查看此录制的网络研讨会，听取指出的 vExpert 和原理分析师 ActualTech 媒体、 大卫 · 戴维斯和吉姆 Shocrylas，处长技术的产品管理主任讨论广泛的问题和建议解决方案面对它在 VMware 环境中的管理人员。

大卫讨论的变化，导致 IO"搅拌机"，我们看到今天和传统的基于阈值的监测和管理的工具失足短的方式创作。 他回顾了对 IT 经理人试图解决问题，消除浪费的资源，并满足服务级别 — — 从压倒性警报风暴，到"管窥"基础设施，这种情况构成的挑战效率低下 （且昂贵） 试验和错误的解决问题。

他讨论新的机器学习基于 IT 分析回答问题，传统的基于阈值的解决方案不能 — — 问题的根本原因是什么以及如何修复它。 吉姆 Shocrylas 处代理处长智商机器学习分析解决方案演示提供并显示到它是多么容易：

• 重要的问题，而警报风暴没有意识到
• 快速、 方便且准确地确定性能问题的根源
• 右大小性能和容量在 vSphere 基础设施无风险
• 防止问题发生之前

4 月 6 日在 2:00 下午东部/11:00 太平洋

在这里注册
据专家介绍，虚拟环境过度调配百分之 80。 在硬件、 软件和不利于公司的 IT 时间浪费数以万计的美元一年。 没有看到整个虚拟基础结构筒仓和组件之间的交互的有效途径，它被误性能问题、 能力过度运行和其他意想不到的后果。 因为更重要的应用程序被搬到虚拟环境，压力就更大，提供不间断的高性能和任何费用。 这些有限的浏览到虚拟基础结构也造成它保持必要的快照、 流氓 VMDKs 和空闲的 Vm。 在本次网络研讨会、 ActualTech 创始人和指出的 vExpert、 大卫 · 戴维斯和产品管理处长的主任，吉姆 Shocrylas 讨论权利上浆虚拟环境可能与机器学习基础分析简单的解决方案。

加入此网络研讨会，了解如何基于机器学习的分析解决方案提供精确和准确的信息，你需要到右冒着性能或可用性的大小您的虚拟环境。

观看演示的一种机器学习基础如何消除应用程序性能问题，配置虚拟资源为最佳性能和效率，并预测性能要求的分析工具。

• vSphere 管理挑战和解决方案
• 复杂的关系，以及如何找出根本原因
• 确定资源的浪费和收回的成本
• 机器学习以及它可以如何帮助你
• 什么 Vm/应用程序需要 SSD 缓存和什么种
• 防止出现问题之前他们发生，尽快解决他们，如果他们做过

此现场研讨会是互动让你的问题。

在这里注册

 

右上浆 VMware 环境与机器学习

根据领先的分析师，今天的虚拟数据中心作为多达 80%过-每年浪费的成千上万美元的问题。 超量配置虚拟环境的风险是紧迫和直接。 IT 经理面临的各种挑战有关的正确调配虚拟基础架构。 他们需要在预算范围内，同时避免停机时间、 提供高性能，满足最终用户的生产率，确保高可用性并满足各种其他服务要求。 它经常处理他们的应用程序性能问题的恐惧只是硬件投掷问题和避免下资源调配的任何可能性。  然而，这一战略开车去昂贵开支和排它的宝贵时间。  更糟的是，当时候比较经济学的处所托管 vs 云、 处所对基础设施的成本都大大膨胀时的资源不会有效地被使用。  规划迁移到云时，这会导致糟糕的决定。

所有的这些风险在剧中，IT 团队怎么知道当优化其 VMware 环境？

可以访问是简单易懂的准确信息是必不可少的。  右上浆应用程序工作负载的第一步了解工作负载和它们随着时间的推移消耗资源的模式。  然而，大多数工具都接受一个简单的方法推荐资源优化时。  他们使用虚拟机有关的指标的简单平均数。  这种方法并不提供准确的信息。 山峰和山谷的用法和资源之间的相互关系导致意料之外的后果，为其他应用程序，当您重新配置它们。  要获得正确的信息并作出正确的决策权调整大小，你需要一个解决方案等处代理处长智商。  处代理处长智商适用机学会学习的相互关联的对象的行为模式，随着时间的推移和整个基础结构准确地建议优化帮助操作，不伤害他们。  智能分析功能平均每一次跳动

