April 6 jam 2:00 PM Timur/11:00 AM Pasifik

Mendaftar di sini
Menurut para ahli, lingkungan virtual over ditetapkan oleh sebanyak 80%. ITU adalah membuang puluhan ribu dolar per tahun pada perangkat keras, perangkat lunak, dan waktu itu yang tidak menguntungkan perusahaan. Tanpa cara yang efektif untuk melihat di Silo virtual infrastruktur dan ke interaksi antara komponen, itu adalah buta-sided oleh masalah kinerja, kapasitas over berjalan dan lain konsekuensi yang tak terduga. Seperti aplikasi yang lebih penting yang pindah ke dalam lingkungan virtual, tekanan lebih besar untuk memberikan kinerja tinggi yang terganggu dan setiap biaya. Pandangan ini terbatas ke virtual infrastruktur juga menyebabkan itu untuk menjaga foto-foto yang tidak perlu, VMDKs nakal dan siaga VMs. Dalam webinar ini, pendiri ActualTech dan mencatat vExpert, David Davis dan SIOS's Direktur manajemen produk, Jim Shocrylas membahas solusi sederhana untuk lingkungan virtual benar-sizing yang mungkin dengan mesin pembelajaran berbasis analytics.

Bergabung dengan webinar ini untuk belajar bagaimana pembelajaran mesin berbasis solusi analytics memberikan informasi yang tepat dan akurat yang diperlukan ke kanan ukuran lingkungan virtual Anda tanpa risiko kinerja atau ketersediaan.

Menonton demonstrasi mesin belajar berbasis perangkat analisis tentang bagaimana untuk menghilangkan masalah kinerja aplikasi, mengkonfigurasi virtual sumberdaya untuk kinerja optimal dan efisiensi, dan ramalan persyaratan kinerja.

• vSphere Admin tantangan dan solusi
• Hubungan yang kompleks dan cara untuk mengidentifikasi akar penyebab
• Mengidentifikasi sumber daya terbuang dan biaya diperoleh kembali
• Pembelajaran mesin dan bagaimana dapat membantu Anda
• Apa VM apl perlu SSD caching dan apa jenis
• Mencegah masalah sebelum mereka terjadi dan cepat memecahkan mereka jika mereka pernah melakukan

Hidup webinar ini interaktif sehingga membawa pertanyaan Anda.

Mendaftar di sini

 

Benar-Sizing VMware lingkungan dengan pembelajaran mesin

Menurut analis terkemuka, hari ini virtual data Center adalah 80 persen overprovisioned – masalah yang membuang puluhan ribu dolar setiap tahunnya. Risiko overprovisioning lingkungan virtual mendesak dan segera. Manajer TI menghadapi berbagai tantangan yang berkaitan dengan benar penyediaan infrastruktur yang virtual. Mereka harus tinggal dalam anggaran sambil menghindari downtime, memberikan kinerja tinggi untuk produktivitas pengguna akhir, memastikan ketersediaan tinggi serta memenuhi berbagai persyaratan layanan lainnya. INI sering berkaitan dengan ketakutan mereka akan masalah kinerja aplikasi dengan hanya melemparkan hardware masalah dan menghindari kemungkinan di bawah penyediaan.  Namun, strategi ini mendorong mahal atas pengeluaran dan pengeringan waktu itu berharga.  Dan lebih buruk lagi, ketika tiba saatnya untuk membandingkan ekonomi hosting vs Internet lokal, biaya infrastruktur lokal sangat meningkat ketika sumber daya tidak efisien sedang digunakan.  Hal ini dapat menyebabkan keputusan ketika merencanakan pindah ke awan.

Dengan semua risiko ini dalam bermain, bagaimana itu tim tahu Kapan lingkungan VMware mereka dioptimalkan?

Memiliki akses ke informasi yang akurat yang sederhana untuk memahami penting.  Langkah pertama dalam beban kerja aplikasi benar-sizing adalah pemahaman pola beban kerja dan sumber daya yang mereka konsumsi dari waktu ke waktu.  Namun, kebanyakan Alat mengambil pendekatan sederhana ketika merekomendasikan sumber daya optimasi.  Mereka menggunakan rata-rata sederhana metrik tentang mesin virtual.  Pendekatan ini tidak memberikan informasi yang akurat. Puncak dan lembah-lembah penggunaan dan antar-hubungan sumber daya menyebabkan konsekuensi yang tak terduga untuk aplikasi lain bila Anda mengkonfigurasi mereka.  Untuk mendapatkan informasi yang tepat dan membuat keputusan yang tepat untuk benar-sizing, Anda memerlukan solusi seperti SIOS Iq.  SIOS iQ berlaku mesin belajar untuk belajar pola perilaku saling berhubungan objek dari waktu ke waktu dan di seluruh infrastruktur untuk secara akurat merekomendasikan optimasi yang membantu operasi, tidak menyakiti mereka.  Cerdas analytics mengalahkan rata-rata setiap waktu.

