正常情况下，随着业务的不断增长，你的IT团队总会有越来越多的数据需要管理。而与此同时，几乎每个企业都会尝试去应对这种不间断的数据增长——甚至是在不增加预算或人员的前提下。
451研究所分析师Henry Baltazar在最近的一份报告中强调了这一趋势，他指出:“数据管理的相关性越来越强，它与企业必须处理的海量数据的持续增长是并行的。”目前业内有很多方法可以缓解数据增长的挑战，以下是其中比较典型的四种，仅供参考：
可视化
数据管理不能无的放矢，你必须得知道问题出在哪里。这就使得了解你的数据究竟发生了什么至关重要。你需要确定哪些数据是热数据，并且这些数据真的需要闪存的高性能;也需要确定哪些数据是冷数据，并且可以转移到成本更低的存储资源。如果这些问题无法确定，就会造成大量成本浪费。弄清楚应用程序更需要的是性能还是容量，你就可以更有效地满足其需求，所以首先要确保数据保存在合适的资源上。
为此，你需要了解存储资源中发生的情况。现在有很多软件可以提供这种洞察力，使用元数据来确定什么时候文件是最后打开的，哪些文件最后被更改了等等。在修复任何其他数据管理问题之前，必须对数据进行统一的可视化。使用指示板寻找解决方案，使您能够清楚地了解整个存储生态系统中的数据活动——而不是一次只处理一个系统，因为IT部门很少有时间在多个不同的系统中监视和收集信息。
整合资产
根据2016年的一项调查，大多数的PB规模级企业都有很大的存储空间，而超过一半的企业管理着10个以上不同的存储系统。随着商业时代的发展，存储空间的扩展变得更加快速。当然这种基础设施投入是有价值的，但如果对当前业务需求来说，数据储存在不合适的资源上，那么移动数据也将成为难题。
通过使用软件虚拟化数据，企业可以创建一个全局命名空间，使不同的存储资源同时可用于应用程序。一旦控制路径通过虚拟化从数据路径中分离出来，就可以跨越存储竖井。这使得在不中断应用程序的情况下轻松移动数据成为可能。这样，高性能存储资源就可以提供给热数据，而将更冷的数据转移到成本更低的存储层可以更好地利用预算。由于数据在整个生命周期中都需要移动，因此还有一个额外的好处是，存储迁移所带来的痛苦将不复存在。
增加云或对象存储
现在来看，没有什么比增加on-premises对象或云存储更好的节省预算的方法了。其中的挑战在于如何将云作为存储层进行集成，并将正确的数据移出其他存储空间。数据虚拟化、元数据管理和机器学习都可以帮助实现这一简单而自动化的过程。随着数据变冷——持续一个月还是一年，取决于你的业务——它们可以暂时从高性能存储资源离开，但需要保持其可访问性以防万一。
在增加云时，确保数据能够转移到外部环境，可以无缝地返回到文件级别是很重要的。若非如此，你最终可能会付出比你所预期的多得多的代价。这是因为将数据移动到云上通常并不昂贵，但将数据重新拿回去成本高昂。确保你可以在文件级别的粒度上提取数据，这样可以帮助您保持低成本，同时享受在企业中快速采用云计算的灵活性和敏捷性。
自动化智能管理
在你了解了你的数据，并让你的应用可以感知不同的存储资源之后，最后一步就是自动化管理。一些存储系统可以在单个系统或供应商生态系统中提供这些功能，但是元数据引擎软件可以根据IT定义的对象进行自动化管理，甚至跨不同的供应商。我们称之为“端到端数据管理”。
随着机器学习的兴起，此类智能进入数据管理领域也就不足为奇了。久而久之，智能软件就可以观察到相应的模式，例如，当内部业务数据在季度末变得很热时，如果数据管理目标允许，那么在准备报告之前将其移回性能存储。
最后，考虑到大多数IT部门没有得到更多的预算或更多的人员来帮助他们处理数据的增长、可视化、集成、云的采用和自动化，因此，给IT团队更多的时间去完成这些战略项目是非常重要的，而不是将他们的工作时间用于无意义的看管与搬运。
来自 “ ITPUB博客 ” ，链接：http://blog.itpub.net/31473948/viewspace-2154999/，如需转载，请注明出处，否则将追究法律责任。
转载于:http://blog.itpub.net/31473948/viewspace-2154999/