Herausforderungen und bewährte Verfahren bei der Temperaturüberwachung in Rechenzentren

Eine Überhitzung der Hardware im Rechenzentrum beeinträchtigt deren Betriebseffizienz und mindert ihren Wiederverkaufswert, während sie gleichzeitig den Grundstein für einen Ausfall legt, der durch die beschädigten Komponenten ausgelöst wird.

Wenn Sie die Temperatur in Ihrem Rechenzentrum richtig überwachen, können Sie der Hitze trotzen und Ihr Rechenzentrum vor diesen Gefahren schützen.

Der richtige Ansatz zur Temperaturüberwachung im Rechenzentrum kann sicherstellen, dass die Administratoren genau wissen, was im Rechenzentrum geschieht und wo.

Da durch den Einsatz von GPUs die Rack-Dichte auf über 40 kW und darüber hinaus steigt, verringert sich der Spielraum für Fehler bei den Temperaturmesswerten rapide. Sie müssen sich auf die Berichte Ihres Dashboards verlassen können, doch diese stellen nicht das endgültige Urteil dar. 

Kurzinfo: Was Sie über die Temperaturüberwachung im Rechenzentrum wissen müssen

• Unentdeckte thermische Belastungen verkürzen die Nutzungsdauer der Hardware und beschleunigen den Austauschzyklus, was Ihr IT-Beschaffungsbudget belastet.
• Umweltprobleme, darunter auch thermische Probleme, stehen laut dem Überwachungsanbieter AVTECH mit fast 30% ungeplanter Ausfälle von Rechenzentren in Zusammenhang.
• Ein einzelner Ansaugsensor kann 70 °F anzeigen, während die Abgasseite desselben Regals mehr als 20 Grad heißer ist. Durch die Mittelung der Temperaturwerte wird die Fehlerquelle verschleiert, obwohl man sie eigentlich aufdecken müsste.
• ASHRAE empfiehlt mindestens sechs Sensoren pro Rack: drei an der Vorderseite (oben, in der Mitte, unten) und drei an der Rückseite. Man sollte nicht davon ausgehen, dass pro Reihe ein Sensor ausreicht.
• Es geht nicht nur um Überhitzung und zu hohe Luftfeuchtigkeit. Übermäßige Kühlung führt zu hohen Stromkosten, und Umgebungen mit niedriger Luftfeuchtigkeit begünstigen Kondensation und Korrosion.
  

Warum ist es wichtig, die Temperatur im Rechenzentrum zu steuern und zu überwachen?

Hitze macht sich nicht bemerkbar. Festplatten fallen nicht sofort aus, sobald ein Rack zu warm wird.

Überhitzte Geräte können Wochen oder Monate später ausfallen, nachdem anhaltende thermische Belastung die Komponenten im Inneren bereits verschlissen hat. Durch Überwachung lässt sich das Problem erkennen, solange es noch nur eine Zahl auf dem Dashboard ist. So können Sie verhindern, dass eine ganze Reihe von Komponenten im Rechenzentrum gleichzeitig ausfällt.

Eine häufig zitierte Faustregel zur Zuverlässigkeit besagt, dass sich die Ausfallrate mit jedem Anstieg um 18 °F (10 °C) über die Nennbetriebstemperatur eines Bauteils hinweg in etwa verdoppelt. Wenn Sie ein Rack über einen längeren Zeitraum hinweg auch nur um wenige Grad heißer als vorgesehen betreiben, erhöhen Sie damit das Ausfallrisiko für jedes Laufwerk, jede GPU und jedes Netzteil in diesem Rack.

Die Temperaturüberwachung im Rechenzentrum schützt auch vor Ausfällen, die nicht direkt auf Hitze zurückzuführen sind. Ein CRAC- oder CRAH-Gerät, dessen Leistung nachlässt, fällt selten von heute auf morgen aus. Die Leistung nimmt schrittweise ab, und in einer Anlage ohne detaillierte Temperaturdaten wird diese Verschlechterung erst bemerkt, wenn ein Rack bereits seit Stunden überhitzt ist. Umweltprobleme, darunter auch thermische Probleme, stehen in Zusammenhang mit fast 30% ungeplanter Ausfälle in Rechenzentren, und die meisten dieser Vorfälle lassen sich eher auf eine Lücke in der Überwachung als auf einen Hardwarefehler zurückführen.

Auch dies hat finanzielle Auswirkungen. Eine Einrichtung, die ihren Temperaturdaten nicht vertraut, neigt dazu, standardmäßig zu stark zu kühlen und den Raum kälter zu halten, als es aus Sicherheitsgründen erforderlich wäre. Dies treibt die Energiekosten in die Höhe, ohne einen tatsächlichen Schutz zu bieten. Eine zuverlässige Überwachung der Temperatur im Rechenzentrum macht Schluss mit dem Rätselraten und ermöglicht es Ihnen, näher am von ASHRAE empfohlenen Bereich zu arbeiten und die damit verbundenen Energieeinsparungen zu realisieren.

