Mengumumkan AWS ringkas penyebaran template untuk SIOS SQL Failover Cluster

AWS ringkas template menggunakan SQL High Availability Failover Cluster di awan

Banyak bisnis yang berjuang untuk menyebarkan high availability failover cluster SQL Server dan aplikasi penting lainnya di internet. Hal ini karena Anda perlu penyimpanan bersama untuk menciptakan failover cluster. Penyimpanan bersama ini tidak tersedia atau praktis di awan-awan yang paling umum. Akibatnya, banyak tim TI memelihara SQL lokal. Ahli mereka di dalamnya jaringan, Penyimpanan, dan server akan mengambil bulan untuk merencanakan, memesan, menginstal dan mengkonfigurasi lingkungan fisik untuk HA failover clustering. Akhirnya, mereka akan menghabiskan menghabiskan ribuan dolar upgrade ke SQL Server Enterprise edition untuk memperoleh kemampuan clustering yang maju.

SANless Failover Clustering memungkinkan SQL hemat biaya tinggi ketersediaan perlindungan di awan

Hari ini, SIOS DataKeeper Cluster Edition adalah solusi HA DR pertama untuk menggabungkan otomatis, aplikasi-sentris pengelompokan dan replikasi data yang efisien. Dengan mengintegrasikan mulus ke Windows Server Failover Clustering (WSFC), hal ini memungkinkan WSFC untuk bekerja di awan mana penyimpanan bersama tidak mungkin. SIOS DataKeeper bekerja dengan sinkronisasi penyimpanan lokal secara real time menggunakan sangat efisien tingkat blok replikasi. Dengan cara ini, menciptakan sebuah cluster SANless untuk melindungi aplikasi Windows Anda di internet. Anda dapat menggunakannya untuk melindungi SQL Server Standard Edition tanpa perlu mahal upgrade ke SQL Server Enterprise Edition.

Membuat template ringkas menggelar Failover Cluster di AWS mudah

Sekarang perusahaan dengan mudah dapat mengerahkan dua-simpul high availability failover cluster secara otomatis menggunakan AWS EC2 cepat mulai penggunaan. Sistem administrator dan manajer hanya dapat membeli SIOS Amazon mesin gambar (AMIs) pada AWS Marketplace. Mereka dapat menggunakan AMI untuk menyebarkan sebuah cluster SQL Server Standard Edition dua-simpul di awan AWS menggunakan AWS ringkas template.

Cepat mulai template adalah penyebaran otomatis referensi untuk beban kerja kunci pada AWS. Masing-masing mulai cepat Luncurkan, mengkonfigurasi dan menjalankan layanan AWS yang diperlukan untuk menyebarkan beban kerja yang spesifik pada AWS. Penting, template menggunakan AWS praktik terbaik untuk keamanan dan ketersediaan. Sebagai akibatnya, cepat mulai menghilangkan langkah manual dengan satu klik – karena cepat, murah, dan dapat disesuaikan.

AMIs SIOS pada pasar AWS menyediakan cara yang mudah, nyaman bagi pelanggan untuk membeli perangkat lunak SIOS DataKeeper untuk melindungi aplikasi penting bisnis di AWS. Anda dapat menggunakannya untuk menyebarkan ketersediaan tinggi cluster menggunakan biaya efisien SQL Server Standard Edition dalam awan.

Pelanggan dapat membeli SIOS DataKeeper melalui pasar AWS di: https://aws.amazon.com/marketplace/seller-profile?id=3c91e2f7-fc8d-4cce-a8aa-1e37abcb4408

Untuk mempelajari lebih lanjut tentang SIOS DataKeeper cepat mulai untuk AWS Cloud, kunjungi: https://aws.amazon.com/quickstart/architecture/sios-datakeeper/

Untuk mempelajari lebih lanjut tentang SIOS DataKeeper Cluster Edition untuk ketersediaan tinggi awan penyebaran:
http://US.sios.com/San-sanless-clusters-Resources/?_sft_subject_c=Cloud-high-availability

Bagian 2-AI: It's All About Data: pergeseran dari ilmu komputer Data ilmu

Ini adalah posting kedua dalam dua bagian seri. Bagian satu tersedia di sini. Kami menyoroti pergeseran peran itu dengan munculnya mesin belajar berbasis perangkat analisis.

