Mise à l'échelle intelligente

La mise à l'échelle intelligente utilise l'apprentissage automatique pour fournir des prévisions basées sur les modèles de charge de travail historiques. En analysant les données de la page Administration > Modèles de charge de travail , vous apprendrez à optimiser l'utilisation de vos ressources système.

Vous pouvez obtenir plus d'informations sur les ressources système suivantes:

  • NZP historique et prévu (Netezza Performance Metric)
  • Profil de visite guidée historique ou suggérée
  • Score de confiance

Modèles de départ

Les modèles de départ sont des modèles préentraînés qui sont téléchargés sur votre espace de travail temporaire. Une API de prévision utilise ces modèles pour la durée d'un délai de grâce d'apprentissage (7 jours ou plus), après le déploiement du système, à partir du jour 1. A ce stade, la cote de confiance est faible car les modèles ne reflètent pas encore vos charges de travail.

Une fois le délai de grâce d'entraînement terminé, le modèle est réentraîné avec les jeux de données qui ont été générés à partir des données de charge de travail collectées. L'API de prévision exécute une inférence basée sur les modèles pré-entraînés. Ensuite, le score de confiance est mis à jour en fonction de la précision de la prévision, et le planificateur système déclenche la tâche de modèle d'entraînement tous les jours pendant 2 semaines, puis toutes les semaines.

Eléments de graphique

Propriété de performance

Utilisez le menu déroulant Propriété de performance pour naviguer entre les différents graphiques. Le graphique Utilisation de la charge de travail par défaut permet de visualiser plusieurs points de données liés à vos ressources système.

Lorsque vous examinez le graphique dans son ensemble, utilisez la légende pour identifier le profil de contour.

Intervalle de temps

Utilisez la liste déroulante Intervalle de temps pour sélectionner des intervalles de temps différents.

Par défaut, la date en cours reste la même. Lorsque vous sélectionnez la vue quotidienne, hebdomadaire ou mensuelle, la date est agrégée dans le temps en conséquence.

Une ligne au milieu du graphique montre la coupure entre les données historiques et les données prédites ou suggérées.

Les données prédites ne sont affichées que lorsque le système a collecté des données d'historique pendant au moins 7 jours. Jusque-là, le graphique affiche un point de données pour chaque jour. Après 7 jours, une prévision pour une valeur d'information supplémentaire de deux semaines apparaît.

NZP historique et prévu

Les lignes violettes et roses représentent NZP historique et NZP prévu.

NZP (Netezza Performance Metric) est une mesure de l'utilisation du système.
Un niveau élevé de NZP indique des niveaux élevés d'utilisation. Un NZP faible indique une diminution de l'utilisation des ressources.
Les lignes NZP historiques et prédites sont mesurées sur l'échelle à gauche du graphique entre 0% et 100%.

Profil de contour historique et suggéré

Profil de contour historique et Profil de contour suggéré sont visualisés par les barres bleues.

Les contours affichés à gauche de la ligne de date en cours sont des contours historiques. Ils représentent les profils utilisés à chaque intervalle de temps.
Les barres affichées à droite de la ligne de date en cours sont des contours suggérés pour chaque intervalle de temps.

Les profils de contour sont suggérés en fonction du NZP prédit pendant cet intervalle de temps. Si le NZP dépasse 80%, il est suggéré que le profil de contour soit mis à l'échelle du prochain contour le plus proche afin d'augmenter le calcul et d'améliorer les performances pour les périodes de charge de travail élevée. Lorsque l'algorithme prévoit un NZP inférieur ou égal à 20% pour un intervalle de temps, le graphique suggère de le réduire à un profil inférieur.

Score de confiance

La cote de confiance reflète la précision des prévisions fournies en fonction des modèles de charge de travail historiques de votre système. En analysant la cote de confiance, vous pouvez choisir comment utiliser vos ressources système.

Exemple de mise à l'échelle intelligente

  1. Connectez-vous à la console Web.

  2. Accédez à Administration > Modèles de charge de travail.

  3. Passez en revue le graphique d'utilisation de la mise à l'échelle intelligente.
    Dans cet exemple, en tant qu'administrateur de base de données, vous souhaitez obtenir une meilleure compréhension de l'utilisation de votre système au fil du temps.

    Dans ce scénario, il s'avère que chaque dimanche, l'utilisation de votre système passe en dessous de la moyenne par rapport aux autres jours de la semaine. En vous basant sur ces informations, vous pouvez mettre à jour votre planification de mise à l'échelle pour qu'elle corresponde aux pics et aux creux anticipés dans les charges de travail.

  4. Configurez le planificateur pour réduire l'instance pour chaque dimanche, comme décrit dans Edition de la mise à l'échelle planifiée.

  5. Configurez le planificateur pour qu'il effectue une mise à l'échelle vers le haut à partir de chaque lundi, comme décrit dans la rubrique Edition de la mise à l'échelle planifiée.

Par conséquent, vous constaterez une amélioration des performances et une réduction des déchets et des coûts des ressources à l'avenir.