Défis et bonnes pratiques en matière de surveillance de la température dans les centres de données

La surchauffe du matériel des centres de données réduit son efficacité opérationnelle et fait chuter sa valeur de revente, tout en créant les conditions propices à une panne due aux composants endommagés.

En surveillant correctement la température de votre centre de données, vous pouvez lutter contre la chaleur et protéger votre centre de données contre ces dangers.

Une approche adéquate de la surveillance de la température d'un centre de données permet aux administrateurs de savoir exactement ce qui se passe dans le centre de données et à quel endroit.

À mesure que les déploiements de GPU font passer la densité par rack au-delà de 40 kW, la marge d'erreur sur les relevés de température diminue rapidement. Vous devez vous fier aux rapports de votre tableau de bord, mais ceux-ci ne constituent pas un verdict définitif. 

En bref : ce qu'il faut savoir sur la surveillance de la température des centres de données

• Une contrainte thermique non détectée réduit la durée de vie utile du matériel et accélère son cycle de remplacement, ce qui pèse sur votre budget d'achat informatique.
• Selon le fournisseur de solutions de surveillance AVTECH, les problèmes environnementaux, notamment les problèmes thermiques, sont à l'origine de près de 30% de pannes imprévues dans les centres de données.
• Un seul capteur d'admission peut indiquer une température de 70 °F, alors que la température du côté échappement du même rack est supérieure de plus de 20 degrés. Le calcul de la moyenne des températures mesurées masque le point de défaillance, alors qu'il faudrait justement le mettre en évidence.
• L'ASHRAE recommande d'installer au moins six capteurs par rack : trois à l'avant (en haut, au milieu et en bas) et trois à l'arrière. Il ne faut pas viser un capteur par rangée.
• Il ne s'agit pas seulement de surchauffe et d'humidité excessive. Une climatisation excessive entraîne des coûts énergétiques élevés, tandis que les environnements à faible humidité favorisent la condensation et la corrosion.
  

Pourquoi est-il important de gérer et de surveiller la température d'un centre de données ?

La chaleur ne s'annonce pas. Les disques durs ne tombent pas en panne dès qu'un rack commence à chauffer.

Une surchauffe des équipements peut entraîner leur défaillance plusieurs semaines, voire plusieurs mois après que les contraintes thermiques prolongées ont déjà usé les composants internes. La surveillance permet de détecter le problème alors qu’il n’est encore qu’un chiffre affiché sur un tableau de bord. Cela vous évitera de voir toute une série de composants de votre centre de données tomber en panne simultanément.

Une règle empirique largement citée en matière de fiabilité stipule que les taux de défaillance doublent approximativement pour chaque augmentation de 18 °F (10 °C) au-delà de la température de fonctionnement nominale d’un composant. Si vous faites fonctionner un rack à une température supérieure de quelques degrés seulement à celle prévue pendant une période prolongée, vous multipliez les risques de panne pour chaque disque dur, chaque carte graphique et chaque bloc d'alimentation de ce rack.

La surveillance de la température dans les centres de données permet également de se prémunir contre les pannes qui ne sont pas directement liées à la chaleur. Un climatiseur CRAC ou CRAH dont les performances commencent à baisser tombe rarement en panne du jour au lendemain. Ses performances se dégradent progressivement, et une installation ne disposant pas de données de température granulaires ne constatera cette dégradation qu’une fois qu’un rack aura déjà fonctionné à température élevée pendant des heures. Les problèmes environnementaux, notamment les problèmes thermiques, sont à l’origine de près de 30% d’interruptions imprévues dans les centres de données, et la plupart de ces incidents sont dus à une lacune dans la surveillance plutôt qu’à un défaut matériel.