Pembelajaran mesin memberikan jawaban

Ilmu data terbaru pendekatan untuk mengelola dan mengoptimalkan virtual infrastruktur berlaku disiplin AI mesin belajar (ML).

Daripada pemantauan komponen individu dengan cara ilmu komputer tradisional, alat-alat ML menganalisis perilaku komponen yang saling berhubungan. Mereka melacak pola normal perilaku kompleks ketika mereka berubah dari waktu ke waktu. Perangkat pembelajaran berbasis analisis mesin secara otomatis mengidentifikasi akar penyebab masalah kinerja dan menyarankan langkah-langkah yang diperlukan untuk memperbaiki mereka.

Ini pergeseran pendekatan data-sentris, berbasis perilaku memiliki implikasi besar yang signifikan memberdayakan profesional TI. IT Pro akan selalu membutuhkan domain keahlian di bidang ilmu komputer. Tapi apa keterampilan analitis akan itu perlu untuk menjadi efektif dalam dunia AI-driven baru ini?

Tidak seperti sebelumnya analytics alat yang tujuan umum atau disediakan relatif rendah primitif atau api, meninggalkannya untuk menentukan bagaimana untuk menerapkannya untuk tujuan spesifik. Alat awal yang sebagian besar tidak praktis karena mereka telah terbatas penerapan. Selain itu, IT Pro menggunakan mereka harus memiliki latar belakang dalam analisis. Alat-alat baru jauh berbeda. Mereka membiarkannya Pro untuk leapfrog ke depan – untuk menggunakan pendekatan ilmu data lanjutan tanpa pelatihan khusus. Mereka secara otomatis memberikan cepat, akurat solusi untuk masalah-masalah yang kompleks seperti analisa penyebab, rightsizing atau perencanaan kapasitas.

Pertama, itu akan bergeser penekanannya dari mendiagnosis masalah untuk menghindari mereka di tempat pertama. Selanjutnya, dibebaskan dari kebutuhan untuk over penyediaan untuk memastikan kinerja dan kehandalan, mereka akan mencari cara untuk mengoptimalkan efisiensi. Akhirnya, mereka akan menggunakan alat-alat ML untuk menerapkan strategi untuk berkembang dan skala lingkungan mereka untuk mendukung operasi bisnis mereka.

Dan sebagai itu pro's dewasa pemahaman dan penggunaan alat-alat analisis berbasis pembelajaran mesin mereka, mereka akan berada di garis depan membangun fondasi untuk otomatisasi dan masa depan diri mengemudi data center.

Baca bagian 1

Simpan

Simpan

Bagian 1: AI adalah semua tentang Data: The pergeseran dari ilmu komputer Data ilmu

Ini adalah posting pertama dalam dua bagian seri. Bagian 2 tersedia di sini. Kami menyoroti pergeseran peran itu sebagai kecerdasan buatan (AI) yang didorong data ilmu berkembang.

Anda mungkin berpikir bahwa kata-kata "kecerdasan buatan" atau "mesin belajar" terdengar seperti buzzwords yang trendi. Pada kenyataannya, banyak hype tentang teknologi ini benar. Tidak seperti melewati periode kegembiraan atas kecerdasan buatan, menarik hari ini sudah tidak lagi latihan akademik. Sekarang, ia memiliki kebutuhan dunia nyata untuk cepat solusi untuk masalah yang terlalu rumit untuk hanya manusia. Dengan virtualisasi, tim TI mendapatkan akses ke variasi dan volume data real-time mesin. Mereka ingin menggunakan untuk memahami dan memecahkan masalah-masalah di lingkungan operasi TI mereka. Apa lebih, bisnis melihat nilai dalam mendedikasikan anggaran dan sumber daya untuk memanfaatkan kecerdasan buatan, khususnya mesin belajar, dan dalam belajar. Mereka menggunakan teknologi yang kuat untuk menganalisis data ini untuk meningkatkan efisiensi dan kinerja.