Langkah kedua ke arah strategi benar-sizing adalah menghilangkan rasa takut akan berurusan dengan isu-isu kinerja ketika masalah terjadi atau bahkan mencegah satu di tempat pertama.  Ini berarti memiliki keyakinan bahwa Anda memiliki informasi yang akurat yang diperlukan untuk dengan cepat mengidentifikasi dan memperbaiki masalah bukan hanya melemparkan hardware itu dan berharap itu hilang.

Alat-alat hari ini tidak sangat akurat. Mereka memimpin melalui labirin grafik dan metrik tanpa jawaban yang jelas atas pertanyaan kunci. Tim itu biasanya beroperasi dan mengelola lingkungan di Silo terpisah–penyimpanan, Jaringan, aplikasi dan host masing-masing dengan alat-alat sendiri. Untuk memahami hubungan antara semua komponen infrastruktur memerlukan banyak pekerjaan manual dan menggali.  Lebih lanjut, alat-alat ini tidak memberikan informasi, mereka hanya memberikan data yang akurat marginal. Dan mereka memerlukan untuk melakukan banyak pekerjaan untuk mendapatkan data yang tidak akurat. Itu adalah karena mereka berbasis ambang batas. ITU harus ditetapkan individu ambang untuk masing-masing metrik yang mereka inginkan untuk mengukur-pemanfaatan CPU, memory pemanfaatan, latency jaringan, dll… Lingkungan satu yang mungkin perlu untuk mengatur, memantau, dan terus-menerus tune ribuan individu ambang. Setiap kali lingkungan berubah, seperti ketika beban kerja yang akan dipindahkan atau sebuah VM baru diciptakan, batas harus dapat menyesuaikan. Ketika melebihi ambang batas, alat-alat ini sering membuat ribuan Alert, mengubur informasi penting di "badai alert" dengan root ada penyebab diidentifikasi atau resolusi yang direkomendasikan.

Bahkan lebih penting, karena lansiran ini dipicu dari pengukuran satu metrik pada sumber daya tunggal, itu harus menafsirkan makna dan kepentingannya.  Akhirnya keakuratan interpretasi yang tersisa untuk keterampilan dan pengalaman dari admin. Ketika sistem berubah dan tumbuh begitu cepat dan itu hanya tidak dapat menjaga dengan itu semua – dan tentu saja termudah tindakan adalah untuk over penyediaan; membuang-buang waktu dan uang dalam proses. Selain itu, sebenarnya akar penyebab masalah sering tidak pernah sepenuhnya ditujukan.

Tim itu perlu alat yang cerdas yang memanfaatkan lanjutan mesin belajar analytics untuk memberikan pandangan gabungan, dianalisis seluruh infrastruktur. Solusi seperti SIOS iQ membantu mengoptimalkan bawaan, menandai isu-isu yang mendasari dan mengidentifikasi dan memprioritaskan masalah dalam lingkungan virtual. SIOS iQ tidak menggunakan ambang batas. Ini secara otomatis menganalisis pola dinamis perilaku antara komponen yang terkait dalam lingkungan Anda dari waktu ke waktu. Hal ini secara otomatis mengidentifikasi berbagai macam sumber daya yang terbuang (penipu vmdks, snapshot limbah, idle VMs). Itu juga merekomendasikan perubahan ke kanan-ukuran semua di atas dan di bawah-tersedia VMs.

Ketika mendeteksi anomali pola perilaku, menyediakan analisis lengkap akar penyebab dari masalah, komponen yang terpengaruh oleh masalah, dan merekomendasikan solusi untuk memperbaiki masalah. Itu tidak hanya merekomendasikan penyediaan optimal vCPU, vMem dan VMs, tetapi juga menyediakan analisis rinci penghematan biaya yang dapat memberikan rekomendasi. Pelajari lebih lanjut tentang SIOS iQ Kalkulator tabungan dan ROI.

