بهبود عملکرد در استقرار ابر هیبریدی

با اجرای اهداف قابل اندازه گیری، معماری سفارشی و آزمایش و نظارت مستمر از این کلیشه که ابر ترکیبی ناکارآمد است اجتناب کنید.

منظور ما از “ابر ترکیبی” همیشه مورد نیاز بوده است برای صنعت ابر روشن شود. زمانی که به عنوان یک ابر خصوصی جفت شده با یک ابر عمومی تعریف می شد، اکنون برای هر سیستمی که یک ابر عمومی نیست و با یک ابر عمومی با هم کار می کند، همه چیز است.

کلادهای ترکیبی به فریاد نبرد برای هر شرکت سخت افزاری و نرم افزاری سازمانی تبدیل شده است که به دنبال مرتبط ماندن است. آنها نمی توانند با میلیاردها خرید یک ابر عمومی بسازند. با این حال، آنها می‌توانند سیستم‌هایی را بفروشند که با ابرهای عمومی کار می‌کنند، راهی ارزان برای مدرن‌سازی فناوری ۲۰ ساله شما.

GenAI همه چیز را تغییر می دهد

علاقه به هوش مصنوعی مولد شرکت‌های بیشتری را به سمت ابرهای ترکیبی سوق می‌دهد. در بیشتر موارد، شرکت‌ها به دنبال استفاده از داده‌های خود برای آموزش داده‌هایی هستند که در آنجا وجود دارد، که معمولاً در مرکز داده سازمانی، کلو یا ارائه‌دهنده خدمات مدیریت‌شده است. البته، استفاده از genAI از ارائه‌دهندگان ابر عمومی بسیار راحت‌تر است، بنابراین در نهایت داده‌های آموزشی را با یک ارائه‌دهنده ابر عمومی به اشتراک می‌گذاریم، بنابراین یک ابر ترکیبی ایجاد می‌کنیم.

البته، به ندرت یک ارائه دهنده ابر عمومی را در ترکیب ابر ترکیبی پیدا خواهید کرد. اکثر ابرهای ترکیبی چند ابری هستند و از بیش از یک ارائه دهنده ابر عمومی استفاده می کنند. این به پیچیدگی می افزاید. ممکن است داده‌های آموزشی در محاسبات لبه، IoT دستگاه ها یا حتی سایر ارائه دهندگان ابر یا ارائه دهندگان داده. شما درست می گویید که این یک آشفتگی وسیع و پیچیده به نظر می رسد.

مهمترین اشکال این نوع استقرارها عملکرد ضعیف است. من اغلب می توانم این را در مسائل مهندسی دنبال کنم، نه این که یک ابر ترکیبی است. تشخیص مسائل مهندسی و معماری آسان است اما رفع آنها دشوار و پرهزینه است، به خصوص پس از تولید سیستم.

عملکرد بالا، پیچیدگی بالا

پیچیدگی محیط های ترکیبی نیازمند مهندسی عملکرد دقیق برای اطمینان از کارایی عملیاتی است. بیایید به هزارتوی مهندسی عملکرد در معماری های ابری ترکیبی بپردازیم و به اصل مشکلات بپردازیم.

چرا در وهله اول مشکل عملکرد وجود دارد؟ جذابیت اساسی ابرهای هیبریدی در توانایی آنها برای ارائه یک تناسب متناسب برای نیازهای محاسباتی و ذخیره سازی مختلف به مشاغل نهفته است. با این حال، پیچیدگی‌های موجود در مدیریت سیستم‌های متفاوت که در محیط‌های مختلف کار می‌کنند، نیازمند یک رویکرد مهندسی عملکرد است که فعال و سیستمی باشد.

چگونه در اولین بار ابر هیبریدی خود را مهندسی می کنید؟ در اینجا چند مورد کلیدی وجود دارد که باید در نظر گرفته شود:

مهندسی عملکرد با اهداف واضح و قابل اندازه‌گیری و همسو با نتایج کسب‌وکار شروع می‌شود. شاخص‌های کلیدی عملکرد (KPI) مانند زمان پاسخ‌دهی، توان عملیاتی و در دسترس بودن سیستم باید تعریف شوند، و این اهداف باید به طور منظم با یکدیگر مرتبط شوند. انتظارات کاربر و قراردادهای سطح سرویس (SLA).

بدون معیارها، چگونه متوجه می شوید که مشکل عملکرد دارید؟ من اغلب می شنوم: “وقتی آن را می بینم می دانم.” این کافی نیست. بهترین کار این است که اهداف واضح و قابل اندازه گیری نوشته شده و توسط مهندسان، معمار و کاربران قابل درک باشد.

معماری در تعیین برتری عملکرد بسیار مهم است. انتخاب ترکیب مناسب از خدمات و طراحی برای افزونگی، توزیع بار و تحمل خطا امری ضروری است. این با استفاده از الگوهای طراحی متمرکز بر عملکرد مانند میکروسرویس ها تکمیل می شود. یا می تواند مکانیزم های ذخیره سازی قوی را برای تسهیل بازیابی سریعتر داده ها پیاده سازی کند.

بیشتر مسائل مربوط به عملکرد را می توان به معماری ضعیف ردیابی کرد، حتی استفاده از یک پشته فناوری که هزینه بیشتری از آنچه باید دارد و عملکرد را بدتر می کند. من به شما نگاه می کنم، هر معماری که بدون توجه به مشکلی که می خواهید حل کنید، همان پیکربندی فناوری را به کار می برد. اینطوری کار نمی کند.

استقرار ابر هیبریدی قوی قبل از استقرار تحت پروتکل‌های آزمایش مختلفی قرار می‌گیرد. از آزمایش واحد و بار گرفته تا تست تنش و خیساندن، هر لایه از پشته ابر برای حفظ بار فعلی و چالش‌های مقیاس‌پذیری بالقوه تأیید می‌شود. ابزارها و چارچوب‌ها تست‌ها را خودکار می‌کنند، رفتار کاربر را شبیه‌سازی می‌کنند و اطمینان می‌دهند که زیرساخت ابری می‌تواند در شرایط مختلف دوام بیاورد و کار کند.

پس از استقرار، سیستم ابری ترکیبی وارد مرحله مشاهده‌پذیری دائمی می‌شود. ابزارهای نظارت بر عملکرد، داده‌های بلادرنگ را در طول استقرار جمع‌آوری می‌کنند و اقدام فوری در مورد مسائل نوظهور را تسهیل می‌کنند. AIops و خدمات مشابه بینش هایی را در مورد الگوهای استفاده از منابع ارائه می دهند و مهندسان را قادر می سازند تا تصمیمات آگاهانه ای در مورد بهینه سازی سیستم بگیرند. تعداد سیستم های نظارت نشده ای را که می بینم باور نمی کنید.

ترس مهم‌تر من این است که راه‌حل‌های ابری ترکیبی را به کار ببریم که عملکرد ضعیفی دارند، و تقصیر ناعادلانه به گردن مدل استقرار یعنی ابر ترکیبی می‌افتد. مردم در دام کلی گویی می افتند. امکان استقرار سیستم های ابری هیبریدی به سرعت وجود دارد که مدیریت سریع و آسانی دارند. فقط کمی برنامه ریزی و پیروی از مفاهیم ارائه شده در بالا لازم است.