Il y a également un aspect financier à prendre en compte. Une installation qui ne fait pas confiance à ses données de température a tendance, par défaut, à trop refroidir la salle, en la maintenant à une température plus basse que nécessaire pour garantir la sécurité. Cela fait grimper la facture énergétique sans apporter de réelle protection. Une surveillance fiable de la température du centre de données élimine les approximations, vous permettant de vous rapprocher de la plage recommandée par l’ASHRAE et de réaliser les économies d’énergie qui en découlent.

Meilleures pratiques en matière de surveillance des centres de données : comment les GPU ont tout changé

Lorsque vous définissez vos plages de température à surveiller, voici ce que vous devez savoir : l’ASHRAE recommande une plage de température de bulbe sec comprise entre 64 et 81 °F (18 et 27 °C) et une humidité relative comprise entre 40% et 60% pour les équipements A1 à A4. Cette catégorie concerne le matériel des centres de données. La plage de température de bulbe sec admissible définie par l'ASHRAE est également comprise entre 59 et 90 °F (15 et 32 °C) pour le matériel de catégories A1 à A4.

Ce sont les plages dans lesquelles vous devez vous situer. L'étape suivante consiste à concevoir vos capteurs de manière à obtenir une image aussi précise que possible de votre environnement.

Il y a dix ans, il était tout à fait justifié de se contenter d’un seul capteur par rangée pour la surveillance de la température dans les centres de données. La plupart des baies consommaient entre 4 et 6 kW, les flux d’air étaient prévisibles et l’écart entre une température ambiante confortable et une température dangereuse était important. Votre infrastructure pouvait donc se permettre quelques angles morts.

Déploiement à grande échelle de GPU a contraint les responsables informatiques à repenser l'architecture. Les racks de calcul accéléré modernes dépassent largement les 40 kW, et les clusters d’IA à haute densité atteignent, selon certaines sources, plus de 100 kW dans les installations récentes. Chaque augmentation de 1 °F de la température ambiante entraîne une augmentation d’environ 1 °F de la température des processeurs et des cartes graphiques ; ainsi, la marge qui existait auparavant au niveau des rangées a pratiquement disparu au niveau des racks.

Le sous-refroidissement n'est pas la solution. Il entraîne un gaspillage d'énergie et d'argent sans pour autant protéger les équipements. Le refroidissement représente une part importante ainsi que la part de la consommation électrique totale d'une installation. Les capteurs dont vous disposez déjà doivent être positionnés de manière à détecter un écart réel, et non les conditions moyennes dans l'ensemble du centre de données.

Les défis liés à la surveillance de la température dans les centres de données : angles morts et fatigue liée aux alertes

Le calcul de la moyenne constitue le principal angle mort lié à la surveillance de la température dans les centres de données. Un rack équipé d’un seul capteur près de l’entrée d’air et d’aucun capteur près de la sortie d’air donnera toujours une image plus favorable de son état qu’il ne l’est en réalité. 

Les obstructions de la circulation d'air posent des problèmes qui leur sont propres. Un faisceau de câbles obstruant une sortie d'air arrière, un cache manquant ou une dalle de sol mal positionnée peuvent créer un point chaud localisé qu'un capteur au niveau de la rangée ne détectera jamais.

Un paramétrage optimal des alertes de capteurs permettra de signaler les problèmes légitimes nécessitant une intervention des administrateurs, tout en limitant les notifications non essentielles. Même la meilleure infrastructure de capteurs peut être compromise par la « fatigue des notifications ». Une configuration générant en permanence des notifications de faible priorité incite le personnel à ne pas prêter attention à l’alerte qui compte réellement, ce qui va à l’encontre de l’objectif même d’une surveillance granulaire.

Une température trop basse dans un environnement à faible taux d'humidité favorise la condensation et la corrosion. Une température trop élevée favorise les décharges électrostatiques qui endommagent les composants sensibles. La surveillance de la température d'un centre de données sans stratégie associée de gestion de l'humidité et du point de rosée ne vous donne qu'une vision partielle de la situation.