Berikut adalah tiga cara mesin belajar analytics dapat membantu menghindari overprovisioning:

1. Memahami penyebab kinerja yang buruk: dengan otomatis dan berkesinambungan mengamati sumber daya pola pemanfaatan dalam real-time, mesin belajar analytics dapat mengidentifikasi lebih – dan berukuran VMs dan direkomendasikan pengaturan konfigurasi ke kanan-ukuran VM untuk kinerja. Jika ada perubahan, pembelajaran mesin dapat secara dinamis memperbarui rekomendasi.
2. Mengurangi ketergantungan pada tim IT untuk sumber daya ukuran: App pemilik sering meminta kapasitas penyimpanan sebanyak mungkin, sementara VMware admin ingin membatasi penyimpanan sebanyak mungkin. Mesin belajar analytics mengambil kira-kira dari sumber daya ukuran dan menghilangkan jari-menunjuk yang sering terjadi antara perusahaan itu tim ketika ada masalah.
3. Menghilangkan terpakai atau sia-sia sumber daya TI: SIOS iQ akan memberikan penghematan dan analisis ROI dari sumber daya yang terbuang, termasuk over ditetapkan VMs, penipu VMDKs, VMs yang tidak terpakai dan snapshot limbah. Ini juga memberikan rekomendasi untuk menghilangkan mereka dan menghitung biaya yang terkait menyimpan dalam CapEx dan Opex.
4. Menentukan apakah sebuah cluster dapat mentolerir kegagalan host: dengan mesin pembelajaran analytics, IT Pro dapat dengan mudah kanan-ukuran CPU dan penyimpanan tanpa membahayakan produktivitas SQL Server atau pengguna akhir. Tim IT mendapatkan pemahaman yang lebih dalam ke dalam kapasitas organisasi host dan tahu apakah sebuah cluster dapat mentolerir kegagalan atau masalah lain.

Untuk mempelajari lebih lanjut tentang bagaimana benar-sizing lingkungan VMware Anda dengan mesin pembelajaran dapat menghemat waktu dan sumber daya, check out webinar kami: "Simpan besar dengan benar Sizing lingkungan VMware Server SQL".

Ini adalah posting kedua dalam dua bagian seri menyoroti bagaimana AIOps berubah itu optimasi kinerja. Bagian 1 menjelaskan prinsip-prinsip dasar dari AIOps. Teks asli dari seri ini muncul dalam sebuah artikel tentang manajemen informasi.  Di sini kita melihat persyaratan bisnis mengemudi tren untuk AIOps.

Mengapa bisnis perlu AIOps?

IT Pro bergerak lebih dari aplikasi bisnis penting mereka ke dalam lingkungan virtual. Sebagai akibatnya, menemukan akar penyebab masalah kinerja aplikasi lebih rumit dari sebelumnya.  Manajer TI harus menemukan masalah dalam web kompleks VM aplikasi, perangkat penyimpanan, perangkat jaringan dan layanan. Komponen ini yang terhubung dalam cara-cara yang tidak selalu mengerti.

Sering kali, komponen VMware atau lingkungan virtual lain saling bergantung dan terkait. Ketika seorang manajer TI beban kerja yang bergerak atau membuat perubahan ke salah satu komponen, mereka menyebabkan masalah di beberapa komponen lain tanpa sepengetahuan mereka. Jika komponen yang berbeda disebut Silo (jaringan, infrastruktur, aplikasi, Penyimpanan, dll), IT Pro memiliki bahkan lebih kesulitan mencari tahu penyebab sebenarnya dari masalah.

Terlalu banyak alat-alat yang diperlukan untuk menemukan akar penyebab masalah kinerja

Proses mengkorelasikan masalah kinerja TI untuk penyebabnya akar sulit, jika tidak mustahil bagi tokoh TI.  Menurut terbaru SIOS laporan, 78 persen dari profesional TI menggunakan beberapa alat untuk mengidentifikasi penyebab masalah kinerja aplikasi di VMware. Sebagai contoh, mereka menggunakan alat seperti aplikasi pemantauan, pelaporan dan infrastruktur analisis.

Sering kali, ketika dihadapkan dengan masalah, itu merakit sebuah tim dengan wakil-wakil dari setiap IT silo atau bidang keahlian. Setiap anggota tim menggunakan nya atau diagnostik sendiri alat dan memandang masalah perspektif silo khusus mereka sendiri. Selanjutnya, anggota tim Bandingkan hasil individu analisis mengidentifikasi elemen umum. Sering, proses ini sangat manual. Mereka melihat perubahan dalam infrastruktur yang muncul dalam beberapa analisis dalam rangka masa yang sama. Sebagai hasilnya, departemen TI adalah membuang lebih dan lebih dari anggaran mereka pada pekerjaan manual dan tidak akurat trial-error dan inefisiensi.

