SIOS SANless clusters High-availability Machine Learning monitoring
查看此錄製的網路研討會，聽取指出的 vExpert 和原理分析師 ActualTech 媒體、 大衛 · 大衛斯和吉姆 Shocrylas，處長技術的產品管理主任討論廣泛的問題和建議解決方案面對它在 VMware 環境中的管理人員。
大衛討論的變化，導致 IO"攪拌機"，我們看到今天和傳統的基於閾值的監測和管理的工具失足短的方式創作。 他回顧了對 IT 經理人試圖解決問題，消除浪費的資源，並滿足服務等級 — — 從壓倒性警報風暴，到"管窺"基礎設施，這種情況構成的挑戰效率低下 （且昂貴） 試驗和錯誤的解決問題。
他討論新的機器學習基於 IT 分析回答問題，傳統的基於閾值的解決方案不能 — — 問題的根本原因是什麼以及如何修復它。 吉姆 Shocrylas 處代理處長智商機器學習分析解決方案演示提供並顯示到它是多麼容易：
4 月 6 日在 2:00 下午東部/11:00 太平洋
在此處註冊
據專家介紹，虛擬環境過度調配百分之 80。 在硬體、 軟體和不利於公司的 IT 時間浪費數以萬計的美元一年。 沒有看到整個虛擬基礎結構筒倉和元件之間的交互的有效途徑，它被誤性能問題、 能力過度運行和其他意想不到的後果。 因為更重要的應用程式被搬到虛擬環境，壓力就更大，提供不間斷的高性能和任何費用。 這些有限的流覽到虛擬基礎結構也造成它保持必要的快照、 流氓 VMDKs 和空閒的 Vm。 在本次網路研討會、 ActualTech 創始人和指出的 vExpert、 大衛 · 大衛斯和產品管理處長的主任，吉姆 Shocrylas 討論權利上漿虛擬環境可能與機器學習基礎分析簡單的解決方案。
加入此網路研討會，瞭解如何基於機器學習的分析解決方案提供精確和準確的資訊，你需要到右冒著性能或可用性的大小您的虛擬環境。
觀看演示的一種機器學習基礎如何消除應用程式性能問題，配置虛擬資源為最佳性能和效率，並預測性能要求的分析工具。
此現場研討會是互動讓你的問題。
根據領先的分析師，今天的虛擬資料中心作為多達 80%過-每年浪費的成千上萬美元的問題。 超量配置虛擬環境的風險是緊迫和直接。 IT 經理面臨的各種挑戰有關的正確調配虛擬基礎架構。 他們需要在預算範圍內，同時避免停機時間、 提供高性能，滿足最終使用者的生產率，確保高可用性並滿足各種其他服務要求。 它經常處理他們的應用程式性能問題的恐懼只是硬體投擲問題和避免下資源調配的任何可能性。 然而，這一戰略開車去昂貴開支和排它的寶貴時間。 更糟的是，當時候比較經濟學的處所託管 vs 雲、 處所對基礎設施的成本都大大膨脹時的資源不會有效地被使用。 規劃遷移到雲時，這會導致糟糕的決定。
可以訪問是簡單易懂的準確資訊是必不可少的。 右上漿應用程式工作負載的第一步瞭解工作負載和它們隨著時間的推移消耗資源的模式。 然而，大多數工具都接受一個簡單的方法推薦資源優化時。 他們使用虛擬機器有關的指標的簡單平均數。 這種方法並不提供準確的資訊。 山峰和山谷的用法和資源之間的相互關係導致意料之外的後果，為其他應用程式，當您重新配置它們。 要獲得正確的資訊並作出正確的決策權調整大小，你需要一個解決方案等處代理處長智商。 處代理處長智商適用機學會學習的相互關聯的物件的行為模式，隨著時間的推移和整個基礎結構準確地建議優化説明操作，不傷害他們。 智慧分析功能平均每一次跳動