Data ilmu untuk menyelamatkan

Kompleksitas pengelolaan lingkungan TI virtual menekankan keluar tradisional Departemen IT. Namun, IT Pro yang menemukan bahwa solusi terletak dalam data dan alat berbasis kecerdasan buatan yang dapat memanfaatkan itu. Sebagian besar adalah dalam proses memahami seberapa kuat data adalah dalam membuat keputusan tentang konfigurasi, mengoptimalkan dan pemecahan masalah lingkungan virtual. Awal tahap virtualisasi lingkungan dipantau dan dikelola dengan cara yang sama yang lingkungan server fisik. IT Pro dioperasikan di diskrit silos (jaringan, Penyimpanan, infrastruktur, aplikasi). Mereka menggunakan beberapa ambang-berdasarkan alat untuk memonitor dan mengelola mereka berfokus pada metrik individu-pemanfaatan CPU, memory pemanfaatan, latency jaringan, dll. Ketika metrik melebihi ambang batas yang telah ditetapkan, alat ini menciptakan tanda-sering ribuan Alert untuk satu masalah.

Jika Anda membandingkan pendekatan ilmu komputer untuk pendekatan ilmu (AI) data, beberapa pengamatan menjadi jelas. ITU berdasarkan pendekatan tradisional pada prinsip-prinsip ilmu komputer yang mereka telah digunakan untuk 20 tahun terakhir. Ambang berbasis pendekatan ini berasal dari lingkungan server fisik yang relatif statis, volume rendah. Staf TI menganalisis individu alert untuk menentukan apa yang menyebabkan masalah, betapa pentingnya hal ini, dan bagaimana untuk memperbaikinya. Namun, tidak seperti lingkungan server fisik, komponen dalam lingkungan virtual sangat saling bergantung dan selalu berubah. Mengingat pertumbuhan besar sistem virtualisasi, IT Pro tidak dapat membuat keputusan dengan menganalisis tanda dari silo satu pada satu waktu.

Kecerdasan buatan, dalam pembelajaran dan pembelajaran mesin

Untuk mendapatkan jawaban yang akurat untuk pertanyaan kunci di lingkungan virtual yang besar, tim itu perlu kecerdasan buatan-berbasis solusi analisis. Mereka yang membutuhkan solusi yang mampu secara bersamaan mengingat semua data yang timbul dari Silo infrastruktur TI dan aplikasi. Dalam lingkungan virtual, komponen berbagi sumber daya dan berinteraksi satu sama lain dalam cara yang halus. Anda memerlukan solusi yang memahami interaksi dan pola perubahan perilaku mereka dari waktu ke waktu. Itu harus memahami bagaimana perubahan melalui seminggu bisnis dan sebagai perubahan musiman yang terjadi selama setahun. Paling penting, perlu AI-driven solusi yang melakukan pekerjaan untuk itu. Itu harus mengidentifikasi akar penyebab masalah, merekomendasikan solusi, memprediksi masalah masa depan, dan ramalan masa depan kapasitas yang diperlukan.

Simpan

Berhenti Alert badai dan menemukan akar penyebab dari masalah kinerja di VMware vSphere infrastruktur dengan mesin pembelajaran

Lihat webinar ini direkam mendengar vExpert dicatat dan prinsip analis untuk ActualTech Media, David M. Davis, dan Jim Shocrylas, SIOS teknologi Direktur manajemen produk membahas berbagai macam masalah dan direkomendasikan solusi yang dihadapinya manajer dalam lingkungan VMware.

David membahas perubahan di dalamnya yang mengarah pada penciptaan IO "blender" yang kita lihat hari ini dan cara-cara tradisional ambang monitoring dan manajemen alat berbasis jatuh pendek. Ia ulasan tantangan situasi ini menimbulkan bagi manajer TI yang mencoba untuk memecahkan masalah, menghilangkan sumber daya yang terbuang, dan memenuhi tingkat pelayanan – dari badai waspada, "siloed" pandangan infrastruktur, yang luar biasa untuk tidak efisien (dan mahal) trial-error dan pemecahan masalah.

Ia membahas cara-cara yang mesin berbasis belajar IT analytics baru menjawab pertanyaan-pertanyaan yang tidak tradisional solusi berbasis ambang-apa akar penyebab masalah dan bagaimana untuk memperbaikinya. Jim Shocrylas memberikan demo dari SIOS iQ mesin belajar solusi analisis dan menunjukkan betapa mudahnya untuk:

• Menyadari isu-isu penting tanpa peringatan badai
• Mengidentifikasi akar penyebab masalah kinerja dengan cepat, mudah dan akurat
• Kanan-ukuran kinerja dan kapasitas vSphere infrastruktur tanpa risiko
• Mencegah masalah sebelum mereka terjadi

Webinar menjelaskan cara untuk menghilangkan lebih dari ukuran dalam lingkungan Virtual tanpa risiko kinerja aplikasi

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