Sammanfattning

  • 6 minuter

Här är några av de viktigaste punkterna vi tar upp om elasticitet i den här modulen:

  • Belastningen är sällan konstant för virtuella datorer och andra molnresurser. I stället varierar den, och ibland kan variationen vara en faktor tio eller mer.
  • Om beräkningskapaciteten anpassas efter belastningstopparna får du en utmärkt tjänstkvalitet (QoS), men även högre kostnader och energiförbrukning.
  • Elasticitet syftar på möjligheten att lägga till resurser för att hantera toppar i belastningen och sedan ta bort resurserna när belastningen minskar.
  • Du uppnår elasticitet i molnet genom att skala om resurser som virtuella datorer och databaser.
  • Att skala in och ut (horisontell skalning) syftar på att öka och minska antalet resurser som används för en aktivitet, som att öka antalet virtuella datorer som betjänar webbplatsens användare från 10 till 15.
  • Att skala upp och ned (vertikal skalning) syftar på att ersätta befintliga resurser med mer eller mindre kraftfulla resurser, som att byta ut en virtuell webbserver med 2 kärnor och 4 GB RAM-minne mot en som har 4 kärnor och 8 GB RAM.
  • När du skalar om resurserna så att de matchar efterfrågan får du ett relativt konstant resursutnyttjande, lägre kostnader och en effektivare energiförbrukning.
  • Med automatisk skalning kan skalningen utföras baserat på regler eller principer som molnadministratören ställer in. Reglerna eller principerna kan vara tidsbaserade, måttbaserade eller både och. Ett exempel på måttbaserad automatisk skalning är att aktivera ytterligare instanser när den genomsnittliga processoranvändningen når ett identifierat tröskelvärde, som 70 %.
  • Tidsbaserad automatisk skalning, även kallat schemalagd automatisk skalning, passar bäst när belastningen är cyklisk och förutsägbar.
  • Måttbaserad automatisk skalning kan hantera både förutsägbara och oförutsägbara belastningar.
  • Det är viktigt med en effektiv belastningsutjämning när du ska implementera skalbara molntjänster.
  • I lastbalanserare används olika algoritmer för att distribuera belastningen, som round-robin och hash-baserade algoritmer.
  • Vissa lastbalanserare försöker skicka förfrågningar smartare genom att använda mått som tiden mellan förfrågan och körning eller processoranvändningen vid varje nod.
  • Lastbalanserare kan även öka tillgängligheten genom att övervaka serverresursernas tillstånd och identifiera när resurserna inte är tillgängliga.
  • Eftersom en enda lastbalanserare representerar en enstaka felpunkt så distribueras lastbalanserare ofta i par.
  • Några av fördelarna med serverlös databehandling är förbrukningsbaserad prissättning, automatisk skalbarhet och lägre administrationskostnader
  • Ett exempel på serverlös databehandling är serverlösa funktioner, där du kan ladda upp kod till molnet och definiera när den ska köras.
  • Ett annat exempel är serverlösa arbetsflöden som gör att du kan definiera affärsarbetsflöden (vanligtvis i en grafisk designer och utan att skriva kod) och ange när de ska köras.
  • Serverlös databehandling omfattar även databaser som skalas om för att möta efterfrågan på dem.