Nedavne raziskave kažejo, da povprečen zaposleni vsak dan izgubi 22 minut zaradi različnih tehnoloških težav. V času, ko informacijske tehnologije prežemajo vse večji delež naših delovnih življenj, postaja hitro reševanje (ali celo boljše, preprečevanje) težav z IT-jem čedalje bolj pomembno.
Med zahtevnejše sodijo težave povezane s počasnostjo aplikacij. Zakaj? Ker ni nobenih očitnih znakov ali sporočil o napaki, ki bi nam povedali, da nekaj ni v redu z delovanjem aplikacije. Vemo samo, da izgubljamo čas, in da nekje nekaj ni vse tako kot bi moralo biti.
Ali ne bi bilo lepo, če bi bila na voljo hitra diagnoza in popravilo? Zdaj sta!
Problem: grozljiva počasnost aplikacij
Težave z delovanjem aplikacij so zahrbtne. Lahko se pojavijo nenadoma ali se prikradejo počasi in postopoma. Ker obstaja toliko potencialnih izvorov težav z zmogljivostjo, je lahko iskanje izvornega problema za počasnost gromozanski podvig.
Tudi če nadzorna orodja delujejo pravilno, se lahko hitro izgubite v številnih straneh grafov, tabel in opozoril, ki lahko temeljijo na naivno postavljenih mejah. Če želite določiti, s katerimi težavami se morate spoprijeti in kako se jih lotiti, je treba določiti določen scenarij, ki ni na voljo v vseh teh poročilih in opozorilih. Premostitev vrzeli med surovimi informacijami in dejanskimi rešitvami pogosto zahteva poglobljeno znanje na različnih tehničnih področjih. Te veščine pa je težko najti in uresničiti, ko se pojavi težava.
Rešitev: Uporabna inteligenca
HPE InfoSight Cross-Stack priporočila želijo zapolniti to vrzel z zagotavljanjem jasnih in uporabnih priporočil v preprostem jeziku. Poleg tega se ta priporočila samodejno filtrirajo in razvrstijo glede na ustreznost in relativno resnost nastalih vprašanj oziroma problemov.
Poglejmo konkreten primer načina tega delovanja. Denimo, da dobimo klic, da delujoča aplikacija na skupini virtualnih strežnikov »dela počasi«. Lahko obiščemo zavihek HPE InfoSight Recomendations na spletnem portalu v oblaku in poiščemo imena teh VM-jev. Na tem mestu vidimo povzetek težav, ki so bile ugotovljene na teh VM-jih, diagnozo (vzrok) teh stanj in InfoSightova priporočila za odpravljanje zaznanih težav.
Brez HPE InfoSighta, bi bilo odpravljanje teh težav zelo mučno in težko. Denimo, da imamo to srečo, da imamo dostop do nadzornih plošč Grafana, ki spremljajo naše VMware načine merjenja. Za identifikacijo težav na teh VM-jih bi morali ločeno pregledati številne VM CPU metrike, I/O metrike, pomnilniške metrike, shrambo podatkov, če ne še več. In četudi pregledamo vse našteto, to še ni zagotovilo, da bomo vedeli, kako si razložiti vrednosti teh merjenj in ali kažejo na problem. Tudi če nakazujejo problem, še vedno ni jasno, s katerim potencialnim problemom, med številnimi možnimi, se začeti ukvarjati najprej.
Dodatni izzivi se pojavijo, če obstaja sum, da je glavni vzrok za težavo zunaj VMware okolja. V tem primeru moramo izslediti tudi sumljive komponente (npr. specifične pomnilniške naprave, ki služijo tem VM-jem) in preučiti tudi njihove metrike. Pri tem se ponovno pojavijo ista vprašanja: Kako visoka vrednost zakasnitev je previsoka? Kako nizka zakasnitev razbremeni pomnilniško napravo? To niso vprašanja z enovrstnimi odgovori. Pravzaprav je določanje točno določenega problema vse težje, če upoštevamo več komponent.
Kako deluje?
Kako torej lahko avtomatizacija, na osnovi umetne inteligence (AI), ki jo zagotavlja HPE InfoSight, samodejno posreduje ta prilagojena priporočila več deset tisoč IT okoljem po vsem svetu?
AIOps se pojavlja v različnih oblikah, a običajen pristop vključuje avtomatizirano interpretacijo operativnih podatkov. Ta razlaga predstavlja razliko pri metodah meritev-proti-pragu poenostavljenih rešitev za spremljanje in rešitev AIOps. Rešitve AIOps modulirajo svoje odzive na podlagi naučenega razumevanja konteksta meritve.
Za prepoznavanje in diagnosticiranje težav z zmogljivostjo se sistem priporočil HPE InfoSight nauči razlagati te metrike iz telemetrije, vzorčene iz celotne HPE uporabniške baze. Modeli strojnega učenja so usposobljeni za povzemanje skupinskega vedenja različnih delov informacijskega sklada iz podatkov, ki obsegajo tisoče uporabniških mest. Ti modeli se nato uporabijo za pretvorbo surovih meritev v interpretirane metrike, ki so velikokrat bolj uporabne kot same surove meritve.
