Fünf Mythen des Mainframe-Cappings

Das Großrechner-Betriebssystem bietet einen Mechanismus, den die IT nutzen kann, um die Menge an Ressourcen, die Workloads verbrauchen, zu begrenzen und die Exposition gegenüber übermäßigen IBM Monthly License Charge (MLC)-Kosten zu begrenzen. Defined Capacity, oder Capping, kann von der IT auf bestimmten Ebenen festgelegt werden, aber die Folge ist, dass das Betriebssystem nach Erreichen der Deckel keine zusätzlichen MSUs zulässt, sodass die Arbeitslasten verzögert werden. Das Potenzial, dass es sich auf die Service-Level für kritische Geschäftsaufgaben auswirkt, hat viele Mainframe-Nutzer zögern lassen, Capping zu verwenden. Daher gibt es einige Missverständnisse über die Risiken und Erträge der Nutzung von Capping. Dieser Blog untersucht fünf davon.

1. Wenn ich eine Obergrenze mache, gefährde ich Geschäftsdienste. Eine effektive Begrenzungsstrategie muss Geschäftsdienstleistungen nicht gefährden. Korrekt eingerichtete Obergrenzen berücksichtigen die unterschiedlichen Wichtigkeitsstufen der Arbeitslasten und stellen sicher, dass hochwichtige Arbeit die benötigten Ressourcen erhält, und können geringe Leistungen einschränken, wenn Verzögerungen akzeptabel sind. Arbeitslastvolumen variieren im Laufe der Zeit stark, daher ist es mit nativen Tools einfach nicht möglich, "das eine richtige Cap" zu erreichen, das für alle Zeiträume sicher ist. Da digital gesteuerte volatile und variable Arbeit Mainframe-Systeme beeinflusst, muss eine effektive Capping-Lösung die Kapazitätsgrenzen zwischen LPARs dynamisch und automatisch anpassen, um sicherzustellen, dass kein Risiko für Geschäftsdienstleistungen besteht. Die Lösung muss die Priorität der Arbeitslast, die verfügbare Kapazität und die relativen Kosten von MLC-Produkten auf den verschiedenen LPARs bewerten. Dies sollte unter Kontrolle einer von Ihnen festgelegten Richtlinie erfolgen. Eine, die Arbeitslastprioritäten, den Zielverbrauch der MSU und die Kosten von MLC-Produkten auf LPARs definiert. Mit diesem Ansatz können Sie das Risiko kritischer Arbeiten mindern und einen geringeren MSU-Verbrauch sowie niedrigere MLC-Kosten erreichen. Für eine detailliertere Diskussion darüber, wie man risikofrei begrenzt werden kann, sehen Sie sich dieses Webinar an.
2. Capping kann übermäßige Gebühren vermeiden, aber meine laufenden MLC-Kosten nicht senken. Das gilt für Standard-manuelle Capping-Ansätze. Die Volatilität und Variabilität der Workloads im System erfordern Deckungen, um übermäßige Gebühren zu vermeiden, aber keine prioritären Arbeiten im System einzuschränken. Daher werden Caps meist hoch gesetzt, um übermäßige Gebühren zu vermeiden und Auswirkungen auf die Arbeitslast zu vermeiden. Dies eliminiert jedoch Möglichkeiten zur Kostensenkung. Standard-Capping-Mechanismen können keine Variabilität/Volatilität adressieren, Workload-Prioritäten differenzieren oder überschüssige Kapazitäten in der Umgebung erkennen. Ein automatischer, dynamischer Capping-Anpassungsansatz schützt jedoch vor übermäßiger Nutzung und stellt sicher, dass Prioritätsarbeit nicht ressourcenbegrenzt ist, während der gesamte MSU-Verbrauch und MLC-Kosten sinken. Dieser Ansatz passt die Caps dynamisch an, um Prioritätsanforderungen und verfügbare ungenutzte Kapazitäten anderer LPARs abzustimmen. Der Cap-Raum zwischen ihnen verschiebt sich je nach Variabilität der Workloads. Bei der Verlagerung der Überkapazität zwischen LPARs muss dieser Capping-Ansatz auch die relativen Kosten der MLC-Produkte berücksichtigen, die auf jedem LPAR laufen, um unbeabsichtigte Erhöhungen der Gesamtkosten der MLC zu vermeiden.