Untuk memecahkan masalah ini dan mengurangi wasted time, mereka menggunakan pendekatan AIOPs. AIOps berlaku kecerdasan buatan (yaitu, pembelajaran mesin, dalam pembelajaran) untuk mengotomatisasi pemecahan masalah. Tren AIOPs adalah perubahan penting jauh dari tradisional pendekatan berbasis ambang batas yang mengukur kualitas individu (pemanfaatan CPU, latency, dll) untuk pendekatan data-driven lebih holistik. Oleh karena itu, manajer TI yang menggunakan perangkat analisis untuk menganalisis data di Silo infrastruktur secara real-time. Mereka menggunakan maju dalam pembelajaran dan mesin belajar perangkat analisis yang belajar pola-pola perilaku antara komponen yang saling bergantung dari waktu ke waktu.  Sebagai akibatnya, mereka dapat secara otomatis mengidentifikasi perilaku antara komponen yang mungkin mengindikasikan masalah. Lebih penting lagi, mereka secara otomatis merekomendasikan langkah-langkah khusus untuk mengatasi masalah.

Apa berikutnya untuk AIOps?

IT lingkungan virtual yang menciptakan volume besar data dan tingkat kompleksitas yang belum pernah terjadi sebelumnya. Sebagai akibatnya, manajer TI tidak dapat mengelola lingkungan ini secara efektif dengan metode tradisional, manual. Selama beberapa tahun berikutnya, profesi itu akan dengan cepat bergerak dari pendekatan ilmu komputer tradisional ke modern "data ilmu" pendekatan AIOPs. Untuk tim TI, ini berarti merangkul solusi analisis berbasis pembelajaran mesin, dan memahami bagaimana untuk menggunakannya untuk memecahkan masalah secara efisien dan efektif. Akhirnya, eksekutif harus bekerja dengan Departemen IT mereka untuk mengidentifikasi ke platform AIOps yang tepat untuk bisnis mereka.

Baca bagian 1

Ini adalah posting pertama dalam dua bagian seri. Kami menyoroti bagaimana AIOps berubah itu optimasi kinerja. Teks asli dari seri ini muncul dalam sebuah artikel tentang manajemen informasi.

Selama dua tahun berikutnya, perusahaan yang ditetapkan untuk menghabiskan $31.3 miliar pada alat sistem kognitif. Hari ini, perusahaan yang menggunakan alat-alat yang didasarkan pada teknologi ini (yaitu, data analytics dan pembelajaran mesin) untuk memecahkan masalah dalam berbagai bidang. Sebagai contoh, perusahaan yang menggunakan kecerdasan buatan (AI)-powered pelanggan layanan bot dan truk rute desain yang ilmuwan data. Ironisnya, Departemen teknologi informasi telah tidak belum sepenuhnya memanfaatkan kekuatan pembelajaran mesin berbasis analisis — itu.

Survei menunjukkan lebih kritis Apps di VMware

Namun, yang berubah karena lingkungan itu menjadi semakin kompleks. Mereka bergerak dari server fisik untuk lingkungan virtual. Menurut sebuah studi baru dari SIOS teknologi, 81 persen dari tim itu menjalankan aplikasi bisnis penting dalam lingkungan VMware.

Lingkungan virtual yang terdiri dari komponen, seperti VMs, aplikasi, Penyimpanan dan jaringan yang sangat saling terkait dan terus berubah. Untuk mengelola dan mengoptimalkan lingkungan ini, manajer TI harus menganalisis volume yang sangat besar data. Mereka belajar pola-pola perilaku antara komponen. Hal ini memungkinkan mereka akurat berkorelasi masalah layanan aplikasi ke akar penyebab masalah ini dalam lingkungan virtual.  Sebagai hasilnya, sebuah field baru telah muncul-AIOps.

Apakah AIOps?

AIOps (algoritmik IT operasi platform) adalah istilah baru yang Gartner menggunakan untuk menggambarkan tahap berikutnya IT operasi Analytics. Platform ini menggunakan mesin belajar dan dalam belajar teknologi untuk mengotomatisasi proses menemukan masalah kinerja di dalamnya operasi.

Sekarang, perkiraan Gartner hanya lima persen dari bisnis yang memiliki AIOps platform di tempat. Namun, bisnis lebih akan mengadopsi platform ini selama dua tahun berikutnya, membawa nomor yang 25 persen. Penting, AIOps menggantikan kecerdasan manusia dengan mesin intelijen. Itu deciphers interaksi dalam lingkungan virtual IT. Akibatnya, mereka dapat mengungkap masalah infrastruktur, mengkorelasikan mereka aplikasi operasi masalah dan merekomendasikan solusi.

