容量分析

容量分析可帮助您评估整个环境中对象的利用率和剩余容量。评估资源的历史利用率可生成未来工作负载的预测。您可以根据预测规划基础架构采购或迁移，并避免容量短缺风险和高基础架构成本。

容量分析使用容量引擎来评估历史趋势，其中包括利用率峰值。该引擎可选择适当的预测模式来预测未来工作负载。所考虑的历史数据量取决于历史利用率数据量。

容量引擎和计算

容量引擎使用实时预测性容量分析（基于行业标准的需求行为统计分析模式）来分析历史利用率并预测未来工作负载。该引擎会将“需求”和“可用容量”衡量指标作为输入，并生成输出衡量指标（剩余时间、剩余容量、建议大小和建议的总容量），如下图所示。

容量引擎的预测时段是未来 1 年。该引擎每 5 分钟使用一次数据点，以确保实时计算输出衡量指标。

容量引擎将预测预估利用率范围内的未来工作负载。该范围包括一个上限预测和一个下限预测。容量计算基于剩余时间风险级别。该引擎将考虑保守风险级别的上限预测、上限预测的平均值以及积极风险级别的下限预测。有关设置风险级别的详细信息，请参见《VMware vRealize Operations Manager 配置指南》的“配置策略”一章中的“容量详细信息”。

容量引擎将计算剩余时间、剩余容量、建议大小和建议的总容量。

剩余时间

预测的利用率超过可用容量的阈值之前剩余的天数。可用容量是除 HA 设置之外的总容量。

剩余容量

现在至未来 3 天内可用容量与预测利用率之间的最大差异。如果预测的利用率超过了可用容量的 100%，则剩余容量为 0。

建议大小

从当前时间到剩余时间警告阈值后的 30 天之间的预测时间段内的最大预测利用率。警告阈值是指剩余时间为绿色的时间段。建议的大小不包括 HA 设置。

如果剩余时间的警告阈值为 120 天（默认值），则建议大小为未来 150 天的最大预测利用率。

vRealize Operations Manager 会限制容量引擎生成的建议大小，以使建议较为保守。

vRealize Operations Manager 将容量过大建议大小限制为当前已分配资源的 50%。
例如，配置有 8 个 vCPU 的虚拟机在过去从未使用过 10% 以上的 CPU。建议限制为回收 4 个 vCPU，而不是建议回收 7 个 vCPU。
vRealize Operations Manager 将容量不足建议大小限制为当前已分配资源的 100%。
例如，配置有 4 个 vCPU 的虚拟机在过去一直繁忙运行。建议限制为添加 4 个 vCPU，而不是建议添加 8 个 vCPU。

建议的总容量

从当前时间到剩余时间警告阈值后的 30 天之间的预测时间段内的最大预测利用率。建议的总容量包括 HA 设置。

例如，如果剩余时间的警告阈值为 120 天（默认值），则建议大小为未来 150 天的最大预测利用率，包括 HA 值在内。

注：建议的总容量不可用于对象。

下图显示了保守风险级别的容量计算。

下图显示了积极风险级别的容量计算。

利用率峰值

资源的历史利用率可能具有峰值，这是指最大利用率的期限。未来工作负载的预测取决于峰值类型。根据峰值的频率，它们可能是瞬间的、持续的或周期性的。

瞬间峰值: 出现一次的短期峰值。这些峰值不足以需要额外容量，因此不会影响容量规划和预测。
持续峰值: 持续较长一段时间并影响预测的峰值。如果持续峰值不是周期性的，则由于指数衰减，对预测的影响会因时间而减少。
周期性峰值: 表现出循环模式或波形的峰值。峰值可以是每小时、每日、每周、每月、当月的最后一天等等。容量引擎还会检测多个重叠循环模式。

预测模式

容量引擎使用预测模式来生成预测。引擎会不断修改预测并选择最适合历史数据模式的模式。预测范围可预测涵盖 90% 未来数据点的常规使用情况模式。预测模式可以是线性的，也可以是周期性的。

线性模式: 该模式具有持续增加或降低趋势。多个线性模式并行运行，容量引擎将选择最佳模式。
线性模式示例包括线性回归和自回归移动平均 (ARMA)。
周期性模式: 该模式可发现各种长度的周期，例如小时、天、周、月或者周或月的最后一天。周期性模式检测表示批处理作业的方波，并处理包含多个重叠周期性模式的数据流。这些模式将忽略随机噪音。
周期性模式示例包括快速傅里叶变换 (FFT)、脉冲（边缘检测）和小波。

趋势视图中的预测

预测基于在视图设置中指定的时间范围生成，且预测的天数在预测设置中指定。预测基于 3 个主要算法生成。变点检测可查找历史记录中包含重大更改的部分；线性回归可查找线性趋势；周期分析可识别周期性模式。

历史数据窗口

容量引擎可捕获一段时间内的历史数据，具体取决于历史数据窗口。引擎使用的历史数据窗口是一个指数衰减窗口。

指数衰减窗口是大小不受限制的窗口，在此窗口中，容量引擎更重视最新的数据点。从预测计算起点开始，引擎会消耗所有历史数据点，并根据它们的回溯时间以指数方式对它们进行加权。