- Pendekatan
Data tersedia untuk memperkirakan utilisasi secara virtual tiap perangkat jaringan dan interface. Pendekatan, agregasi awal kita, merupakan usaha untuk menyederhanakan tugas denga membuat kelas-kelas perangkat dan interface serta memperlakukan ini sebagai entitas-entitas tunggal. Contohnya, Bay switches dapat diperlakukan sebagai kelas tunggal. Data agregasi untuk switch ini membentuk basis karakterisasi kelas. Tujuan perencanaan kapasitas, kemudian, perubahan dari perangkat individu ke kelas khusus. Tujuannya adalah untuk memonitor utilisasi kelas dan memperkirakan ketika kelas tersebut akan menjalankan kapasitas.
Untuk elaborasi, mari kita asumsikan bahwa utilisasi link dari Bay switch sedang dimonitor. Asumsikan juga bahwa tiap switch memiliki dua uplinks dan 48 downlinks. Rata-rata per jam sangat tinggi ditentukan oleh masing-masing minggu untuk tiap perangkat. Ini merupakan the highest weekly hourly average (HWHA) atau peak hour for the device. Peak hour untuk semua perangkat lainnya ditetapkan dan dikombinasikan untuk menghasilkan rata-rata kelas per minggu. Contohnya, menggunakan lima switches, Tabel 1 mengilustrasikan peak hour utilizations for a single week.
Tabel 2 menunjukkan utilisasi untuk Switch #1 untuk sehari penuh. Rata-rata harian tertinggi adalah 8%, seperti ditunjukkan pada bold type. Jika nilai ini lebih besar dari atau sama dengan rata-rata harian untuk hari-hari lainnya,kemudian ia akan menjadi HWHA sample yang digunakan untuk perangkat tersebut. (Harus dicatat pada poin ini bahwa peak hour mungkin terjadi pada jam berapaun dari hari apapun per minggu.)
Week #1 | Uplink |
Switch #1 | 8% |
Switch #2 | 12% |
Switch #3 | 9% |
Switch #4 | 18% |
Switch #5 | 8% |
Class Average | 11% |
Tabel 1. Utilisasi untuk Kelas Bay Switches dalam EC01 for Week No. 1
Monday | Uplink |
01:00 | 1 |
02:00 | 1 |
03:00 | 1 |
04:00 | 2 |
05:00 | 2 |
06:00 | 5 |
07:00 | 5 |
08:00 | 5 |
09:00 | 6 |
10:00 | 8% |
11:00 | 6 |
12:00 | 7 |
13:00 | 7 |
14:00 | 7 |
15:00 | 5 |
16:00 | 5 |
17:00 | 5 |
18:00 | 4 |
19:00 | 3 |
20:00 | 3 |
21:00 | 3 |
22:00 | 2 |
23:00 | 2 |
24:00 | 2 |
Tabel 2. Utilisasi per jam untuk Switch #1 dalam Kelas ay Switches for EC01 on a Monday
Ketika data yang cukup telah dikumpulkan, perencana kapasitas dapat memperkirakan trends menggunakan teknik-teknik statistik yang tepat. Seleksi interval yang benar itu penting, seperti keputusan untuk menggunakan rata-rata kelas atau peaks. Isu-isu ini dibahasa dalam bagian selanjutnya.
3．1 Highest Weekly Hourly Average
Terdapat beberapa cara untuk menggunakan trend data. Satu dapat menggunakan rata-rata harian, rata-rata mingguan, rata-rata bulanan, peaks (maksimum) harian, peaks mingguan atau peaks bulanan. Tambahan, rata-rata dari rata-rata, rata-rata dari peaks, atau peaks dari rata-rata dapat digunakan. Rata-rata memiliki efek "smoothing out" terhadap peaks. Yang lebih besar periode waktu rata-rata, yang lebih halus kemunculan peak. Jika periode waktu sangat besar, rata-rata meminimalisir pengaruh peak. Jika periode waktu sangat kecil, rata-rata memaksimalkan pengaruh peak. Jadi, rata-rata merupakan filter frekuensi di mana peak durasi pendek dihapus ketika ukuran window lebih besar digunakan. Pengaruh peak yang diperbolehkan maksimal site dependent based on comfort level. Ada kemungkinan contoh ketika nilai peak melebihi threshold tertentu itu amat berat. Network traffic secara melekat bursty dan memiliki banyak peaks di dalam periode observasi yang diberikan. Burstiness ini secara tidak langsung menyatakan contention terhadap perangkat jaringan dan memiliki efek penting pada performa perangkat lain. Highest daily hourly average (HDHA) berusaha untuk menggabungkan pengaruh-pengaruh ini. Ukuran burstiness ditetapkan dalam [MEN98] by the 2-tuple (a, b). “A” merupakan peak untuk average ratio dan “b” merupakan persentase waktu rate kedatangan paket lebih besar daripada mean arrival rate. HDHA merupakan ukuran mirip dalam burstier hour yang akan berkontribusi lebih terhadap rata-rata harian daripada rata-rata per jam lainnya. HDHA bukan peak sample for the day tapi highest hourly average for the day. Catat bahwa HWHA akan selalu lebih besar dari atau sama dengan rata-rata mingguan tapi lebih kecil dari peak mingguan. Tambahan, HWHA juga akan lebih besar dari atau sama dengan HDHA for each day of the week.