3. Capping funktioniert nicht bei variablen und volatilen Arbeitslasten. Wie in Mythos #2 erläutert, ist ein dynamischer Capping-Mechanismus der Schlüssel zur tatsächlichen Reduzierung der MLC-Kosten. Der automatische, dynamische, workload-bewusste und MLC-kostenbewusste Ansatz ist ideal, um variable und volatile Workloads zu bewältigen, die durch digitale Einbindung gesteuert werden. Ein Capping-Ansatz, der Workload-Aktivitäten und Prioritäten in Echtzeit untersucht, Cap-Anpassungen vornehmen kann, um Workload-Änderungen zu berücksichtigen, und die erforderlichen Service-Level, Kapazität und Kosten ausbalanciert. Dieser Ansatz gewährleistet Servicequalität und Kostenoptimierung, selbst wenn die Workloads sehr variabel sind.
4. Effektives Capping erfordert viel Wissen, Zeit und kontinuierlichen Aufwand. Capping ist eine komplexe Aktivität, die die Interaktion von Workload-Aktivitäten, Workload-Prioritäten, verfügbarer Kapazität, LPAR-Konfigurationen, MLC-Lizenzen und MLC-Kosten umfasst, um nur einige Faktoren zu nennen. Es kann entmutigend sein, eine manuelle Capping-Strategie zu entwickeln und sie mit ständig wechselnden Workloads auf dem neuesten Stand zu halten. Die Verwendung einer geeigneten automatisierten Capping-Lösung entlastet den Großteil des Wissens-, Zeit- und kontinuierlichen Aufwandsaufwands. Eine automatisierte, dynamische Capping-Engine kann sich an Änderungen bei Arbeitslasten und Kapazität anpassen. Sie nimmt kontinuierlich Anpassungen vor, um sicherzustellen, dass die Service-Level eingehalten werden, und kann den gesamten MSU-Verbrauch senken, wodurch MLC-Kosten gesenkt werden. Sie kann auch beobachtende Informationen liefern, mit denen Sie Entscheidungen über Priorisierung und MSU-Zielniveaus treffen können. Außerdem haben Sie, wenn die Capping-Maßnahmen simuliert werden (ohne sie tatsächlich durchzuführen), einen kombinierten Überblick über die verschiedenen komplexen Faktoren und die Capping-Maßnahmen, die die Lösungen für Sie übernehmen könnten. Dies reduziert zusätzlich die Zeit und den Aufwand, die für die Umsetzung einer Capping-Strategie zur Risikominderung und Kostensenkung erforderlich sind.
5. Automatisierung ist beängstigend und ich kann ihr nicht zutrauen, meine kritischen Arbeitslasten zu verwalten. Die Bereitstellung von Verfügbarkeit und Leistung für kritische Arbeit bleibt für Mainframe-Shops eine hohe Priorität, wie im kürzlich veröffentlichten Annual Mainframe Research 2016 von BMC berichtet wurde, das hier angesehen werden kann. Mainframe-IT hingegen ist an vorderster Front bei der Nutzung von Automatisierung, um Mainframes verfügbarer, leistungsfähiger und kosteneffizienter als andere Plattformen zu machen. Mainframe-IT nutzt Automatisierung, um Reaktionen auf Probleme zu verwalten, kritische Datenbanken zu verwalten und die Ausführung von Tausenden von Jobs zu steuern. Die Automatisierung zur Kontrolle von Caps sollte also nicht anders sein. Die Sorge, kritische Geschäftsdienste zu gefährden, ist berechtigt, und es gab Fälle, in denen das Setzen eines falschen Limits oder das Nichtanpassen der Cap-Einstellung bei Änderung der Arbeitslast zu Service-Level-Fehlern geführt hat. Daher kann Vorsicht geboten sein.

Die Schlüssel, um sich mit automatischer Begrenzung wohlzufühlen, sind:

1. Stellen Sie sicher, dass der Capping-Ansatz die Bedeutung der Arbeitslast bei seinen Capping-Entscheidungen berücksichtigt.
2. Arbeiten Sie nach einer benutzerdefinierten Richtlinie, die automatisierte Begrenzungsentscheidungen mit IT-Prioritäten und Kostenbedenken ausgleicht.
3. Benötigt eine Lösung mit einem Simulationsmodus, der Aktionen anzeigt, die sie sonst durchgeführt hätte (aber nicht getan hat), damit du dich damit wohlfühlst, wie sie deine Arbeitslasten und Umgebung verwaltet.

Durch einen gezielten Ansatz zur Implementierung einer automatisierten Capping-Funktion können Sie sicherstellen, dass die Maßnahmen mit Ihren Zielen übereinstimmen und sicher sein, dass Capping Ihrer Arbeitslast und Kosten zugutekommt.  Weitere Informationen zu einem Ansatz finden Sie hier.

Diese Beiträge sind meine eigenen und spiegeln nicht unbedingt die Position, Strategien oder Meinung von BMC wider.