Kapazitätsanalysen

Kapazitätsanalysen helfen Ihnen bei der Analyse der verbleibenden Nutzung und Kapazität für Objekte in Ihrer Umgebung. Eine Auswertung der historischen Nutzung von Ressourcen generiert eine Projektion der zukünftigen Arbeitslast. Sie können die Infrastrukturbeschaffung oder -migrationen basierend auf der Projektion planen und so das Risiko von Kapazitätsengpässen und hohen Infrastrukturkosten umgehen.

Kapazitätsanalysen verwenden die Kapazitäts-Engine zur Bewertung historischer Trends, zu denen Nutzungsspitzen zählen. Die Engine wählt ein geeignetes Projektionsmodell aus, um die zukünftige Arbeitslast vorherzusagen. Die Menge der berücksichtigten Verlaufsdaten hängt von der Menge der Daten zur historischen Nutzung ab.

Kapazitäts-Engine und Berechnungen

Die Kapazitäts-Engine analysiert die historische Nutzung und projiziert die zukünftige Arbeitslast mithilfe von prädiktiven Kapazitätsanalysen in Echtzeit, die auf einem branchenüblichen statistischen Analysemodell des Bedarfsverhaltens basieren. Die Engine verwendet die Metriken "Bedarf" und "Nutzbare Kapazität" als Eingabe und generiert die Ausgabemetriken, d. h. die Metriken "Verbleibende Zeit", "Verbleibende Kapazität", "Empfohlene Größe" und "Empfohlene Gesamtkapazität", wie in der folgenden Abbildung dargestellt.

Das Projektionsfenster für die Kapazitäts-Engine reicht ein Jahr in die Zukunft. Die Engine zieht alle 5 Minuten Datenpunkte heran, um die Echtzeitberechnung der Ausgabemetriken zu gewährleisten.

Die Kapazitäts-Engine projiziert die zukünftige Arbeitslast in einem projizierten Nutzungsbereich. Der Bereich umfasst eine obere gebundene Projektion und eine untere gebundene Projektion. Kapazitätsberechnungen basieren auf der verbleibenden Zeit und der Risikostufe. Die Engine berücksichtigt die obere gebundene Projektion für eine konservative Risikostufe und den Mittelwert der oberen gebundenen Projektion und der unteren gebundenen Projektion für eine aggressive Risikostufe. Weitere Informationen zum Festlegen von Risikostufen finden Sie unter Kapazitätsdetails im Kapitel „Konfigurieren von Richtlinien“ des VMware vRealize Operations-Konfigurationshandbuchs.

Die Kapazitäts-Engine berechnet die verbleibende Zeit, die verbleibende Kapazität, die empfohlene Größe und die empfohlene Gesamtkapazität.

Verbleibende Zeit

Die Anzahl der verbleibenden Tage, bis die projizierte Nutzung den Schwellenwert für die nutzbare Kapazität überschreitet. Die nutzbare Kapazität ist die Gesamtkapazität, die die HA-Einstellungen ausschließt.

Verbleibende Kapazität

Der größte Unterschied zwischen der nutzbaren Kapazität und der projizierten Nutzung ab dem aktuellen Zeitpunkt bis 3 Tage später. Wenn die prognostizierte Nutzung über 100 % der nutzbaren Kapazität beträgt, ist die verbleibende Kapazität 0.

Empfohlene Größe

Die maximale projizierte Nutzung für den Projektionszeitraum vom aktuellen Zeitpunkt bis 30 Tage nach dem Warnungsschwellenwert für die verbleibende Zeit. Der Warnungsschwellenwert ist der Zeitraum, in dem die verbleibende Zeit grün ist. Die empfohlene Größe schließt die HA-Einstellungen aus.

Wenn der Warnungsschwellenwert für die verbleibende Zeit 120 Tage beträgt, was der Standardwert ist, entspricht die empfohlene Größe der maximal projizierten Nutzung 150 Tage in die Zukunft.

vRealize Operations begrenzt die von der Kapazitäts-Engine generierte empfohlene Größe, um die Empfehlungen konservativ zu halten.

• vRealize Operations begrenzt eine überdimensionierte empfohlene Größe auf 50 % der aktuell zugeteilten Ressourcen.

  Beispiel: Eine virtuelle Maschine, die mit 8 vCPUs konfiguriert ist, hat in der Vergangenheit nie mehr als 10 % der CPU genutzt. Anstatt eine Rückforderung von 7 vCPUs zu empfehlen, ist die Empfehlung auf die Rückforderung von 4 vCPUs begrenzt.

• vRealize Operations begrenzt eine unterdimensionierte empfohlene Größe auf 100 % der aktuell zugeteilten Ressourcen.

  Beispiel: Eine virtuelle Maschine, die mit 4 vCPUs konfiguriert wurde, ist in der Vergangenheit ständig sehr in Anspruch genommen worden. Anstatt das Hinzufügen von 8 vCPUs zu empfehlen, wird die Empfehlung auf das Hinzufügen von 4 vCPUs begrenzt.