Les capteurs sans fil permettent une surveillance continue de la température et de l'humidité 

Concevez votre système en fonction de la densité des capteurs, et non pas uniquement du nombre de capteurs. La règle des six capteurs de l'ASHRAE (trois du côté de l'admission et trois du côté de l'évacuation par rack) existe car un seul point de mesure ne permet pas d'évaluer correctement l'état d'un rack.

Les réseaux de capteurs sans fil optimisent l'efficacité du modèle à 6 capteurs. Ces capteurs étant alimentés par des batteries, les techniciens peuvent les installer en quelques minutes sans avoir besoin de câblage supplémentaire.

Un logiciel DCIM transforme les relevés individuels des capteurs en une carte thermique, ce qui fait toute la différence entre consulter une liste de chiffres et savoir où un problème est en train de se développer. Une analyse détaillée de la température et de l'humidité du centre de données peut également aider les équipes à identifier les éléments problématiques de l'architecture et à apporter des modifications avant que le matériel ne subisse des dommages. 

Les alertes basées sur des seuils via SNMP, SMS ou e-mail ne fonctionnent que si ces seuils sont définis en fonction du rack, et non de la salle. Une alerte à 90 °F pourrait être appropriée pour un rack de stockage existant et dangereusement en retard pour un cluster de GPU situé trois baies plus loin.

Associez chaque capteur de température à un capteur d'humidité et de point de rosée. La température et l'humidité constituent deux sources de défaillance distinctes qui interagissent, mais dont les causes et les solutions sont différentes. Votre équipe doit identifier le problème et sa localisation le plus rapidement possible. 

La surveillance des centres de données vous alerte en cas de surchauffe du matériel et vous indique quand il est temps de le mettre hors service

Une surchauffe prolongée et non détectée dans un centre de données risque une interruption de service, mais vous pouvez y remédier rapidement avec une équipe informatique compétente et les outils adaptés. Ce qui est en revanche plus durable, ce sont les dommages matériels ou l'usure. Ce type de dommages peut être difficile à évaluer, et il arrive parfois que l'on ne se rende compte de l'ampleur des dégâts subis par le matériel qu'après plusieurs semaines, voire plusieurs mois. 

Le matériel des centres de données est doté de mécanismes de protection contre la surchauffe. Les GPU et les CPU disposent d’une fonction de limitation thermique qui ralentit leur activité lorsque l’appareil détecte une chaleur excessive. Cependant, le matériel des centres de données n’est pas conçu pour supporter une chaleur excessive pendant de longues périodes. Cela réduit la durée de vie utile de tout composant exposé à cette zone de chaleur.

C'est là que la surveillance de la température des centres de données cesse d'être un simple problème d'infrastructure pour devenir un enjeu de gestion des actifs. Lorsque vos données révèlent une tendance au stress thermique sur des baies spécifiques, vous devez déterminer si ce matériel a encore sa place en production. S'il est temps de mettre hors service En ce qui concerne le matériel, qu'advient-il de cet équipement une fois qu'il n'est plus utilisé ?

Les capteurs, passerelles et appareils DCIM qui composent votre infrastructure de surveillance constituent eux aussi des actifs informatiques, et ils présentent les mêmes risques en fin de vie que n'importe quel autre élément. Les identifiants réseau, les données de configuration des installations et les historiques de température ne disparaissent pas simplement parce qu’un capteur est retiré d’un rack. Ils nécessitent la même procédure de destruction certifiée et la même documentation relative à la chaîne de contrôle que tout autre élément quittant votre environnement.

exIT Technologies prend en charge les deux aspects de cette équation pour les centres de données qui suivent des cycles de renouvellement de leur matériel : la destruction certifiée des données conformément à la norme NIST 800-88, adossée aux certifications R2v3 et NAID-AAA, ainsi que la valorisation des actifs, qui redonne une réelle valeur aux équipements avant qu’ils ne deviennent un fardeau encombrant dans une salle de serveurs. Découvrez la valeur de votre matériel que vous comptez mettre au rebut.