ITOps專業人員在不斷發展的、充滿挑戰的環境中運作。他們面臨著一個復雜的大數據環境，通常在數千個節點上運行數以萬計的應用程序。這種狀況意味著用戶經常會遇到大量不必要的云浪費。相反，這也意味著提高大數據性能和/或削減支出的機會很多。
最近，在Pepperdata，進行了一項數據調查，以揭示云浪費和優化潛力的規模。在實施解決方案之前，研究了各種客戶群。這些集群在運行450萬個應用程序的5000個節點上占了400 PB的數據。調查最終得出了一份全面的大數據性能報告，該報告結合了最新的云計算統計數據和大數據趨勢。
越來越多的云浪費
Statista報告稱：“到2020年，公共云服務市場規模預計將達到2664億美元左右，到2022年，市場收入預計將超過3500億美元。”
這種增長是有代價的。復雜的大數據應用程序遷移到云中的次數越多，資源錯配的可能性就越大。僅在2019年，云浪費造成的損失就達140億美元左右。因此，正如Gartner所說， “到2024年，幾乎所有遷移到公共云基礎架構即服務(IaaS)的舊應用程序都將需要進行優化，以變得更具成本效益。”
在大數據集群中，香港免備案主機，典型的一周內沒有優化，最大內存利用率的中位數比率僅為42.3%。這意味著存在大量未充分利用或浪費群集資源的群集。
在實施云優化之前，40個大型集群的平均浪費為60 +%。通常，只有5-10%的工作經歷了嚴重的浪費，香港免備案主機，這使得優化成為一大難題。
優化的潛力
浪費大量的資源可以進行優化。正如Google所發現的那樣，即使是不費吹灰之力的云優化也可以在兩周內為企業的每項服務節省多達10%的費用。同時，運行六周或更長時間的完全優化的云服務可以為公司節省超過20%的費用。
但是，優化可能是一個挑戰。每個應用程序的資源要求都在不斷變化。為了充分發揮優化潛力，大數據解決方案需要從所有應用程序和關聯的基礎架構中收集信息，分析數據并動態滿足資源需求的變化。
這只能借助機器學習(ML)來完成。
在ML驅動的云優化的幫助下，我們的研究團隊針對大數據工作負載解鎖了一系列優化：
·四分之三的客戶群提高了吞吐量，并立即贏得了他們52%的工作時間。
·25%的用戶每年至少可以節省40萬美元，而最成功的用戶每年可以節省790萬美元。
隨著云遷移的繼續，企業必須牢記，成本只有在未適當優化的情況下才會增加。業務必須努力采用機器學習驅動的解決方案，該解決方案可以快速查明哪些集群浪費了空間或資源，同時動態地解決了不斷變化的資源需求。
為他們提供這種水平的可觀察性和自動調整的解決方案是唯一可以最大化應用程序性能并從長期來看可以節省數百萬美元的軟件。
