本文摘要：云计算实例在计算能力、内存、存储和对GPU的反对、机器学习和其他专门功能方面具备普遍的应用于范围。

云计算实例在计算能力、内存、存储和对GPU的反对、机器学习和其他专门功能方面具备普遍的应用于范围。管理人员应当让应用程序市场需求要求云计算实例的类型和规模，特别是在是因为错误的给定不会造成性能低落和成本高昂的情况。

某些应用程序有可能必须更大的云计算实例，这意味著必须高水平计算出来、存储和其他资源的虚拟机，而其他应用程序可以在资源较较少的规模较小实例上运营较好。但并不是每个用户一开始都会用于准确的云计算实例，云计算应用程序的动态特性意味著筛选并不总是按计划工作。

可以用于云优化工具和技术来自由选择准确的云计算实例类型和规模，然后根据必须随时重置和调整它们。定义应用程序拒绝云托管地应用程序必须与本地应用程序有所不同的思维模式。

IT经理一般来说不会过度配备本地应用程序，因为以后拓展其他资源是一项挑战。云计算应用程序更容易按须要拓展，而必须拓展的特定资源（如计算出来、内存和存储）因工作阻抗而异。

例如，数据库应用程序必须比网络服务器更好的内存和存储IOPS，这对计算出来明确提出了更高的拒绝。Enterprise Management Associates管理研究主管Torsten Volk回应，由于企业必须理解应用程序的资源用于模式（最差是一年），因此很难确认云计算实例的规模。检查云计算供应商的CPU、内存、存储等资源容许。

尽管云计算提供商的工具可以协助确认应用程序的最佳实例类型和设置，但这些供应商完全没动力向客户获取简单的云优化工具，因为过度配备有可能是其收益来源。管理人员将必须构建其他技术，以及有可能的第三方优化工具，以全面理解情况。分析指标以推展优化利用率指标（如CPU、存储、内存和网络容量）可以表明实例的规模否合适应用程序。例如，大量的催促延后有可能回应实例规模，无法处置当前阻抗。

云计算咨询机构Candid Partners公司的高级云架构师Beau Bennett回应，“在确认准确的实例规模时，一定要解读峰值是如何影响指标的。”应当有充足的可用容量来处置用于的峰值，只必须充足宽的时间来展开水平拓展。如果单个指标相比之下低于其他指标（例如，如果内存被几乎用于，但CPU和网络容量很低），那么有可能是用于有所不同的实例规模的时候了。

创建监控和调整循环为保证云计算应用程序有效地拓展，必须在指标和操作者之间创立对系统循环。监控指标表明低利用率或较低利用率时，请求对实例规模或类型展开小幅调整。

之后监控这些指标，以理解变更如何影响应用程序性能和效率。强劲的持续构建/倒数部署（CI/CD）管道，利用基于策略的掌控和自动化展开变更，可以协助云计算管理员调整设置，而会产生车祸后果或冗长的手动流程。Bennett说道，基础设施作为代码，资源被模板化后用编程语言撰写，也有助持续的云优化。性能和利用率指标是云计算提供商的核心产品，或者的组织可以改向第三方产品，这些产品获取所用于实例的阐述。

用于云成本管理工具本地成本管理工具（还包括Azure成本管理、AWS成本管理和Google权限引荐）可以协助展开优化，但有可能足以精确估计所有工作阻抗的市场需求。例如，Google Rightsizing Recommendations可以根据运营的平均值建议实例规模调整。但是，这种平均值利用率信息足以符合每月或每季度再次发生一次峰值的Spikey应用程序，或基于特定事件（如黑色星期五）。

Volk警告说道，“必须分析最重要的工作阻抗，以将平均值使用量和峰值使用量都还包括在其云实例规模要求中。”此外，这些工具有可能无法追踪对应用程序很最重要的所有必须资源。

例如，Google Rightsizing Recommendations只考虑到CPU、内存和存储大小。某些应用程序具备其他容许因素，例如网络IOPS。此外，该工具不考虑到某些部署类型，例如Kubernetes集群，这使管理人员可以作出自己的云优化决策。

读取测试有所不同的实例类型Volk建议，对有所不同实例类型和规模的应用程序展开阻抗测试，以确认预期的平均值和脑溢血性能指标。模型阻抗测试尽量相似现实的用于模式。例如，峰值阻抗有可能再次发生在API函数调用期间，同时也有可能再次发生在用户与应用程序图形前端的交互过程中。

构建的第三方系统有可能在与云托管地应用程序的通信速度方面有拒绝，这有可能使事情显得更加简单。当应用程序分享标准化微服务时，构建过程显得更为棘手。

横跨这些点对点的分布式架构展开云优化必须警觉和简单的建模。考虑到动态实例类型AWS公司获取了可脑溢血的性能实例，使管理人员可以根据必须动态加到和缴纳CPU性能。虽然这种服务可以提升云计算性能，但很难告诉应用程序只有CPU改良才能拓展，并且会升级到内存和存储的速度或规模。Volk说道，每当倚赖实例愈演愈烈时，总是展开阻抗测试。

此外，如果企业在减少的CPU上花费很多，必须查阅应用程序的市场需求，有可能是切换为更大实例规模的时候了。留意容器问题容器群集有可能具备造成比预期更高的网络吞吐量或存储阻抗的依赖性。关键的罪魁祸首一般来说是Kubernetes调度策略。

“这是一个必须临床的潜在问题。”Volk说道。如果企业计划启动容器，请求考虑到云优化评估，而某种程度是CPU、存储和内存。确认在一段时间内用户可以启动或移除的Kubernetes pod数量否不存在容许，以及对实例上运营的各个容器否不存在规模容许。

本文来源：澳门新葡游戏网登录入口-www.xuyangyi.com