Регистрация
Блог Сервионика

Гиперконвергентные решения: как оценить, нужны ли они вашему бизнесу?

30 июля 2017, 00:26 782 0

Аналитики Forrester Research считают, что любая вычислительная инфраструктура, в которой требуется быстрое распределение ресурсов, только выиграет от гиперконвергентности, поэтому все больше компаний будут выбирать эту парадигму построения вычислительных мощностей. Давайте попробуем разобраться, в каких случаях ставка на гиперконвергенцию оправдывает себя и по каким критериям оценивать этот эффект. 

Гиперконвергентные решения будут становится всё более востребованными, а компании постепенно начнут использовать такую инфраструктуру для все более сложных проектов виртуализации и значимых для бизнеса приложений. По прогнозам Gartner, к 2019 году уже около трети мировых мощностей для хранения данных в промышленных дата-центрах будут частью программно-определяемых систем (SDS) или гиперконвергентных инфраструктур. 
Для сравнения, сейчас этот показатель составляет 5%. По прогнозам, 20% критических для бизнеса приложений, размещенных на базе инфраструктуры Tier Ш, будут перемещены в гиперконвергентную среду к 2020 году.

Гиперконвергенция как она есть 
Термин «конвергентная инфраструктура» вывела на рынок несколько лет назад компания HP. Сама идея достаточно проста: память, вычислительные и сетевые ресурсы объединяются в некий пул, заранее сконфигурированный под определенные задачи. Такой подход имеет ключевое преимущество — оперативность. С его помощью можно сократить развертывание инфраструктуры с нескольких месяцев до нескольких дней. В виртуальной среде вычислительные ресурсы не являются физическими, а всем пулом управляем гипервизор. 
Что касается гиперконвергенции, то это более высокий уровень организации инфраструктуры, чем конвергенция. Здесь ни один из компонентов не используется сам по себе, все они интегрированы и являются программно-определяемыми. Благодаря этому такой инфраструктурой может управлять всего один администратор, а возможности для ее масштабирования фактически не ограничены.

HP, будучи идеологом конвергенции как таковой, видит такие системы как основу ИТ-инфраструктуры бизнеса, которая позволяет не думать о составляющих ее компонентах, а фокусироваться на получаемом результате. Еще четыре года назад HP вывела на рынок портфель продуктов HP Converged System, который постоянно развивается. Решения, входящие в этот портфель, помогают ИТ-отделам тратить меньше времени на интеграцию и сосредоточиться на главном — вводе в строй новых приложений, создающих добавленную стоимость. 

Сроки развертывания таких решений рекордно низкие и измеряются в минутах. В числе других плюсов — упрощение управления всей инфраструктурой, поскольку оно осуществляется из единого инструмента, а также наличие единой точки входа по сервисному обслуживанию всей комплексной системы.

От экспериментов к практике 
Как часто бывает с молодыми технологиями, большинство компаний долгое время не рисковали выносить в гиперконвергентные вычислительные среды критические для бизнеса приложения уровня Tier I, оставляя их работать на базе традиционных серверов. Чаще всего гиперконвергентная инфраструктура становилась полем для экспериментов, а также местом для развертывания приложений невысокого приоритета, например, таких как виртуальные рабочие столы (VDI). Но постепенно ситуация меняется. 

Как показывают последние исследования Enterprise Strategy Group, на практике к выбору гиперконвергентных решений компании по-прежнему подталкивает их относительная простота и стоимость, но постепенно сложность задач, возлагаемых на гиперконвергентную инфраструктуру, растёт. 

Например, гиперконвергенция актуальна для создания IaaS-сред с большим количеством сохраненных шаблонов виртуальных машин: эта схема похожа на VDI, так как здесь экономия достигается за счет дедупликации хранения большого количества шаблонов, которые используются для создания снимков, а также непосредственно хранимых снимков. 

Также она поможет при необходимости моментных снимков большого числа виртуальных машин в сложных схемах восстановления данных и обеспечения непрерывности процессов. В таком случае гиперконвергентная инфраструктура со встроенными средствами дедупликации может обеспечить более оптимальные результаты по части загрузки памяти и сети. Как пишет Forrester, достигаемая экономия пространства хранения при этом может быть десятикратной. 

Гиперконвергенция актуальна и для базовых кластеров виртуальных машин, так как обеспечивает чрезвычайно экономичный способ развертывания мощностей в IaaS общего назначения. Ещё одно перспективное направление — аналитические кластеры: первые кейсы использования Hadoop и других аналитических инструментов на базе гиперконвергентной инфраструктуры это доказывают.

