虚拟仪器旨在成为“数据中心的大脑”

虚拟仪器希望成为“数据中心的大脑”，使能够监控存储，计算，网络和应用程序人工智能（AI）和机器学习（ML）的能力，以便在发生时发现存储性能问题，如果发生之前没有。

该公司的长期愿景是，IT人员将能够查看其中一个仪表板，并了解IT硬件和软件堆栈中的问题如何相互影响。

通过这种方式，希望能够消除“战争室”的概念，其中客户和多个供应商在问题的根本原因中，有很多手指指向和咽喉窒息。

这是根据虚拟乐器的首席营销官Len Rosenthal，本周与计算机谈话。

他在虚拟乐器版本6.0版本的VirtualWISDom监控程序和WorkloadWisdom测试套件中发表了讲话。

在该释放中的onekege添加是为了主动监控整个IT堆栈，从应用到后端硬件。这种能力来自软件界面的建筑物，以应用程序性能管理（APM）工具，如Appdynamics，Dynatrace和ServiceNOW，它们监控应用程序性能。

这些已与虚拟仪器的现有功能一起编织在实时硬件监控中，具有人工智能和机器学习，可以帮助在出现之前发现问题。

虚拟仪器开始监视大型铁纤信道SAN基础架构，使用物理抽头进入织物，以询问延迟，读取，写和其他关键存储指标。

虚拟仪器的仪表板显示应用程序，存储和网络的应用程序问题和连接

它仍然具有这种功能，但已经增加了网络附加的存储和对象存储监控，以及一些能够在虚拟机（VMS）级别的亚马逊Web服务（AWS）和Microsoft Azure云中测量性能但不受底层硬件。

在其他方面，它会收集来自网络的带宽，端口利用率和健康等度量，例如CPU，内存，主机总线适配器（HBA）和网络接口卡（NIC）利用服务器的常见计算级别措施。

它声称总共衡量大约300个指标。

它还根据其在硬件监测的根源的基础上声称在市场上是独一无二的，这是哪些基于软件的竞争对手，如Solarwinds。

对于那些300个指标，它增加了交叉引用这些到客户的应用程序的能力。

因此，例如，客户可以在发生的情况下提醒客户，并且可能 - 因为AI在他们发生之前学习普遍存在的模式。

例如，客户可以看到应用程序响应时间正在减速，并且轻松跟踪到虚拟服务器计算容量的争用。然后将介绍客户的建议，例如“将VMS移动到不同的ESX群集”。

虚拟仪器的预测容量视图显示硬件需要升级硬件时

根据Rosenthal的说法，AI的机器学习完全是关于“从常态中发现异常”;这是关于模式识别“。

“部署时，它将根据前一个部署的15年来设置为阈值和警报。然后它将学习客户的模式，“他补充道。

还包括容量预测，具有跟踪需要导致升级的硬件使用趋势的能力。

接下来，虚拟仪器计划在2019年中期添加Google Cloud Platform Monitoring - 其现有的AWS和Azure功能。

此外，它计划提供与纯存储硬件的集成，以匹配Dell EMC，NetApp和IBM存储阵列存在的匹配。