Platform AIOps menggunakan mesin belajar untuk memahami bagaimana lingkungan ini berperilaku sejalan dengan waktu untuk mengidentifikasi perilaku yang tidak normal. Selain itu, itu bahkan dapat menggunakan AIOps platform untuk menemukan dan menghentikan ancaman potensial sebelum mereka menjadi masalah kinerja aplikasi.

Ini adalah posting blog yang kedua dalam dua bagian seri memeriksa tantangan tim TI wajah dalam mengoptimalkan kinerja aplikasi dan masalah lain dalam lingkungan VMware. Teks asli dari seri ini muncul dalam sebuah artikel di Data Informasi.  

Pada bagian satu dari seri ini, kita menemukan bahwa tim itu saat ini menggunakan beberapa alat untuk memahami masalah-masalah kinerja aplikasi di VMware. Baca terus untuk belajar tentang tantangan lain yang menghadapi tim IT dalam lingkungan virtual

Masalah kinerja aplikasi yang memakan waktu dan sumber daya

Sementara profesional TI adalah konsultan aplikasinya lingkungan VMware Alat pemantauan, kritis berjam-jam berdetak oleh. Untuk bisnis kecil yang terbatas itu staf, ini dapat menyebabkan penundaan yang cukup besar dalam operasi sehari-hari. Tim itu tidak bisa membuang waktu mengejar positif palsu atau memfokuskan energi mereka pada bidang lingkungan yang tidak benar-benar akar penyebab masalah kinerja aplikasi mereka. Selain itu, banyak tim TI dibanjiri oleh tanda dari lingkungannya VMware Alat, membuatnya sulit untuk menentukan tanda yang tidak ada artinya dan yang layak mendiagnosis untuk memecahkan masalah kinerja aplikasi potensial pemantauan.

Gangguan ini signifikan, mengingat bahwa kami baru survei menemukan lebih dari setengah dari itu profesional menghadapi masalah kinerja aplikasi setiap bulan. Selain itu, 44 persen menunjukkan bahwa dibutuhkan mereka lebih dari tiga jam untuk menyelesaikan masalah-masalah kinerja aplikasi ketika mereka muncul. Secara keseluruhan, itu jelas bahwa tim itu sering menghadapi masalah dalam lingkungan VMware, dan mereka telah membuang kritis tenaga kerja dan sumber daya pemecahan masalah ini.

Penyebab masalah kinerja aplikasi tetap menjadi misteri.

Meskipun berbagai alat yang tersedia dan jumlah waktu yang dihabiskan memecahkan masalah kinerja aplikasi bisnis penting, profesional TI tetap tidak menentu mereka dapat menyerang masalah ini langsung. Profesional IT disurvei, hanya 20 persen percaya strategi mereka menerapkan untuk menyelesaikan masalah-masalah kinerja aplikasi adalah 100 persen akurat pertama kalinya. Bahkan lebih mengkhawatirkan, tujuh persen akan mencirikan resolusi masalah kinerja aplikasi mereka sebagai "Tebakan." Dan di papan, itu langka untuk tim TI untuk menerapkan solusi sempurna untuk masalah kinerja–mereka sering memerlukan tingkat penyesuaian atau bahkan ulang lengkap.

Apakah berikutnya?

Kecenderungan ini memindahkan data bisnis penting dari server fisik dan ke virtual lingkungan akan terus untuk masa yang akan datang, dan hubungan antara aplikasi VM, perangkat jaringan, perangkat penyimpanan dan layanan hanya akan tumbuh lebih kompleks. CIO banyak yang beralih ke solusi mesin belajar untuk membantu mereka lebih memahami infrastruktur mereka dan belajar untuk mengoptimalkan hubungan yang ada antara yang berbeda yang disiplin. Sebagai akibatnya, pendekatan inti yang digunakan oleh profesional TI berubah dari pendekatan ilmu komputer tradisional ke pendekatan ilmu-sentris data. Kami juga telah melihat munculnya "AIOps" atau algoritma IT operasi platform tahun lalu. Istilah yang diciptakan oleh Gartner untuk menggambarkan aplikasi mesin belajar di dalamnya, Gartner memperkirakan hanya lima persen dari bisnis saat ini memiliki platform AIOps di tempat. Namun, jumlah itu diharapkan jamur untuk 25 persen dalam dua tahun ke depan seperti itu menjadi semakin kompleks dan sulit untuk mengelola.

Baca rintangan untuk mengoptimalkan kinerja aplikasi dalam lingkungan VMware bagian satu