Критерии выбора 
Традиционно критериями оценки производительности вычислительной инфраструктуры являются скорость обработки данных и пропускная способность каналов, но для гиперконвергентных решений стандартных параметров недостаточно. Для адекватной оценки требуется эмуляция рабочих процессов, чтобы протестировать работу вычислительной части и памяти вместе. По сути, необходимо найти ответ на три ключевых вопроса: 

  • Как быстро могут работать приложения компании на базе данной инфраструктуры? 
  • Что произойдет, если количество приложений и сама инфраструктура будет расти? 
  • Как поведут себя приложения в случае сбоя? 
В ходе такого тестирования необходимо оценить быстродействие системы на базе тестирования теоретической и практической производительности. С теоретической производительностью вопрос решить проще: исследование может быть проведено с помощью инструментов, чья методика задокументирована (базовые метрики — IOPS, пропускная способность и временя отклика). Практическая производительность может быть протестирована на базе эмулятора настоящего рабочего окружения с использованием реальных приложений. 

Практическое тестирование даёт возможность объединить в кластеры различные вычислительные ресурсы и ресурсы хранения, чтобы понять, каким образом они будут взаимодействовать между собой. Вспомогательные службы, работающие в фоновом режиме, такие как междоменные связи, перемещение данных внутри кластера, системы защиты и отказоустойчивости, дедупликации и сжатия также потребляют ресурсы системы, и оценить их влияние на общую производительность в теории невозможно. 

Кроме того, необходимо оценить масштабируемость, для чего существует несколько способов. Например, существует индивидуальная шкала приложений, в которой потенциал увеличения нагрузки на них оцениваться по разным параметрам. Так, потенциал масштабируемости по части скорости определяется изменением показателей IOPS, пропускной способности и времени отклика по мере увеличения нагрузки. При оценке масштабируемости также важно понимать текущий и потенциальный объем потребления ресурсов, а также растущие требования к производительности приложений по мере увеличения числа пользователей, роста базового набора данных, добавления новых функций приложений и так далее. 

Именно здесь вступает в игру гибкость гиперконвергентной инфраструктуры. Нужно больше ресурсов CPU? Необходимо добавить вычислительный узел или кластер. Нужна более быстрая система хранения? Добавляется узел флеш памяти. Это напрямую связано со следующим аспектом масштабируемости — масштабируемостью кластера. 

Последний аспект оценки масштабируемости касается масштабируемости количества арендаторов, то есть приложений, которые будут работать на базе гиперконвергентной инфраструктуры. Если раньше компании развертывали на базе такой инфраструктуры не критические для бизнеса программные приложения, то теперь, напротив, тенденция к переводу в такие вычислительные среды всё большего числа программ растёт. 

Поскольку гиперконвергентная инфраструктура полностью виртуальна и использует разделение ресурсов, то даже если вы используете самый быстрый гипервизор, имеющий минимальное воздействие на всю систему, необходимо учитывать дополнительный расход ресурсов на его работу. Чем более сложны процессы виртуализации, тем большее влияние они оказывают на производительность кластера. Также существует проблема «шумных соседей», когда одно из приложений кластера буквально оттягивает на себя все ресурсы других приложений. 

Оптимальным подходом к оценке этого параметра является оценка работоспособности каждого приложения в отдельности, а затем их одновременный запуск. Конечная цель в данном случае состоит в том, чтобы одновременно запустить все приложения с минимальным влиянием на производительность. 
Оценка стабильности гиперконвергентной инфраструктуры является последним этапом оценки ее производительности, который показывает, как влияют на устойчивость системы различные сбои, и здесь результаты могут оказаться очень неожиданными. На данном этапе проверяются все возможные сценарии, начиная от отключения сетевого кабеля или отсоединения диска вплоть до некорректной миграции виртуальной машины или отказа всего кластера. 

Оценка производительности вычислительных инфраструктур нового типа выходит для компаний на первый план, и здесь традиционные критерии, используемые для систем, в центре которых — хранение данных, не подходят. В данном случае, как и с облачными инфраструктурами, в уравнении по оценке эффективности должны использоваться все переменные, включая хранение и вычисление данных. Здесь работает аналогичная идея.  

В этой связи оценка эффективности гиперконвергентной инфраструктуры представляется более творческой задачей, чем генерация большого количества операций ввода вывода и пропускной способности для оценки рабочей нагрузки. В конечном счете, речь идет о вашей способности предсказуемо обеспечивать определенную производительность системы как при ее масштабировании, так и восстановлении после сбоев. 

Подобные тесты могут быть проведены совместно со специалистами компаний, которые поставляют готовые коробочные решения для создания гиперконвергентной инфраструктуры. Как показывает опыт, достигаемые в ходе таких тестов результаты становятся решающим фактором выбора в пользу гиперконвергенции. 

Комментарии (0)

Подписаться на комментарии

Пожалуйста, авторизуйтесь, чтобы оставить свой комментарий

Нажимая на кнопку "Подписаться", Вы соглашаетесь с условиями Политики в отношении обработки персональных данных и даете согласие на обработку персональных данных