Anteckning
Åtkomst till den här sidan kräver auktorisering. Du kan prova att logga in eller ändra kataloger.
Åtkomst till den här sidan kräver auktorisering. Du kan prova att ändra kataloger.
Läs hur Azure Advisor hjälper dig att optimera och minska din övergripande Azure-utgifter genom att upptäcka inaktiva och underutnyttjade resurser. Du kan få kostnadsrekommendationer från fliken Kostnad på Advisor-instrumentpanelen.
Logga in på Azure-portalen.
Sök efter och välj Advisor på valfri sida.
På instrumentpanelen Advisor väljer du fliken Kostnad.
Optimera utgifter för virtuella maskiner (VM) eller virtuella maskinskala set (VMSS) genom att ändra storlek på eller stänga av underutnyttjade instanser.
Även om vissa applikationsscenarier kan leda till låg användning av design, kan du ofta spara pengar genom att hantera storleken och antalet virtuella datorer eller virtuella maskin skalningsuppsättningar.
Advisor använder maskininlärningsalgoritmer för att identifiera låg användning och den idealiska rekommendationen för att säkerställa optimal användning av virtuella maskiner och virtuella maskin-skalningsuppsättningar. De rekommenderade åtgärderna stängs av eller ändrar storlek, specifika för den resurs som utvärderas.
Rekommendationer för avstängning
Advisor identifierar resurser som inte har använts alls under de senaste sju dagarna och rekommenderar att de stängs av.
Rekommendationskriterierna omfattar cpu- och utgående nätverksanvändningsmått . Minne beaktas inte eftersom vi upptäckte att processor- och utgående nätverksanvändning är tillräckliga.
De senaste sju dagarnas användningsdata analyseras. Du kan ändra återställningsperioden i konfigurationerna. De tillgängliga återblicksperioderna är 7, 14, 21, 30, 60 och 90 dagar. När du har ändrat återställningsperioden kan det ta upp till 48 timmar innan rekommendationerna uppdateras.
Mått samplas var 30:e sekund, aggregeras till 1 min och aggregeras sedan ytterligare till 30 minuter (vi tar maxvärdet för genomsnittliga värden när vi aggregerar till 30 minuter). På skalningsuppsättningar för virtuella maskiner aggregeras måtten från enskilda virtuella datorer med hjälp av medelvärdet av måtten över instanser.
En avstängningsrekommendations skapas om:
- P95 av det maximala värdet för cpu-användning som summeras över alla kärnor är mindre än 3 %
- P100 för genomsnittlig CPU under de senaste 3 dagarna (summa över alla kärnor) <= 2 %
- Utgående nätverksanvändning är mindre än 2 % under en sjudagarsperiod
Ändra storlek på SKU-rekommendationer
Advisor rekommenderar att du ändrar storlek på virtuella datorer när det är möjligt att hantera den aktuella belastningen med en mer lämplig och billigare SKU (baserat på detaljhandelspriser). I virtuella maskinens skalningsuppsättningar rekommenderar Advisor att du ändrar storlek när det är möjligt att anpassa den aktuella belastningen på en mer lämplig och billigare SKU eller ett lägre antal instanser av samma SKU.
Rekommendationskriterierna omfattar processor-, minnes- och utgående nätverksanvändning.
De senaste 7 dagarnas användningsdata analyseras. Du kan ändra återställningsperioden i konfigurationerna. De tillgängliga återblicksperioderna är 7, 14, 21, 30, 60 och 90 dagar. När du har ändrat återställningsperioden kan det ta upp till 48 timmar innan rekommendationerna uppdateras.
Mätvärden samplas var 30:e sekund, aggregeras till 1 minut och aggregeras sedan ytterligare till 30 minuter genom att ta maxvärdet av genomsnittliga värden vid aggregering till 30 minuter. På virtuella maskinskalningsuppsättningar aggregeras måtten från enskilda virtuella datorer genom att använda genomsnittet av måtten för rekommendationer om instansantal och aggregeras genom att använda maxvärdet av måtten för rekommendationer om SKU-förändringar.
En lämplig SKU (för virtuella datorer) eller antal instanser (för virtuella maskin-skalmängdsresurser) bestäms baserat på följande kriterier:
- Prestandan för arbetslaster på den nya SKU påverkas inte.
- Mål för användarriktade arbetsbelastningar:
- P95 för processor- och utgående nätverksanvändning vid 40 % eller lägre på den rekommenderade SKU:n
- P100 för minnesanvändning vid 60 % eller lägre på den rekommenderade SKU:n
- Mål för icke-användarriktade arbetsbelastningar:
- P95 för processor- och utgående nätverksanvändning vid 80 % eller lägre på den nya SKU:n
- P100 för minnesanvändning vid 80 % eller lägre på den nya SKU:n
- Mål för användarriktade arbetsbelastningar:
- Den nya SKU:n har, om tillämpligt, samma funktioner för accelererat nätverk och Premium Storage
- Den nya SKU:n, om tillämpligt, stöds i den aktuella regionen för den virtuella datorn enligt rekommendationen.
- Den nya SKU:n, om tillämpligt, är billigare
- Rekommendationer för antal instanser tar också hänsyn till om skalningsuppsättningen för virtuella maskiner hanteras av Service Fabric eller AKS. För service fabric-hanterade resurser tar rekommendationerna hänsyn till tillförlitlighets- och hållbarhetsnivåer.
- Prestandan för arbetslaster på den nya SKU påverkas inte.
Advisor avgör om en arbetsbelastning är användarriktad genom att analysera dess egenskaper för processoranvändning. Metoden baseras på resultat från Microsoft Research. Du kan hitta fler detaljer här: Prediktionsbaserad överteckning av effekt i molnplattformar – Microsoft Research.