Iskanje težav: kontekst je pomemben
Vzemimo za primer interpretirano metriko. Če želite prepoznati težavo z zmogljivostjo, lahko naivno nastavite prag vrednosti surove zakasnitve, ki prihaja iz pomnilniškega polja. Ali pa s pomočjo HPE InfoSighta izvedete več kot 60 različnih meritev zakasnitev na enoto časa, segmentirate zakasnitve glede na velikost bloka, branje proti zapisovanju, zaporedje proti naključju.
Te meritve se nato vnesejo v strojno naučen model tipičnega vedenja, usposobljenega za vedenje deset tisoč vrstniških sistemov. Rezultat je interpretirana meritev resnosti zakasnitve, za katero se je izkazalo, da HPE InfoSight velikokrat bolje napove težave, povezane z učinkovitostjo, ki je za stranke pomembna, kot pa surova, ne interpretirana vrednost.
Da bi razložili, zakaj so te interpretirane vrednosti tako pomembne, uporabimo primerjavo s srčnim utripom. Srčni utrip 150 utripov na minuto je lahko zaskrbljujoč, če je oseba ves dan sedela na kavču. Po drugi strani pa je srčni utrip 150 utripov na minuto med vadbo veliko bolj razumen. Nastavitev praga le na osnovi surovega parametra kot je ta – brez upoštevanja konteksta – lahko zlahka privede do lažnih alarmov in/ali spregleda problematičnih dogodkov.
Iskanje rešitev: pridobivanje diagnoz in Rx
Na podoben način ustvarjamo tudi interpretirane metrike (načine merjenja), da ugotovimo najverjetnejše vzroke težave z zmogljivostjo. Pogosto ena ali več surovih meritev meri znano ozko grlo. Čeprav so ustrezne metrike morda dobro znane, je pogost izziv razumevanje, kako se te surove metrike (npr. uporaba CPU-ja, poraba pasovne širine pogona, zgrešitev predpomnilnika ali virtualni CPU dodeljeni na fizični CPU…) nanašajo na verjetnost težave z zmogljivostjo.
V sistemu priporočil HPE InfoSight »izobražujemo« modele za učenje teh razmerij iz telemetrije, ki se raztezajo med več deset tisoč sistemi po vsem svetu. To nam omogoča razlago vsake od teh meritev glede na skupno merilo: kako predvidljiv je vsak sklop signalov glede uspešnosti. Na ta način lahko primerjamo verjetnosti z verjetnostmi in zlahka razvrstimo, katera ozka grla so najbolj pereča.
Za razlago interpretiranih meritev v tem kontekstu se obrnimo na analogijo s krvnimi preiskavami. Analiza krvi je sestavljena iz številnih posameznih meritev, vključno s koncentracijami glukoze, rdečih krvničk in različnih beljakovin. Določene vrednosti teh meritev so lahko pokazatelj težav, ki se jih da rešiti z odgovarjajočimi zdravljenji. Izziv je – kako bi zdravnik prvič, ko bi izmeril vse te količine, ne da bi vedel, kako je vsaka od teh številk povezana z zdravstvenimi težavami, pripravil uporabne podatke. Šele s poznavanjem teh korelacij pri velikem številu bolnikov postanejo te številke koristne pri sprejemanju odločitev.
Povzetek: nadzirajte preobremenitev
V obeh zgornjih primerih je opisano, kako lahko modeli, usposobljeni za celo vrsto podobnih podatkov, pretvorijo surove meritve v takšne, ki jih je mogoče interpretirati. Rešitve, ki niso AIOps, končne uporabnike silijo v samostojno interpretacijo surovih meritev – nastavljanje pragov in njihovo prilagajanje kot odziv na lažne pozitivne in negativne odzive. Sistem priporočil HPE InfoSight ne zahteva takšnega uglaševanja uporabnikov, saj je potreben kontekst že pridobljen.
Z izvzemanjem ugibanja in interpretacije zmogljivosti iz enačbe HPE InfoSight naredi tudi najbolj razvejana IT okolja veliko bolj obvladljiva. Z izkoriščanjem skupnega obnašanja več deset tisoč IT namestitev bo HPE InfoSight avtomatizacija razložila meritve učinkovitosti iz vašega okolja, tako da vam tega ne bo treba. HPE InfoSight zagotavlja hitro diagnozo in možnost predpisa hitre rešitve.
Obiščite HPE InfoSight spletno stran, da bi izvedeli, kako vam ta brezplačna umetna inteligenca pomaga zagotavljati, da bo vaše okolje vedno hitro in agilno. Poglejte HPE InfoSight VM recommendations video za vodeno demonstracijo te nove možnosti dostopne na HPE Nimble Storagu. Na spletni strani HPE InfoSight Web Portal Demo pa lahko tudi sami izkusite samopostrežne, samovodene demonstracije in še veliko več čez vaše celotno IT okolje.