Bewährte Verfahren für die Überwachung von Rechenzentren: Wie GPUs alles verändert haben

Wenn Sie Ihre Temperaturbereiche für die Überwachung festlegen, sollten Sie Folgendes beachten: ASHRAE empfiehlt für A1-A4-Hardware einen Trockenbulb-Temperaturbereich von 64–81 °F (18–27 °C) und eine relative Luftfeuchtigkeit zwischen 40% und 60%. Diese Kategorie bezieht sich auf Hardware für Rechenzentren. Der von ASHRAE zugelassene Trockenbulb-Temperaturbereich liegt für A1-A4-Hardware ebenfalls bei 59–90 °F (15–32 °C).

Das sind die Bereiche, in denen Sie arbeiten sollten. Der nächste Schritt besteht darin, Ihre Sensoren so zu konzipieren, dass Sie ein möglichst genaues Bild Ihrer Umgebung erhalten.

Vor zehn Jahren war ein einziger Sensor pro Reihe für die Temperaturüberwachung in Rechenzentren noch vertretbar. Die meisten Racks hatten eine Leistungsaufnahme von 4 bis 6 kW, der Luftstrom war vorhersehbar, und der Abstand zwischen einem angenehmen und einem gefährlichen Umgebungswert war groß. Ihre Infrastruktur konnte da noch ein paar blinde Flecken verkraften.

Großflächiger Einsatz von GPUs zwang die IT-Verantwortlichen dazu, die Architektur zu überdenken. Moderne Racks für beschleunigtes Rechnen überschreiten mittlerweile deutlich die 40-kW-Marke, wobei dichte KI-Cluster in neueren Anlagen Berichten zufolge im Bereich von über 100 kW liegen. Jeder Anstieg der Umgebungstemperatur um 1 °F führt zu einem etwa gleich großen Anstieg der CPU- und GPU-Temperatur um 1 °F, sodass der Spielraum, der früher auf Reihenebene bestand, auf Rack-Ebene weitgehend verschwunden ist.

Eine Überkühlung ist keine Lösung. Sie verschwendet Energie und Geld, ohne die Geräte zu schützen. Die Kühlung macht einen erheblichen Anteil aus sowie den Anteil am Gesamtstromverbrauch einer Anlage. Die Sensoren, über die Sie bereits verfügen, müssen so positioniert werden, dass sie tatsächliche Abweichungen erfassen und nicht die durchschnittlichen Bedingungen im gesamten Rechenzentrum.

Herausforderungen bei der Temperaturüberwachung in Rechenzentren: blinde Flecken und Alarmmüdigkeit

Die Mittelwertbildung ist der größte blinde Fleck bei der Temperaturüberwachung in Rechenzentren. Ein Rack mit einem Sensor in der Nähe des Lufteinlasses und keinem in der Nähe des Luftauslasses wird immer besser aussehen, als es tatsächlich ist. 

Strömungsbehinderungen bringen ihre ganz eigenen Probleme mit sich. Ein Kabelbündel, das einen hinteren Lüftungsauslass blockiert, eine fehlende Blindplatte oder eine verschobene Bodenfliese können einen lokalen Hitzepunkt verursachen, den ein Sensor auf Reihenebene niemals erfassen wird.

Die perfekten Einstellungen für Sensorwarnungen machen auf berechtigte Probleme aufmerksam, die Maßnahmen seitens der Administratoren erfordern, und unterdrücken dabei unwesentliche Benachrichtigungen. Selbst die beste Sensorinfrastruktur kann durch Benachrichtigungsmüdigkeit untergraben werden. Eine Konfiguration, die ständig Benachrichtigungen mit niedriger Priorität ausgibt, führt dazu, dass Mitarbeiter die eine Warnung, die tatsächlich wichtig ist, übersehen – was den Zweck einer detaillierten Überwachung von vornherein zunichte macht.

Ein zu niedriger Temperaturwert in einer Umgebung mit geringer Luftfeuchtigkeit begünstigt Kondensation und Korrosion. Ein zu trockener Betrieb begünstigt statische Entladungen, die empfindliche Komponenten beschädigen. Die Temperaturüberwachung in Rechenzentren ohne eine darauf abgestimmte Strategie für Luftfeuchtigkeit und Taupunkt liefert Ihnen nur ein unvollständiges Bild.

