NET 09/2022

38 www.net-im-web.de 9/22 Gewusst wie Eine weitere Möglichkeit der Elastizität ist das Autoscaling (siehe nächster Abschnitt). Autoscaling Über die Funktion Autoscaling können er- forderliche Cloud-Kapazitäten anhand von vorab definierten Regeln automatisch an- gepasst werden (Bild 3).Wenn gerade wenig zu rechnen ist, genügen geringe Rechenka- pazitäten, stehen rechenintensive Aufgaben an, wird Kapazität on the Fly erhöht. Eine Autoscaling-Gruppe definiert die minimale und maximale zur Verfügung zu stellende Kapazität, welche Instanztypen verwendet werden sollen und wie skaliert wird. Die Skalierung kann manuell erfolgen, zeitgesteuert oder automatisch basierend auf applikationsspezifischenMe- triken (Monitoring) und/oder anhand von Vorhersagen. Dies sorgt dafür, bedarfsorien- tiert und kosteneffizient die Verfügbarkeit von Services und zuverlässige Performance- Levels sicherzustellen. Obwohl moderne Architekturen meist ein Autoscaling erlauben, ist doch im Einzelfall zu klären, welche Anwendungen hierfür geeignet sind. Die Anwendungmuss zumindest Load-Balancing unterstützen, so dass die Last auf mehrere Compute-Instan- zen verteilt werden kann. Anwendungen, die ein stabiles und wiederkehrendesMuster im Lastaufkommen zeigen (abhängig von der Uhrzeit, demWochentag und/oder der Kalenderwoche), sind sehr gute Kandidaten für Autoscaling. Auto-Scaling-Gruppen können sowohl mit On-Demand-Ressour- cen als auch mit Spot-Instanzen bestückt werden (siehe nächsten Abschnitt). Spot Instances Spot-Instanzen bieten eine besonders attrak- tive Kostenstruktur. Allerdings sind sie nicht garantiert: Der Provider kann die Instanz jederzeit beenden, wenn er diese etwa zur Absicherung eines Workloads an anderer Stelle benötigt. Typischerweise gibt es eine zweiminütige Warnung, bevor die Instanz abgeschaltet wird. Es ist sozusagen eine Wette auf freie Kapazitäten in der Cloud. Damit ist klar: Das ist nicht für jede An- wendung geeignet. Spot-Instanzen bieten sich beispielsweise für folgende Anwen- dungen an: • rechenintensive Aufgaben, die jeder- zeit unterbrochen und wieder fort- gesetzt werden können: Batch-Jobs, Compiler-Läufe oder Lernvorgänge für künstliche Intelligenz, aufwendige Video- oder Bildbearbeitungsprozesse, wissenschaftliche Berechnungen oder Simulationen, rechenintensive Finanz- analysen und Modelle; • verteilte Datenbanken, die auch dann die Daten speichern, wenn einzelne Instanzen neu gestartet werden; • Big Data: alle Arten der Massendaten- verarbeitung; • Testing: Lasttests, Regressionstests, Sicherheitstests oder Tests mit Mas- sendaten. Der Lohn für den Aufwand: Spot-Instanzen sind für bis zu einem Zehntel des Preises im Vergleich zu On-Demand-Ressour- cen zu haben. Da lohnen sich Tools, die die Cloud-Nutzung bezüglich Spot- und Reserved Instances, Savings Plan und On- Demand-Usage visualisieren. Sie helfen zu verstehen, welche Workloads geeignet sind und wie die Spot Instances, die Provider nach unterschiedlichen Regelungen zur Verfügung stellen, am besten eingesetzt werden können.Wichtig ist dafür aber auch ein System für das Management unterbro- chener Spot-Instance-Workloads. Waste Management ImWaste-Mangement geht es darum, un- genutzte Cloud-Ressourcen zu identifizieren und unnötige Ausgaben zu vermeiden. Klingt zunächst einfach. Jedoch: Welche Ressourcen tatsächlich nicht benötigt wer- den, lässt sich bei typischerweise mehreren hunderttausend Cloud-Ressourcen nicht manuell herausfinden. Aus dem Vergleich von Rech- nungs- mit Monitoring-Daten weisenTools potenziell überflüssige Cloud-Ausgaben aus. Zudem sind unter allen hunderttausenden Bild 3: Praktikables Rightsizing: Automatisierte Ermittlung der gebuchten Cloud-Services anhand der Cloud-Rechnungs- daten im Vergleich zu Monitoring-Daten macht klar, was zu groß dimensioniert oder überhaupt nicht genutzt wurde