右大小調整戰略第二步消除恐懼的處理性能問題，當問題發生時或甚至防止一個放在第一位。 這意味著有信心，有以快速查明和解決問題而不是簡單地扔它硬體所需的準確資訊，希望它會消失。
今天的工具不是非常準確的。 他們帶領它通過一個迷宮的圖表和指標沒有明確的答案，關鍵的問題。 IT 團隊通常操作和管理單獨的筒倉 — — 存儲、 網路、 應用程式和具有其自身的工具的每個主機的環境。 要瞭解的所有基礎架構元件之間的關係需要大量的體力勞動和挖掘。 此外，這些工具不能提供的資訊，他們只交付略有準確的資料。 他們就需要做大量的工作要做，不准確的資料。 這是因為他們都是基於閾值。 它已設置為每個度量他們想要測量 — — CPU 利用率、 記憶體利用率、 網路延遲等個別閾值…… 一個單一的環境可能需要設置、 監視和不斷調整數以千計的個別閾值。 每次環境更改時，如當工作量移動或創建一個新的 VM，閾值必須重新調整。 當超過閾值時，這些工具往往創造數以千計的警報，埋重要資訊在"警報風暴"與無根原因查明或決議建議。
更重要的是，由於這些警報觸發測量上單個資源的單個度量，它不得不解釋的意義和重要性。 最終解釋精度是留給的技能和經驗的管理員。 當系統的改變和增長如此之快，它只是不能跟上它所有的和容易的行動方針是過度調配資源;浪費時間和金錢的過程中。 此外，這一問題的實際根源是經常從來沒有完全處理。
IT 團隊需要利用先進的機器學習分析提供匯總、 分析的視圖，其整個基礎架構的智慧工具。 如處長智商的解決方案可説明優化資源調配，表徵潛在問題和找出並排定優先順序虛擬環境中的問題。 處代理處長智商不使用閾值。 它會自動分析行為之間隨著時間的推移您環境中的相關元件的動態模式。 它可以自動識別各種各樣的資源浪費 （流氓 vmdks，快照廢物，空閒虛擬機器）。 它還建議改變到權利大小所有以上-和下-配置虛擬機器。
當它檢測到反常的行為模式時，它提供了完整的分析問題，受這一問題，以及建議的解決方案的元件的根本原因，要解決的問題。 它不僅建議最優資源調配相比，vMem，和虛擬機器，而且還提供了詳細的分析，可以提供其建議的節省費用。 瞭解更多關於處代理處長智商儲蓄和投資回報率計算機。
這裡是機器學習分析可以説明避免超量配置的三種方式：
要瞭解更多有關如何正確調整大小機器學習您的 VMware 環境可以節省時間和資源，請查閱我們的研討會:"拯救大尺寸您的 SQL 伺服器 VMware 環境的權利"。
這是在突出顯示 AIOps 如何改變它的性能優化的兩部分系列的第二個職位。 第 1 部分解釋了 AIOps 的基本原則。 這一系列的原始文本出現在資訊管理上的一篇文章。 在這裡我們看看趨勢推向 AIOps 的業務需求。
IT 專業人員將更多的他們的業務關鍵型應用程式移動到虛擬化環境。 因此，找到應用程式性能問題的根本原因是比以往更為複雜。 IT 經理們不得不找一個複雜網路的虛擬機器應用程式、 存放裝置、 網路設備和服務的問題。 它總是不能理解的方式連接這些元件。
通常情況下，元件的 VMware 或其他虛擬環境相互依存，交織在一起。 當 IT 經理移動工作負載，或對一個元件進行了更改時，他們會在不知情的情況下的幾個其他元件中造成問題。 如果元件在不同所謂筒倉 （網路、 基礎設施、 應用程式、 存儲等），IT 專業人員有更多的麻煩，找出問題的真正原因。
相關 IT 性能問題的根源的過程是困難的如果 IT 領導人不是不可能的。 根據最近處代理處長報告，78%的 IT 專業人員正在使用多個工具來確定 VMware 應用程式性能問題的原因。 例如，他們利用工具，如監視、 報告和基礎結構分析中的應用。
通常情況下，當面對一個問題，它組建了一個團隊與代表從每個 IT 筒倉或專業領域。 每個團隊成員使用他或她自己的診斷工具和自己筒倉特有的視角看問題。 接下來，團隊成員比較各自的結果分析識別常見的元素。 通常情況下，這一過程是手動的高度。 他們看著在基礎結構中顯示在相同的時間框架中的幾個分析的變化。 結果，IT 部門在手動工作和效率低下的問題不准確審判錯誤上浪費越來越多的他們的預算。
為了解決這一問題，減少時間的浪費，他們使用的 AIOPs 方法。 AIOps 適用于人工智慧 （即機器學習、 深度學習） 來自動解決問題。 AIOPs 趨勢是一個重要的轉變，從傳統的基於閾值的方法，衡量個人素質 （CPU 利用率、 延遲等） 到更全面的資料驅動的方法。 因此，IT 經理們正在利用分析工具來分析跨的基礎設施筒倉的即時資料。 他們使用先進的深度學習和機器學習學習之間相互依賴的元件，隨著時間的推移的行為模式的分析工具。 因此，他們可以自動識別可能表明有問題的元件之間的行為。 更重要的是，他們會自動建議解決問題的具體步驟。
虛擬 IT 環境都在創造巨大的資料量和複雜性前所未有的水準。 因此，IT 經理們不能管理這些環境有效地與傳統的手動方法。 在未來的幾年中，IT 行業將迅速移動從傳統電腦科學的方法到現代"科學資料"AIOPs 方法。 為 IT 團隊，這意味著擁抱機器學習基於分析解決方案，並瞭解如何使用它來解決問題，切實有效地。 最後，高管需要工作與 IT 部門向適當的 AIOps 平臺，為他們的業務標識。
閱讀第 1 部分
這是一個兩部分系列的第一篇。 我們凸顯了 AIOps 如何改變它的性能優化。 這一系列的原始文本出現在資訊管理上的一篇文章。
未來兩年內，公司是集要花 $ 313 億在認知系統的工具。 今天，公司正在利用工具基於這些技術 （即，資料分析和機器學習） 來解決問題，在廣泛的領域。 例如，公司正在使用人工智慧 (AI)-供電客戶服務機器人和貨運線路，資料科學家設計。 諷刺的是，資訊技術 (IT) 部門不尚未充分利用機器學習基礎分析的強大 — — 它。
然而，這改變因為 IT 環境正變得日益複雜。 他們從物理伺服器到虛擬環境。 根據最近一項研究從處代理處長技術，81%的 IT 團隊在 VMware 環境中運行關鍵商務應用程式。
虛擬環境是由元件，如虛擬機器、 應用程式、 存儲和網路有著密切的聯繫和不斷變化的。 要管理和優化這些環境中，IT 經理們必須分析大量的資料。 他們學習元件之間的行為的模式。 這讓他們準確地關聯應用程式服務問題到虛擬環境中的問題的根本原因。 因此，一個新的領域已經出現 — — AIOps。
AIOps （演算法 IT 操作平臺） 是一個新的術語，Gartner 用來描述 IT 操作分析的下一階段。 這些平臺使用機器學習和學習技術的深來自動化操作在它發現性能問題的過程。
現在，Gartner 估計只有 5%的企業有一個 AIOps 平臺到位。 然而，更多的企業將通過這些平臺未來兩年內，該人數已增至 25%。 重要的是，AIOps 替換機器智慧的人類的智慧。 它解密內虛擬 IT 環境的相互作用。 因此，他們可以發現一些基礎設施問題、 關聯他們應用操作問題並建議解決辦法。
AIOps 平臺使用機器學習瞭解這些環境隨時間來識別異常行為的行為。 此外，它甚至可以使用 AIOps 平臺來發現和制止的潛在威脅之前他們成為應用程式性能問題。