Segnalare l'utilizzo di Azure DevTest Labs in più lab e sottoscrizioni

La maggior parte delle organizzazioni di grandi dimensioni vuole tenere traccia dell'utilizzo delle risorse, per essere più efficace nella visualizzazione delle tendenze e degli outlier. In base all'utilizzo delle risorse, i proprietari o i responsabili del lab possono personalizzare i lab per migliorare l'utilizzo e i costi delle risorse. In Azure DevTest Labs è possibile scaricare l'utilizzo delle risorse per lab, consentendo un'analisi cronologica più approfondita dei modelli di utilizzo. Questi modelli di utilizzo consentono di individuare le modifiche per migliorare l'efficienza. La maggior parte delle aziende vuole sia l'utilizzo dei singoli lab sia l'utilizzo complessivo in più lab e sottoscrizioni.

Questo articolo illustra come gestire le informazioni sull'utilizzo delle risorse in più lab e sottoscrizioni.

Utilizzo di singoli lab

Questa sezione illustra come esportare l'utilizzo delle risorse per un singolo lab.

Prima di poter esportare l'utilizzo delle risorse di DevTest Labs, è necessario configurare un account di archiviazione di Azure per i file che contengono i dati di utilizzo. Esistono due modi comuni per eseguire l'esportazione dei dati:

• API REST di DevTest Labs

• Il modulo Az.Resource di PowerShell Invoke-AzResourceAction con l'azione exportResourceUsage, l'ID risorsa lab e i parametri necessari.

  L'articolo Esportare o eliminare dati personali contiene uno script di PowerShell di esempio con informazioni dettagliate sui dati esportati.

  Nota

  Il parametro data non include un timestamp, quindi i dati includono tutti gli elementi dalla mezzanotte in base al fuso orario in cui si trova il lab.

Al termine dell'esportazione, nell'archivio BLOB sarà presente un file CSV con le diverse informazioni sulle risorse.

Esportazione dell'utilizzo per tutti i lab

Per esportare le informazioni sull'utilizzo per più lab, è consigliabile usare:

• Funzioni di Azure, disponibile in molti linguaggi, tra cui PowerShell o
• Runbook di Automazione di Azure, usare PowerShell, Python o una finestra di progettazione grafica personalizzata per scrivere il codice di esportazione.

Usando queste tecnologie, è possibile eseguire le singole esportazioni di lab in tutti i lab in una data e un'ora specifiche.

Funzione di Azure deve eseguire il push dei dati nell'archiviazione a lungo termine. Quando si esportano dati per più lab, l'esportazione potrebbe richiedere del tempo. Per semplificare le prestazioni e ridurre la possibilità di duplicazione delle informazioni, è consigliabile eseguire ogni lab in parallelo. Per eseguire il parallelismo, eseguire Funzioni di Azure in modo asincrono. Sfruttare anche il trigger timer offerto da Funzioni di Azure.

Uso di un archivio a lungo termine

Un archivio a lungo termine consolida le informazioni di esportazione da lab diversi in una singola origine dati. Un altro vantaggio dell'uso dell'archiviazione a lungo termine è la possibilità di rimuovere i file dall'account di archiviazione per ridurre la duplicazione e i costi.

L'archiviazione a lungo termine può essere usata per eseguire qualsiasi manipolazione del testo, ad esempio:

• Aggiunta di nomi descrittivi
• Creazione di raggruppamenti complessi
• Aggregazione dei dati

Alcune soluzioni di archiviazione comuni sono: SQL Server, Azure Data Lake e Azure Cosmos DB. La soluzione di archiviazione a lungo termine scelta dipende dalle preferenze. È possibile scegliere lo strumento in base a ciò che offre per la disponibilità di interazione durante la visualizzazione dei dati.

Visualizzazione dei dati e raccolta di informazioni dettagliate

Usare uno strumento di visualizzazione dei dati a scelta per connettersi all'archiviazione a lungo termine per visualizzare i dati di utilizzo e raccogliere informazioni dettagliate per verificare l'efficienza dell'utilizzo. Ad esempio, è possibile usare Power BI per organizzare e visualizzare i dati di utilizzo.

È possibile usare azure Data Factory per creare, collegare e gestire le risorse all'interno di un'unica interfaccia di posizione. Se è necessario un maggiore controllo, la singola risorsa può essere creata all'interno di un singolo gruppo di risorse e gestita indipendentemente dal servizio Data Factory.

Passaggi successivi

Dopo aver configurato il sistema e i dati si spostano nell'archiviazione a lungo termine, il passaggio successivo consiste nell'affrontare le domande a cui devono rispondere i dati. Ad esempio:

• Che cos'è l'utilizzo delle dimensioni della macchina virtuale?

  Gli utenti selezionano dimensioni di macchina virtuale con prestazioni elevate (più costose)?

• Quali immagini del Marketplace vengono usate?

  Le immagini personalizzate sono la base di macchine virtuali più comuni, se un archivio immagini comune deve essere compilato come Raccolta immagini condivise o factory di immagini.

• Quali immagini personalizzate vengono usate o meno?