Empfohlene Gesamtkapazität

Die maximale projizierte Nutzung für den Projektionszeitraum vom aktuellen Zeitpunkt bis 30 Tage nach dem Warnungsschwellenwert für die verbleibende Zeit. Die empfohlene Gesamtkapazität schließt die HA-Einstellungen ein.

Wenn z. B. der Warnungsschwellenwert für die verbleibende Zeit 120 Tage beträgt, was der Standardwert ist, entspricht die empfohlene Größe der maximal projizierten Nutzung, einschließlich der HA-Werte, 150 Tage in die Zukunft.

Hinweis: Empfohlene Gesamtkapazität ist für Objekte nicht verfügbar.

Die folgende Abbildung zeigt die Kapazitätsberechnungen für eine konservative Risikostufe.

Die folgende Abbildung zeigt die Kapazitätsberechnungen für eine aggressive Risikostufe.

Nutzungsspitzen

Die historische Nutzung von Ressourcen kann Spitzen aufweisen, d. h. Zeiten der maximalen Nutzung. Die Projektion der zukünftigen Arbeitslast hängt von der Art der Spitzen ab. Je nach Häufigkeit der Spitzen können Sie vorübergehend, dauerhaft oder periodisch sein.

Vorübergehende Spitzen

Kurzlebige Spitzen, bei denen es sich um einmalige Ereignisse handelt. Die Spitzen sind nicht bedeutend genug, um zusätzliche Kapazität zu erfordern, sodass sie keinen Einfluss auf die Kapazitätsplanung und -projektion haben.

Dauerhafte Spitzen

Spitzen, die über einen längeren Zeitraum andauern und Auswirkungen auf Projektionen haben. Wenn eine dauerhafte Spitze nicht periodisch ist, verringert sich die Auswirkung auf die Projektion im Laufe der Zeit aufgrund eines exponentiellen Zerfalls.

Periodische Spitzen

Spitzen, die zyklische Muster oder Wellen aufweisen. Die Spitzen können stündlich, täglich, wöchentlich, monatlich, während des letzten Tags des Monats usw. auftreten. Die Kapazitäts-Engine erkennt auch mehrere überlappende zyklische Muster.

Projektionsmodelle

Die Kapazitäts-Engine generiert Projektionen mithilfe von Projektionsmodellen. Die Engine ändert ständig die Projektionen und wählt das Modell aus, das dem Muster der Verlaufsdaten am besten entspricht. Der Projektionsbereich prognostiziert das allgemeine Nutzungsmuster, das 90 % der zukünftigen Datenpunkte abdeckt. Projektionsmodelle können linear oder periodisch sein.

Lineare Modelle

Modelle, die einen stetig steigenden oder abnehmenden Trend aufweisen. Mehrere lineare Modelle werden parallel ausgeführt, und die Kapazitäts-Engine wählt das beste Modell aus.

Beispiele für lineare Modelle sind lineare Regression und autoregressiver gleitender Mittelwert (Autoregressive-Moving Average, ARMA).

Periodische Modelle

Modelle, die Periodizität verschiedener Längen ermitteln, z. B. Stunden, Tage, Wochen, Monate oder den letzten Tag der Woche oder des Monats. Periodische Modelle erkennen quadratische Wellen, die Stapelverarbeitungsaufgaben darstellen, und verarbeiten Datenströme, die mehrere überlappende periodische Muster enthalten. Diese Modelle ignorieren Zufallsrauschen.

Beispiele für periodische Modelle sind schnelle Fourier-Transformationen (Fast Fourier Transforms, FFTs), Pulse (Kantenerkennung) und Wellen.

Prognosen in Trendansichten

Prognosen werden basierend auf dem in den Anzeigeeinstellungen angegebenen Zeitraum erzeugt und für die Anzahl der in der Prognoseeinstellung angegebenen Tage vorhergesagt. Die Prognose wird basierend auf drei Hauptalgorithmen erzeugt. Änderungspunkterkennung zum Auffinden von Abschnitten des Verlaufs mit erheblichen Änderungen, lineare Regression zum Auffinden linearer Trends und zyklische Analysen zur Angabe periodischer Muster.

Verlaufsdatenfenster

Die Kapazitäts-Engine erfasst Verlaufsdaten über einen bestimmten Zeitraum hinweg, abhängig vom Verlaufsdatenfenster. Das Verlaufsdatenfenster, das von der Engine verwendet wird, ist ein exponentielles Zerfallsfenster.

Bei dem exponentiellen Zerfallsfenster handelt es sich um ein Fenster mit unbegrenzter Größe, in dem die Kapazitäts-Engine den neuesten Datenpunkten mehr Bedeutung verleiht. Ab dem Startpunkt der Projektionsberechnung zieht die Engine alle Verlaufsdatenpunkte heran und gewichtet sie exponentiell, basierend darauf, wie lange sie zurückreichen.