HPE InfoSight یک سرویس ابری HPE است که به شما امکان می دهد به طور فعال مشکلات احتمالی قابلیت اطمینان و عملکرد را با آرایه های HPE Nimble و HPE 3PAR شناسایی کنید. در عین حال، این سرویس همچنین میتواند فوراً راههایی را برای رفع مشکلات احتمالی توصیه کند و در برخی موارد، عیبیابی را میتوان به صورت فعال و خودکار انجام داد.
ما قبلاً در مورد HPE InfoSight در HABR صحبت کردهایم، برای مثال ببینید،
در این پست می خواهم در مورد یکی از ویژگی های جدید HPE InfoSight - Resource Planner صحبت کنم.
HPE InfoSight Resource Planner یک ابزار جدید قدرتمند است که به مشتریان کمک می کند تا تعیین کنند که آیا می توانند بار کاری یا برنامه های کاربردی جدید را بر اساس بار کاری موجود به آرایه های خود اضافه کنند. آیا آرایه قادر به تحمل بار افزایش یافته خواهد بود یا آرایه جدیدی مورد نیاز است؟ اگر یک آرایه جدید مورد نیاز است، کدام یک؟ مدلسازی پیشبینیکننده Resource Planner به درک دقیق نیازها و اندازهگیری صحیح ارتقاء یک آرایه موجود یا اندازه یک آرایه جدید کمک میکند.
زمانبندی به شما امکان می دهد کارهای زیر را انجام دهید:
- شبیه سازی تغییرات بالقوه در بارهای کاری موجود؛
- ارزیابی تاثیر بر منابع آرایه مانند پردازنده، ظرفیت و حافظه کش.
- مشاهده نتایج برای مدل های مختلف آرایه
با جمع آوری آمار و اطلاعات پارامتریک در مورد عملکرد آرایه ها (در سراسر پایه نصب شده آرایه ها) و تجزیه و تحلیل بارهای کاری مختلف در بسیاری از محیط های مشتری، می توانیم روابط علت و معلولی و کمی را شناسایی کنیم. به عنوان مثال، ما می دانیم که چگونه deduplication بر استفاده از CPU در مدل های مختلف آرایه تأثیر می گذارد. ما می دانیم که محیط های دسکتاپ مجازی در بازنویسی و فشرده سازی بهتر از SQL هستند. می دانیم که برنامه های Exchange تمایل دارند درصد بیشتری از خواندن متوالی (در مقابل تصادفی) نسبت به دسکتاپ مجازی داشته باشند. با استفاده از اطلاعاتی مانند این، میتوانیم تأثیر تغییرات بار را برای پیشبینی نیازهای منابع برای یک مدل آرایه خاص مدلسازی کنیم.
بیایید نحوه عملکرد Scheduler را در مثال های زیر ببینیم.
Resource Planner در پورتال HPE InfoSight تحت LABS اجرا می شود. بیایید با انتخاب یک حجم کاری جدید - افزودن حجم کار جدید (علاوه بر کار موجود) شروع کنیم. گزینه دیگری که بعدا به آن خواهیم پرداخت اضافه کردن حجم کار موجود است.
دسته بار/برنامه را انتخاب کنید:
میتوانید در صورت نیاز تغییرات مختلفی را در بار کاری جدید ایجاد کنید: حجم داده، IOPs، نوع بار کاری و حالت Deduplication.
در مرحله بعد، آرایهای را که میخواهیم این حجم کاری جدید را مدلسازی کنیم (از میان آرایههایی که در مشتری موجود است) انتخاب میکنیم و روی دکمه Analyze کلیک میکنیم.
نتیجه خالص تأثیر این حجم کاری پیشنهادی جدید (علاوه بر حجم کاری فعلی) بر منابع و ظرفیت CPU است. اگر آرایه فلش هیبریدی را انتخاب کرده بودیم، روی کش آرایه نیز تاثیر می گذاشتیم، اما در این مورد یک آرایه تمام فلش AF60 داریم که مفهوم حافظه کش (در SSD) برای آن کاربرد ندارد.
می بینیم (در سمت راست، در نمودار بالا - نیازهای CPU) که آرایه AF60، که برای آن بار جدیدی برنامه ریزی کرده ایم، منابع پردازنده کافی برای پردازش بار کاری جدید ندارد: هنگام اضافه کردن بار جدید، CPU خواهد بود. 110 درصد استفاده شده است. نمودار پایین (نیازهای ظرفیت) نشان می دهد که ظرفیت کافی برای بار جدید وجود دارد. علاوه بر آرایه AF60، هر دو نمودار مدلهای آرایه دیگری را نیز نشان میدهند - برای مقایسه با اینکه اگر آرایه متفاوتی داشته باشیم، چگونه میشد.
تصویر زیر نشان میدهد که چه اتفاقی میافتد هنگامی که کادر انتخاب قفسههای چند سر نمایشگر را بررسی میکنیم (گزینهای هنگام انتخاب آرایه منبع). این گزینه به شما امکان می دهد تا برای چندین آرایه یکسان تجزیه و تحلیل انجام دهید. مشاهده می شود که برای بار کلی (جدید و موجود) یک آرایه AF80 یا دو آرایه AF60 یا سه آرایه AF40 کافی است.
با استفاده از زمانبندی منبع، میتوانید تغییرات را فقط در بار فعلی شبیهسازی کنید. برای انجام این کار، در مرحله اول باید افزودن حجم کار موجود را انتخاب کنید (به جای افزودن حجم کار جدید - همانطور که در ابتدا انجام دادیم). در مرحله بعد، می توانید یک تغییر در بار موجود را شبیه سازی کنید و ببینید که این به چه چیزی منجر می شود. مثال زیر دوبرابر کردن بار و دو برابر کردن ظرفیت را برای برنامههایی مانند File Server شبیهسازی میکند (یعنی در این مثال ما کل بار آرایه را افزایش نمیدهیم، بلکه بار را فقط برای نوع خاصی از برنامه افزایش میدهیم).
در این مورد، می توان دید که منابع آرایه اجازه می دهد بار برای برنامه های File Server دو برابر شود، اما نه بیشتر از دو برابر - زیرا منابع CPU تا 99 درصد استفاده خواهد شد.
منبع: www.habr.com