Rata-rata harian tidak berubah-ubah secara signifikan dari hari ke hari. Mereka mudah untuk trend, dan model-model dapat digunakan secara akurat untuk memprediksi utilisasi rata-rata. Sayangnya, utilisasi rata-rata bisa mencapai 10 kali lebih kecil dari peak values for the day. Nilai-nilai peak berubah-ubah secara signifikan dari hari ke hari dan sulit untuk trend. Bagaimanapun, peaks tidak berubah-ubah secara signifikan dari minggu ke minggu. Rata-rata tracking kurang bermanfaat jika efek pengaruh peak diinginkan. HWHA merupakan means dari utilisasi rata-rata tracking ketika menggabungkan efek peaks. Rata-rata cenderung konstan; sehingga, fluktuasi dari minggu ke minggu yang besar sebagian besar dapat dihubungkan ke increased burstiness, yang dapat mengindikasikan lebih banyak network user atau sebuah aplikasi baru. Jika penambahan ini dikendalikan dan tidak direncanakan, efek-efek pada performa akan signifikan. Peristiwa-peristiwa seperti itu dikaitkan dengan penentuan sebabnya dan meminimalkan kemungkinan recurrence. Sebaliknya, peristiwa-peristiwa yang sudah terakumulasi seperti ini dapat mengganggu user response-times, terutama jika mereka terjadi secara bersamaan.
Ukuran-ukuran khusus HWHA menunjukkan fluktuasi mingguan lebih kecil 10%. Lebih kecil dari 20% dari sampel yang jatuh di luar range ini. Penambahan signigikan di luar ini 10% range menunjukkan penambahan dalam peaks baik dalam jumlah dan/atau kekuatan. Ini merupakan hasil langsung dari user tambahan dan/atau penggunaan aplikasi.
Memperkirakan trend dasar untuk sebuah kelas, bagaimanapun, tidak memberitahu kita ketika kelas tersebut akan melebihi threshold kapasitas. Kita tidak dapat berasumsi bahwa threshold untuk kelas identik dengan threshold untuk perangkat-perangkat yang terdiri atas kelas. Contohnya, rata-rata kelas bisa menjadi bagus di bawah threshold, walaupun beberapa perangkat di kelas dapat melebihinya. Para user mungkin mengalami degradasi performa atau service outages bahkan ketika kelas muncul untuk memiliki kapasitas besar. Tanda yang jelas dari peristiawa ini menjadi sudah jelas terlihat ketika ordinary least squares trend digunakan pada peak hourly data for a few devices (Gambar 3). Catat bahwa slopes untuk masing-masing perangkat ini berubah-ubah secara signifikan dari satu ke lainnya.usaha-usaha untuk memperkirakan data threshold agregasi akan berhasil dalam significant standard error. Hasil jelek ini telah diobservasi dengan lebih dari 40 minggu dari data.
Gambar 3. Perbandingan CPU HWHA slopes untuk berbagai routers.
Bagaimanapun, tidak semua hilang. HWHA data yang digunakan untuk memprediksi utilisasi kelas perangkat akan digunakan untuk memprediksi utilisasi tiap perangkat individu. Waktu pemrosesan yang dibutuhkan untuk menentukan threshold ini berada dalam order of seconds. Teknik agregasi telah mengisyaratkan bahwa sumber daya planner dan sistem komputasi benar-benar akan di-tax jika semua perangkat dan interface memburuhkan pengujian individu. Hasil yang mengejutkan dari usaha agregasi adalah bagaimana perangkat individu ditampilkan ke well-behaved linear trend berikutnya. Standard error untuk perangkat ini rata-rata hanya 8% dari yang diprediksikan (mediannya sekitar 4). Perkiraan-perkiraan dapat ditetapkan secara programatis, dan standard error untuk masing-masing perangkat yang dikomputasi. (Gambar 4 menunjukkan HWHA untuk beberapa perangkat). Investasi waktu oleh planner sekarang diperpendek untuk mencakup hanya analisis perangkat-perangkat itu yang diharapkan melebihi threshold. Untuk USAA, sejumlah perangkat seperti itu berada dalam 20’s. Secara otomatis grafik yang dihasilkan merepresentasikan fakta dan estimasi selama expected errors dan jumlah sampel dengan mudah dan cepat dibuat untuk sejumlah kecil perangkat seperti itu. Hasil-hasil ini memuaskan sejak staf manajemen dan non teknis (seperti para perencana keuangan) sudah memahami hasil-hasil ordinary least squares analysis.
Paul Ybarra and Tom Mee. Capacity Planning Analyses Of Large Data Networks: A Case Study. International Network Services and United Services Automobile Association.
Tidak ada komentar:
Posting Komentar