Baserat på den bästa passformen och de billigaste kostnaderna utan prestandapåverkan rekommenderar Advisor inte bara mindre SKU:er i samma familj (till exempel D3v2 till D2v2), utan även SKU:er i en nyare version (till exempel D3v2 till D2v3) eller en annan familj (till exempel D3v2 till E3v2).
För resurser för virtuella maskinskalningsuppsättningar prioriterar Advisor rekommendationer för antal instanser framför rekommendationer för SKU-byten eftersom ändringar av antalet instanser är enkla att genomföra, vilket resulterar i snabbare besparingar.
Tillfälliga rekommendationer
Vi utvärderar om arbetsbelastningar är berättigade att köras på specialiserade SKU:er som kallas Burstable SKU:er som stöder prestandakrav för variabel arbetsbelastning och är billigare än SKU:er för generell användning. Läs mer om burstbara SKU:er här: B-serien kan brista – Virtuella Azure-datorer.
En skalbar SKU-rekommendation görs ifall:
- Den genomsnittliga CPU-användningen är mindre än en burstbar SKU:er baslinjeprestanda
- Om P95 för CPU är mindre än två gånger den burstbara SKU:ernas baslinjeprestanda
- Om den aktuella SKU:n inte har accelererat nätverk aktiverat, eftersom burstbara SKU:er inte har stöd för accelererat nätverk ännu
- Om vi bedömer att SKU-krediterna med burstbar kapacitet är tillräckliga för att stödja den genomsnittliga CPU-användningen under 7 dagar. Du kan ändra återställningsperioden i konfigurationerna.
Den resulterande rekommendationen tyder på att en användare bör ändra storlek på sin aktuella virtuella dator eller vm-skalningsuppsättning till en burstbar SKU med samma antal kärnor. Det här förslaget görs så att en användare kan dra nytta av lägre kostnad och även det faktum att arbetsbelastningen har låg genomsnittlig användning men höga toppar i fall, vilket kan hanteras bäst av B-seriens SKU.
Advisor visar de uppskattade kostnadsbesparingarna för antingen rekommenderad åtgärd: ändra storlek på eller stänga av. För storleksändring tillhandahåller Advisor aktuell och mål-SKU/instansantalsinformation. Om du vill vara mer selektiv när det gäller åtgärder på underutnyttjade virtuella datorer eller virtuella maskin-skalningsuppsättningar kan du justera prenumerationens CPU-användningsregel.
I vissa fall kan rekommendationer inte antas eller kanske inte är tillämpliga, till exempel några av dessa vanliga scenarier (det kan finnas andra fall):
En virtuell maskin eller virtuell maskinskalningsgrupp har tillhandahållits för att hantera framtida trafik.
Vm-dator eller VM-skalningsuppsättning använder andra resurser som inte beaktas av storleksalgoritmen, till exempel andra mått än CPU, minne och nätverk
Specifika tester som utförs på den aktuella SKU:n, även om de inte används effektivt
Behöver hålla SKU:er för vm- eller vm-skalningsuppsättningar homogena
Vm-dator eller vm-skalningsuppsättning som används i haveriberedskapssyfte
I sådana fall använder du helt enkelt alternativen Avvisa/Skjut upp som är associerade med rekommendationen.
Begränsningar
De besparingar som är kopplade till rekommendationerna baseras på detaljhandelspriser och tar inte hänsyn till några tillfälliga eller långsiktiga rabatter som kan gälla för ditt konto. Därför kan de listade besparingarna vara högre än vad som faktiskt är möjligt.
Rekommendationerna tar inte hänsyn till förekomsten av reserverade instanser (RI)/köp av sparplan. Därför kan de listade besparingarna vara högre än vad som faktiskt är möjligt. I vissa fall, till exempel när det gäller rekommendationer mellan serier, beroende på vilka typer av SKU:er som reserverade instanser har köpts för, kan kostnaderna öka när optimeringsrekommendationerna följs. Vi uppmanar dig att noggrant överväga dina köp av RI-/sparplaner när du följer rekommendationerna för rätt storlek.
Vi arbetar ständigt med att förbättra dessa rekommendationer. Dela gärna feedback på Advisor Forum.
Konfigurera VM/VMSS-rekommendationer
Du kan justera rekommendationerna för Advisor virtual machine (VM) och Virtual Machine Scale Sets. Mer specifikt kan du konfigurera ett filter för varje prenumeration för att endast visa rekommendationer för datorer med viss CPU-användning. Den här inställningen filtrerar rekommendationer men ändrar inte hur de genereras.
Anteckning
Om du inte har de behörigheter som krävs inaktiveras alternativet i användargränssnittet. Information om behörigheter finns i Behörigheter i Azure Advisor.
Följ dessa steg om du vill justera rätt storleksregler för Advisor VM/Virtual Machine Scale Sets:
På valfri Azure Advisor-sida klickar du på Konfiguration i det vänstra navigeringsfönstret. Sidan Advisor-konfiguration öppnas med fliken Resurser markerad som standard.
Välj den virtuella datorn/vm-skalningsuppsättningar på höger storleksflik .
Välj de prenumerationer som du vill konfigurera ett filter för genomsnittlig CPU-användning och klicka sedan på Redigera.
Välj önskat genomsnittligt cpu-användningsvärde och klicka på Använd. Det kan ta upp till 24 timmar innan de nya inställningarna återspeglas i rekommendationer.
Nästa steg
Mer information om Advisor-rekommendationer finns i: