La nube pública ahora admite una gran variedad de cargas de trabajo, ya que proporciona una opción de bajo esfuerzo para aprovisionar recursos informáticos a escala
Pero como las empresas han aprendido durante la última década, los costos de la nube pueden salirse de control fácilmente sin una gobernanza adecuada y un monitoreo continuo.
Obtener el control de los costos de la nube sigue siendo un problema, en gran parte porque obtener visibilidad de las operaciones internas de la nube es un desafío, en el mejor de los casos. Esto deja a las organizaciones para hacer estimaciones aproximadas de cuánto están consumiendo realmente, hasta que llega la factura. Según una encuesta reciente de profesionales de TI, finanzas y operaciones, casi la mitad de los encuestados vio que los costos de la nube aumentaron al menos un 25 % en 2020, y el 20 % informó aumentos del 50 % o más. Al mismo tiempo, menos del 20 % dijo que tenía la capacidad de detectar de inmediato los picos en los costos de la nube, mientras que el 25 % dijo que puede llevar días o incluso semanas hacerlo.
Profundización en datos
Un tema particularmente espinoso es la dificultad que implica desglosar el uso de la nube por servicio o componentes individuales, lo que impide que los usuarios determinen exactamente por qué los costos están aumentando o desarrollen una estrategia efectiva para revertir la tendencia. Por lo general, una factura de la nube contendrá miles de servicios que se utilizan cada mes. Incluso cuando se ven datos de series de tiempo superpuestos, que en teoría deberían desglosar los costos de cada servicio, es casi imposible determinar qué series tienen una tendencia al alza o a la baja para más de 50 servicios a la vez.
Este problema está en el centro de lo que las empresas necesitan saber para administrar su presupuesto en la nube, y solo se magnifica cuando las organizaciones comienzan a distribuir las cargas de trabajo en varias nubes.
Si bien existen muchas soluciones comerciales listas para usar para realizar un seguimiento de los costos de la nube, a muchas organizaciones les resulta útil diseñar su propio enfoque personalizado. Una de las herramientas más eficaces para lograr esto es la prueba de Mann-Kendall, que ha demostrado ser muy eficaz para separar la señal del ruido en entornos que generan múltiples fuentes de datos de series temporales.
La prueba de Mann-Kendall (MK) es una amalgama del trabajo del matemático HB Mann y el estadístico Maurice Kendall. Proporciona un medio no paramétrico para identificar tendencias en una serie que, cuando se aplica a los datos de gestión de la nube, se puede utilizar para producir un análisis de tendencias capaz de medir con precisión los costos y otras métricas a lo largo del tiempo. Esto proporciona a los consumidores de la nube una visión profunda de sus patrones de uso y cómo se ven afectados por diversos factores. Luego, esto se puede analizar más profundamente para determinar la forma más efectiva de optimizar los costos sin obstaculizar sustancialmente las operaciones y, en algunos casos, incluso mejorarlas.
El enfoque correcto
La implementación de las pruebas de MK en una plataforma de administración en la nube debe realizarse correctamente. Por ejemplo, la prueba ofrece resultados similares a los análisis de regresión lineal paramétrica, pero solo si los residuos de una regresión ajustada se distribuyen normalmente. Esto, a su vez, puede determinar si la pendiente de la regresión es diferente de cero.
Para que esto proporcione un análisis significativo de los datos de series temporales, la prueba MK debe hacer una serie de suposiciones. Primero, sin una tendencia medible ya identificada, todas las mediciones a lo largo del tiempo deben ser independientes y distribuidas de manera idéntica. Además, las mediciones deben representar los estados reales de los observables en el momento en que se miden y los métodos utilizados para recolectar muestras deben ser imparciales.
Tenga en cuenta que MK no está diseñado para tener en cuenta los efectos estacionales (periódicos), por lo que es mejor eliminar estos datos antes de que la serie se incluya en el proceso de prueba. Es útil aplicar una herramienta de descomposición estacional y de tendencia que utiliza la regresión de Loess para dividir la serie temporal en sus componentes constituyentes. Esto brinda la capacidad de analizar las entradas de acuerdo con un rango de parámetros deseados, como la serie temporal en sí, la periodicidad de los datos, el ancho estacional y el tipo de modelo para determinar si las variaciones de los datos son proporcionales o no tienen tendencia con la serie temporal.
En última instancia, esto se usa para determinar si existen tendencias dentro de los datos de la serie temporal y para calcular la pendiente de la línea de regresión para determinar qué tan rápido cambian los datos. Todo esto se puede hacer de manera muy granular para brindar a los administradores de la nube una visión detallada de qué cargas de trabajo están aumentando y cómo se pueden controlar.
Cabe señalar que no todos los picos en el consumo de la nube son negativos para una empresa. Si las cargas de trabajo aumentan porque las ventas aumentan, eso es algo bueno. Sin embargo, si el aumento no produce un beneficio cuantificable para el modelo de negocio, probablemente sea el momento de actuar.
Muchas gracias por visitarme. Sin usted, esta web no existiria, espero que le haya gustado y vuelva ☺️
Fecha actualizacion el 2022-03-10. Fecha publicacion el 2022-03-10. Categoria: Cómo usar Autor: Oscar olg Mapa del sitio Fuente: insidebigdata