性却常常被人忽视。要是你选错了用来容纳设备的机架和机柜的类型,无异于 自找麻烦,具体表现为:热量、灰尘和温度给设备造成损坏;冷却成本过高;线缆凌乱不堪;噪声过大;以及安全泄密。采购机架和机柜时,要牢记下列考量因素。
知道自己的设备。你可能知道机架和机柜将用来容纳什么样的设备,但是也要知道该设备会带来什么影响。比如说,知道机架/机柜必须多高或多宽以便容得 下该设备,这必不可少。BlackBox网络服务公司的产品经理GinaDickson说,说到高度方面,“42U是标准高度,但是45U变得更加流行; 像38U这种比较低的高度对需要架空布线的老式机房来说可能很必要。”至于宽度方面,当前的机柜标准是24英寸宽,不过30英寸宽的机柜日渐流行。而在深 度方面,“如果你安装深度不同的设备,甚至可能需要考虑使用多套导轨或分离导轨,以容纳不同深度的设备。”总的来说,Rackmount解决方案公司的客 户经理SusanWynne建议购买容纳得下“最大规格尺寸”设备的机柜。
搞清机房。Wynne表示,与场地方面的考量有关的是,分析将来放置机架/机柜的机房。她说:“机柜是不是很容易运送到目的地?它可以通过标准高度 的门吗?门和侧板是不可以拆卸、以便安装?产品是不是结实耐用?有没有场地为另外购买的产品腾出空间?”Dickson补充说,考虑到活动地板和天花板高 度也很重要,它们会影响机架/机柜的高度有多高。她说:“说到选择机柜,总是尺寸越大越好,那样可以容纳更多的设备和线缆等部件。但是,如果你的场地面积 有限,那么48英寸深、30英寸宽的机柜也许不是个选择。”
保持冷却。最重要的考量因素之一是热量。评估设备会生成多少热量,将有助于确定什么样的冷却方法对于你购买的机架/机柜来说绰绰有余。 Dickson表示,比如说,使用传统的热通道/冷通道方法将影响所需的机柜门,因为你需要网状门。Dickson说:“你需要确保冷空气输送到机柜正 面,确保热空气从背面散发出来。”
在其他地方,用户忍不住想使用敞开的机架与机柜以便散热,但是这会导致整个机房热量上升。Dickson说:“如果生成的热量比较低,这可能没问 题。但是一旦机房里面有数量足够多的设备,那么让设备保持在可以接受的温度变得不可能。”她表示,一种日渐流行的方法就是采用遏制系统的、经过改动的热通 道/冷通道。“所有冷空气都被迫进入到冷通道,冷通道用门隔离起来,确保里面的冷空气不跑到外面。然后,热空气被重新输送到机房,或者使用机柜上面的烟囱 被输送到充气室。”这种方法的确需要机柜提供隔门和烟囱这些附件。
其他因素。你在采购机架和机柜时还需要考虑其他方面,比如确定设备是不是需要遵守欧洲电信标准协会(ETSI)标准;检查机架是不是预先钻孔、是否 可以调节;知道导轨宽度方面的限制和随附的安装硬件;采取防范地震的措施;了解办公楼的空调系统在夜间和周末的运行情况;还要考虑到噪声这个因素。
采购清单
√线缆管理功能是不是已内置?还是机架或机柜留出了足够的空间,以便合理布线?
√机架/机柜是否提供配电装置(PDU)安装选件?
√许多机柜现在随带标准的PDU安装支架。
√你安装的设备是不是需要螺纹孔或M6孔?
√你需要拆卸机架/机柜才能将运送到机房吗?
√机柜是不是可以上锁,防止潜在的安全问题?
主要术语:
M6孔:机架设备和服务器机柜中很常见的方形孔;借助锁紧螺帽,它们就可以适应圆形孔。
机架单位(RMU):机柜和机架以机架单位来衡量,每个RMU或U相当于1.75英寸。
好文章,需要你的鼓励
Anthropic推出Claude Code的Slack集成功能,让开发者能直接在聊天线程中委托编程任务。这项测试功能于周一以研究预览版形式发布,基于现有Slack集成增加了完整工作流自动化。开发者现在可以标记@Claude启动完整编程会话,Claude会分析消息确定合适的代码库,在线程中发布进度更新并分享审查链接。这反映了行业趋势:AI编程助手正从IDE迁移到团队协作工具中。
波恩大学研究团队首次量化AI训练的材料成本,发现一块GPU含32种元素,93%为重金属。训练GPT-4需消耗约7吨金属材料,其中多为有毒重金属。研究建立了从计算需求到硬件消耗的评估框架,发现通过软硬件优化可减少93%的资源消耗。该研究揭示了AI发展的隐性环境代价,呼吁行业从规模竞赛转向效率革命,实现可持续发展。
AI发展推动数据中心行业迎来前所未有的挑战与机遇。Switch公司消耗内华达州三分之一电力,展现了AI对电力需求的巨大规模。核能成为AI未来发展的关键,单个AI机架功耗可达1.7MW。预计到2030年,数据中心行业将消耗200GW电力。创新的星形配置设计和差异化备电策略正在重新定义数据中心的弹性架构,仅20%的工作负载需要发电机备份。
南开大学团队构建了迄今最大规模的结肠镜AI数据库COLONVQA,包含110万视觉问答条目。他们发现现有AI模型存在泛化能力不足和容易被误导等问题,因此开发了首个具备临床推理能力的结肠镜AI模型COLONR1。该模型采用多专家辩论机制生成推理数据,在综合评估中准确率达56.61%,比传统方法提升25.22%,为智能结肠镜诊断从图像识别向临床推理的转变奠定了基础。