右大小调整战略第二步消除恐惧的处理性能问题，当问题发生时或甚至防止一个放在第一位。  这意味着有信心，有以快速查明和解决问题而不是简单地扔它硬件所需的准确信息，希望它会消失。

今天的工具不是非常准确的。 他们带领它通过一个迷宫的图表和指标没有明确的答案，关键的问题。 IT 团队通常操作和管理单独的筒仓 — — 存储、 网络、 应用程序和具有其自身的工具的每个主机的环境。 要了解的所有基础架构组件之间的关系需要大量的体力劳动和挖掘。  此外，这些工具不能提供的信息，他们只交付略有准确的数据。 他们就需要做大量的工作要做，不准确的数据。 这是因为他们都是基于阈值。 它已设置为每个度量他们想要测量 — — CPU 利用率、 内存利用率、 网络延迟等个别阈值…… 一个单一的环境可能需要设置、 监视和不断调整数以千计的个别阈值。 每次环境更改时，如当工作量移动或创建一个新的 VM，阈值必须重新调整。 当超过阈值时，这些工具往往创造数以千计的警报，埋重要信息在"警报风暴"与无根原因查明或决议建议。

更重要的是，由于这些警报触发测量上单个资源的单个度量，它不得不解释的意义和重要性。  最终解释精度是留给的技能和经验的管理员。 当系统的改变和增长如此之快，它只是不能跟上它所有的和容易的行动方针是过度调配资源;浪费时间和金钱的过程中。 此外，这一问题的实际根源是经常从来没有完全处理。

IT 团队需要利用先进的机器学习分析提供汇总、 分析的视图，其整个基础架构的智能工具。 如处长智商的解决方案可帮助优化资源调配，表征潜在问题和找出并排定优先级虚拟环境中的问题。 处代理处长智商不使用阈值。 它会自动分析行为之间随着时间的推移您环境中的相关组件的动态模式。 它可以自动识别各种各样的资源浪费 （流氓 vmdks，快照废物，空闲虚拟机）。 它还建议改变到权利大小所有以上-和下-配置虚拟机。

当它检测到反常的行为模式时，它提供了完整的分析问题，受这一问题，以及建议的解决方案的组件的根本原因，要解决的问题。 它不仅建议最优资源调配相比，vMem，和虚拟机，而且还提供了详细的分析，可以提供其建议的节省费用。 了解更多关于处代理处长智商储蓄和投资回报率计算器。

这里是机器学习分析可以帮助避免超量配置的三种方式：

1. 了解性能差的原因： 通过自动和持续地观察资源利用模式实时，机器学习分析可以确定以上和矮小的 Vm 和推荐配置设置到权利大小 VM 性能。 如果有变化，机器学习可以动态更新的建议。
2. 减少依赖 IT 团队资源调整大小： 应用程序所有者经常要求提供尽可能多的存储容量，尽可能，而 VMware 管理员想要限制存储尽可能多地。 机器学习分析需要资源上浆的猜测工作，消除了指指点点： 经常发生企业它队时的问题。
3. 消除闲置或浪费 IT 资源： 处代理处长智商将提供节约和浪费资源，包括过度调配的 Vm，ROI 分析流氓 VMDKs、 未使用的 Vm 和快照废物。 它还提供了消除他们的建议，计算保存在 CapEx 和 Opex 的相关的费用。
4. 确定是否一个群集可以容忍主机故障： 机器学习分析，IT 专业人员可以很容易的权利大小 CPU 和存储没有 SQL Server 或最终用户的生产力置于危险的境地。 IT 团队更深入的了解到组织的主机的能力，知道是否群集可以容忍故障或其他问题。

要了解更多有关如何正确调整大小机器学习您的 VMware 环境可以节省时间和资源，请查阅我们的研讨会:"拯救大尺寸您的 SQL 服务器 VMware 环境的权利"。

这是在突出显示 AIOps 如何改变它的性能优化的两部分系列的第二个职位。 第 1 部分解释了 AIOps 的基本原则。 这一系列的原始文本出现在信息管理上的一篇文章。  在这里我们看看趋势推向 AIOps 的业务需求。

企业为何需要 AIOps？

IT 专业人员将更多的他们的业务关键型应用程序移动到虚拟化环境。 因此，找到应用程序性能问题的根本原因是比以往更为复杂。  IT 经理们不得不找一个复杂网络的虚拟机应用程序、 存储设备、 网络设备和服务的问题。 它总是不能理解的方式连接这些组件。

