- Keterbatasan
Beberapa catatan penting harus dibuat berkaitan dengan peak hour data yang para perencana kapasitas USAA harus perkirakan. Semua metric sumber daya, seperti CPU dan memori, di-compile dan disimpan menggunakan metode HWHA. Interval waktu ini merepresentasikan periode observasi satu minggu, walaupun data hanya rata-rata per jam. Performa terkini dari perangkat jaringan tidak dapat ditetapkan dari data ini. Kelompok monitoring performa USAA berhubungan dengan periode waktu yang secara signifikan lebih kecil dari weekly hourly averages yang telah dipertimbangkan dalam analisis ini. Performance monitoring lebih berhubungan dengan data jaringan resolusi tinggi dan memandangnya dengan more microscopic lens. Para perencana kapasitas menggunakan more telescopic lens yang mengambil gambar lebih besar dan kurang berkaitan dengan finer-resolution, rapidly changing data. Walaupun perbedaan ini dalam pendekatan analitis, terdapat hubungan simbiotik penting dalam mengimplementasikan tools dan yang berhubungan dengan peristiwa-peristiwa penting antar kelompok. Capacity planners secara eksklusif tergantung pada kelompok performa untuk mengumpulkan data jaringan. Data ini difilter dan disimpan dalam basis data perencanaan kapasitas terpisah untuk trend dan analisis. Dan sebaliknya, keputusan-keputusan yang mempengaruhi performa jaringan, seperti pembelian perlengkapan baru, dapat memiliki efek signifikan pada performa bagian-bagian lain dari jaringan. Konsekuensinya, perencanaan apapun untuk meningkatkan kapasitas sumber daya harus dikoordinasikan dengan tim-tim manajemen performa. Analisis posteriori yang dipresentasikan dalam paper ini menganggap bahwa traffic tumbuh secara linear. Tidak ada asumsi yang dibuat berkaitan dengan marked changes dalam pola pertumbuhan ini. Jenis analisis ini harus mengikuti perkembangan perubahan signifikan dalam penggunaan perangkat lunak dan populasi user. Isu-isu Y2K juga mempengaruhi perencanaan. Threshold disesuaikan ke account untuk peristiwa-peristiwa khusus ini.
- Utilisasi Port, Memory, dan Interface
Hasil-hasil yang dibahas di atas untuk utilisasi router CPU mirip dengan yang untuk memori dan interface data—linear dengan standard error kecil. Sejak ketersediaan port tidak berubah-ubah secara signifikan dari minggu ke minggu, tidak ada rata-rata yang dibutuhkan. Perkiraan data secara langsung itu memungkinkan ketika menahan standard error rendah.
Gambar 4. Highest Weekly Hourly Averages untuk perangkat terpilih per minggu. Yang ditampilkan adalah data aktual dan Least Mean Square estimates.
- Kesimpulan
Tanggung jawab terhadap pertumbuhan yang terlihat pada data jaringan adalah pertumbuhan pegawai USAA. Anualisasi lekuk kurva-kurva pada Gambar 4 menunjukkan pertumbuhan tahuanan sekitar 5%. Pertumbuhan pegawaia USAA sekitar 8%.
Walaupun agregasi tidak seproduktif antisipasi, model linier yang ditemukan untuk perangkat individu menggunakan HWHA menjustifikasi usaha tersebut. Implementasi tool yang dibahas dalam paper ini dapat direalisasikan menggunakan basis data apapun yang memungkinkan data eksternal untuk diimpor dan rata-rata per jam mingguan sangat tinggi. Tambahan pula, basis data ini harus memiliki kemampuan analisis dengan script atau tool otomatis.
Dengan menggunakan teknik HWHA, pembuat rencana sekarang memiliki tool untuk merencanakan kapasitas jaringan dengan akurat. Untuk memperbaiki model ini, sejumlah sampel per jam dapat ditambah untuk representasi HWHA yang lebih akurat. Tambahan pula, HWHA window dapat dikurangi untuk memungkinkan puncak frekuensi lebih tinggi untuk dipresentasikan dengan lebih baik.
Referensi
[MEN98] D. A. Menasce, V. A. F. Almeida, Capacity Planning For Web Performance Metric, Models, & Methods, NJ: Printice Hall, (1998), pp. 223-227.
Diterjemahkan dari:
Paul Ybarra and Tom Mee. Capacity Planning Analyses Of Large Data Networks: A Case Study. International Network Services and United Services Automobile Association.
Selanjutnya ketik di kotak Search: ANALISIS PERENCANAAN KAPASITAS JARINGAN DATA BESAR
Tidak ada komentar:
Posting Komentar