Drahtlose Sensoren ermöglichen eine kontinuierliche Überwachung von Temperatur und Luftfeuchtigkeit 

Legen Sie bei Ihrer Anlagenauslegung den Schwerpunkt auf die Sensordichte und nicht nur auf die Anzahl der Sensoren. Die „Sechs-Sensor-Regel“ der ASHRAE – drei auf der Ansaugseite und drei auf der Abluftseite pro Rack – wurde eingeführt, da sich der Zustand eines Racks nicht anhand eines einzigen Messpunkts angemessen erfassen lässt.

In drahtlosen Sensornetzwerken entfaltet das 6-Sensor-Modell seine größte Wirksamkeit. Da diese Sensoren über Batterien als unabhängige Stromquellen verfügen, können Techniker sie innerhalb weniger Minuten installieren, ohne dass eine separate Verkabelung erforderlich ist.

DCIM-Software wandelt einzelne Sensorwerte in eine Wärmekarte um – das ist der Unterschied zwischen dem Betrachten einer Liste von Zahlen und dem Wissen, wo sich ein Problem anbahnt. Detaillierte Temperatur- und Feuchtigkeitsanalysen im Rechenzentrum können den Teams zudem dabei helfen, problematische Bereiche der Architektur zu identifizieren und Änderungen vorzunehmen, bevor es zu Hardwareschäden kommt. 

Eine schwellenwertbasierte Alarmierung über SNMP, SMS oder E-Mail funktioniert nur, wenn die Schwellenwerte auf das Rack und nicht auf den Raum abgestimmt sind. Ein Alarm bei 90°F könnte beispielsweise angemessen sein für ein älteres Regalsystem und für einen GPU-Cluster drei Racks weiter gefährlich spät.

Kombinieren Sie jeden Temperatursensor mit einem Feuchte- und Taupunktsensor. Temperatur und Feuchte sind zwei unterschiedliche Fehlerquellen, die zwar miteinander interagieren, aber separate Ursachen und Lösungen haben. Ihr Team muss so schnell wie möglich wissen, wo genau das Problem liegt. 

Die Überwachung des Rechenzentrums zeigt Ihnen an, wann Hardware überhitzt und wann sie ausgemustert werden sollte

Länger andauernde, unentdeckte Überhitzung in einem Rechenzentrum birgt das Risiko eines Ausfalls, aber mit den richtigen IT-Mitarbeitern und den passenden Tools lässt sich das schnell beheben. Was hingegen dauerhafter ist: Schäden an der Ausrüstung oder Verschleiß. Diese Art von Schäden lässt sich oft nur schwer einschätzen, und manchmal bekommt man erst Wochen oder Monate später ein Gefühl dafür, wie stark die Hardware in Mitleidenschaft gezogen wurde. 

Die Hardware in Rechenzentren verfügt über Schutzmechanismen gegen Überhitzung. GPUs und CPUs sind mit einer thermischen Drosselung ausgestattet, die die Leistung drosselt, sobald das Gerät übermäßige Hitze feststellt. Dennoch ist die Hardware in Rechenzentren nicht dafür ausgelegt, über längere Zeiträume hinweg übermäßiger Hitze ausgesetzt zu sein. Dies verkürzt die Nutzungsdauer aller Komponenten, die sich an dieser heißen Stelle befinden.

An dieser Stelle hört die Temperaturüberwachung im Rechenzentrum auf, ein reines Problem der Gebäudetechnik zu sein, und wird zu einer Frage des Anlagenmanagements. Wenn Ihre Daten ein Muster thermischer Belastung an bestimmten Racks zeigen, müssen Sie prüfen, ob diese Hardware noch im Produktivbetrieb verbleiben sollte. Wenn es Zeit für die Stilllegung ist Die Hardware – was geschieht mit dem Anlagegut, sobald es nicht mehr in Produktion ist?

Die Sensoren, Gateways und DCIM-Geräte in Ihrer Überwachungsinfrastruktur sind ebenfalls IT-Assets und bergen am Ende ihrer Lebensdauer dieselben Risiken wie alle anderen Komponenten auch. Netzwerkzugangsdaten, Konfigurationsdaten der Einrichtung und historische Temperaturprotokolle verschwinden nicht einfach, nur weil ein Sensor aus einem Rack entfernt wird. Sie erfordern dieselbe zertifizierte Vernichtung und Dokumentation der Nachverfolgbarkeit wie alle anderen Komponenten, die Ihre Umgebung verlassen.

exIT Technologies deckt beide Aspekte dieses Themas für Rechenzentren ab, in denen Hardware-Erneuerungszyklen stattfinden: zertifizierte Datenvernichtung gemäß NIST 800-88, gestützt durch R2v3- und NAID-AAA-Zertifizierungen, sowie die Rückgewinnung von Vermögenswerten, durch die Geräte wieder einen echten Wert erhalten, bevor sie zu einer Belastung werden, die nur noch in einem Schrank herumsteht. Finden Sie heraus, wie viel Ihre ausgemusterte Hardware wert ist.