通常情况下，组件的 VMware 或其他虚拟环境相互依存，交织在一起。 当 IT 经理移动工作负载，或对一个组件进行了更改时，他们会在不知情的情况下的几个其他组件中造成问题。 如果组件在不同所谓筒仓 （网络、 基础设施、 应用程序、 存储等），IT 专业人员有更多的麻烦，找出问题的真正原因。

找出性能问题的根本原因所需的工具太多

相关 IT 性能问题的根源的过程是困难的如果 IT 领导人不是不可能的。  根据最近处代理处长报告，78%的 IT 专业人员正在使用多个工具来确定 VMware 应用程序性能问题的原因。 例如，他们利用工具，如监视、 报告和基础结构分析中的应用。

通常情况下，当面对一个问题，它组建了一个团队与代表从每个 IT 筒仓或专业领域。 每个团队成员使用他或她自己的诊断工具和自己筒仓特有的视角看问题。 接下来，团队成员比较各自的结果分析识别常见的元素。 通常情况下，这一过程是手动的高度。 他们看着在基础结构中显示在相同的时间框架中的几个分析的变化。 结果，IT 部门在手动工作和效率低下的问题不准确审判错误上浪费越来越多的他们的预算。

为了解决这一问题，减少时间的浪费，他们使用的 AIOPs 方法。 AIOps 适用于人工智能 （即机器学习、 深度学习） 来自动解决问题。 AIOPs 趋势是一个重要的转变，从传统的基于阈值的方法，衡量个人素质 （CPU 利用率、 延迟等） 到更全面的数据驱动的方法。 因此，IT 经理们正在利用分析工具来分析跨的基础设施筒仓的实时数据。 他们使用先进的深度学习和机器学习学习之间相互依赖的组件，随着时间的推移的行为模式的分析工具。  因此，他们可以自动识别可能表明有问题的组件之间的行为。 更重要的是，他们会自动建议解决问题的具体步骤。

AIOps 的下一步是什么？

虚拟 IT 环境都在创造巨大的数据量和复杂性前所未有的水平。 因此，IT 经理们不能管理这些环境有效地与传统的手动方法。 在未来的几年中，IT 行业将迅速移动从传统计算机科学的方法到现代"科学数据"AIOPs 方法。 为 IT 团队，这意味着拥抱机器学习基于分析解决方案，并了解如何使用它来解决问题，切实有效地。 最后，高管需要工作与 IT 部门向适当的 AIOps 平台，为他们的业务标识。

阅读第 1 部分

这是一个两部分系列的第一篇。 我们凸显了 AIOps 如何改变它的性能优化。 这一系列的原始文本出现在信息管理上的一篇文章。

未来两年内，公司是集要花 $ 313 亿在认知系统的工具。 今天，公司正在利用工具基于这些技术 （即，数据分析和机器学习） 来解决问题，在广泛的领域。 例如，公司正在使用人工智能 (AI)-供电客户服务机器人和货运线路，数据科学家设计。 讽刺的是，信息技术 (IT) 部门不尚未充分利用机器学习基础分析的强大 — — 它。

调查显示更多关键应用程序在 VMware

然而，这改变因为 IT 环境正变得日益复杂。 他们从物理服务器到虚拟环境。 根据最近一项研究从处代理处长技术，81%的 IT 团队在 VMware 环境中运行关键业务应用程序。

虚拟环境是由组件，如虚拟机、 应用程序、 存储和网络有着密切的联系和不断变化的。 要管理和优化这些环境中，IT 经理们必须分析大量的数据。 他们学习组件之间的行为的模式。 这让他们准确地关联应用程序服务问题到虚拟环境中的问题的根本原因。  因此，一个新的领域已经出现 — — AIOps。

AIOps 是什么？

AIOps （算法 IT 操作平台） 是一个新的术语，Gartner 用来描述 IT 操作分析的下一阶段。 这些平台使用机器学习和学习技术的深来自动化操作在它发现性能问题的过程。

现在，Gartner 估计只有 5%的企业有一个 AIOps 平台到位。 然而，更多的企业将通过这些平台未来两年内，该人数已增至 25%。 重要的是，AIOps 替换机器智能的人类的智慧。 它解密内虚拟 IT 环境的相互作用。 因此，他们可以发现一些基础设施问题、 关联他们应用操作问题并建议解决办法。

AIOps 平台使用机器学习了解这些环境随时间来识别异常行为的行为。 此外，它甚至可以使用 AIOps 平台来发现和制止的潜在威胁之前他们成为应用程序性能问题。