大数据、5G、人工智能、物联网等新兴技术的不断发展与相互融合,丰富了新场景、新应用的内容,使企业端数据量快速增长,企业对数据中心的需求也越来越大,建设满足自身发展需求的数据中心必不可少。
1 数据中心规划内容
数据中心规划内容包含管理与运营、应用与信息、信息技术(IT)基础设施和机房关键基础设施。在数据中心模型中,数据中心机房关键基础设施为IT基础设施提供稳定、可靠的支撑。

图1 数据中心规划流程
IT应用层为业务层提供信息支撑,两层之间的桥梁是信息架构;IT基础设施层为IT应用层提供可靠的应用运行硬件及网络环境,两层之间的桥梁是IT基础架构;场地基础设施层为IT基础设施层的设备提供场地保证,两层之间的桥梁是场地可用性级别和场地资源规模。
数据中心有狭义与广义之分,狭义的数据中心就是图1 中最底层的场地基础设施层,而广义的数据中心则涵盖了IT应用层、IT基础设施层和场地基础设施层。本文重点讨论场地基础设施层。
在数据中心建设的前期规划阶段,必须抓牢数据中心场地可用性级别和场地资源规模。场地可用性级别是业务和IT应用需求的直接体现,而场地资源规模则是IT基础设施对场地的直接要求[1]。
2 数据中心建设标准
目前数据中心建设主要遵循国内《数据中心设计规范》(GB 50174—2017)和美国通信工业协会(TIA)发布的ANSI/TIA-942标准[2]。
为了合理运用资源、降低投资和运营成本、降低故障率和提高组织效率,国内根据使用性质、可用性级别及在社会和经济中的重要性将数据中心评定指标划分为A、B、C 3个等级,其中A等级为最高标准。TIA通过收集建设基准、异常数据以及行业最佳方案,根据可用性等级将评定指标划分为T1、T2、T3、T4 4个等级,其中T4等级为最高标准。T4对应A级,T2对应B级,T1对应C级,T3可以归类为A级。

3 数据中心场地基础规划工作内容
企业规划数据中心的目标是根据IT治理模式、IT业务应用规划、IT基础架构的发展需求,制订未来10年数据中心规模的规划,主要内容包括高架地板面积、IT设备用电规模、制冷量及场地可用性等级等。针对规划的目标,收集基础信息、分析数据中心规模需求,对数据中心场地资源规模和可用性等级进行规划[3]。
基础信息收集具体内容包括了解企业高层对数据中心项目的期望值、企业发展战略目标及业务信息、当前的IT基础架构信息与发展历史、未来IT系统规划预期、当前场地基础设施的信息与发展历史。
数据中心规模需求分析包括分析数据中心现状、分析数据中心建设的必要性、分析与行业相关国内外数据中心案例、制定数据中心IT设备的增长模型、分析并制定未来IT设备的部署密度。
数据中心场地资源规模和可用性等级规划包括建立未来基础设施场景,描述特定业务IT状况下未来5~10年内场地基础设施所需要的面积、电量、制冷量;对数据中心面积、用电总功率、制冷量进行科学合理的计算、分析;制定未来场地基础设施的建设等级;估算数据中心建设投资费用。
4 数据中心场地基础规划具体方法
①收集IT和应用系统现状及未来的IT和应用系统需求。
②以当前和未来IT和应用系统的需求为基础,提供建模的必要输入数据。根据当前和未来IT系统设备的发展规划未来数据中心最佳规模。
企业数据中心场地基础规划具体方法如下。
机电设备建造成本与IT设备总功率密切相关,同样采用经验值进行估算,机电设备建造成本单价可按照60000元/㎡进行估算。
5 数据中心场地基础规划关键参数
数据中心建设与业务、IT应用和数据、IT基础设施都有关,为松耦合关系,因此,可以在现状和未来需求不确定的情况下展开数据中心场地基础规划。数据中心是长期的基础设施投资,规模设计一般在10年以上,上3层变化对数据中心的支撑要求主要体现在既有场地级别是否满足可用性需求以及场地资源规模能否提供足够的容量。
企业在数据中心场地基础规划的过程中,主要依据前期调研获得的IT现状、未来需求以及业界最佳实践的参考值来确定规划方案。数据中心场地基础规划的关键点在于可用性级别和场地资源规模。对应场地资源规模的关键参数是数据中心的总面积、用电总功率及制冷量,同时还与机柜数量、功率密度及年增长率有关。

参考文献
[1] 王超.数据中心机房基础设施建设新技术研究[J].中国金融电脑,2020(8):60-64.
[2] 罗欣雨.我国数据中心建设的标准化发展研究[J].工程建设标准化,2023(4):81-85.
[3] 付晓燕.数据中心机房基础设施建设新技术研究与探索[J].现代工业经济和信息化,2022,12(7):306-307,326.
[4] 宋斌.IDC机房基础建设的要素和关键技术分析[J].电子世界,2020(12):167-168.
[5] 涂攀科.探究数据中心机房规划设计[J].数字通信世界,2022(3):60-62.
好文章,需要你的鼓励
很多人担心被AI取代,陷入无意义感。按照杨元庆的思路,其实无论是模型的打造者,还是模型的使用者,都不该把AI放在人的对立面。
MIT研究团队提出递归语言模型(RLM),通过将长文本存储在外部编程环境中,让AI能够编写代码来探索和分解文本,并递归调用自身处理子任务。该方法成功处理了比传统模型大两个数量级的文本长度,在多项长文本任务上显著优于现有方法,同时保持了相当的成本效率,为AI处理超长文本提供了全新解决方案。
谷歌宣布对Gmail进行重大升级,全面集成Gemini AI功能,将其转变为"个人主动式收件箱助手"。新功能包括AI收件箱视图,可按优先级自动分组邮件;"帮我快速了解"功能提供邮件活动摘要;扩展"帮我写邮件"工具至所有用户;支持复杂问题查询如"我的航班何时降落"。部分功能免费提供,高级功能需付费订阅。谷歌强调用户数据安全,邮件内容不会用于训练公共AI模型。
华为研究团队推出SWE-Lego框架,通过混合数据集、改进监督学习和测试时扩展三大创新,让8B参数AI模型在代码自动修复任务上击败32B对手。该系统在SWE-bench Verified测试中达到42.2%成功率,加上扩展技术后提升至49.6%,证明了精巧方法设计胜过简单规模扩展的技术理念。