M365Con 2027 – conferencia online gratuita · 11–22 Jan 2027 · 120 sessions m365con.net

Blog · Mirko Peters

Equilibrio de carga por amplitud en Azure Virtual Desktop explicado

Socio · Socio neutral: Nerdio

Por ·

El equilibrio de carga por amplitud envía cada nueva sesión a un host de sesión elegido al azar entre la mitad de los hosts de sesión disponibles que tienen menos sesiones. No necesita un límite máximo de sesiones, pero el escalado automático sí necesita uno personalizado.

Traducido automáticamente con IA a partir de la publicación original. Lee el original en inglés

El equilibrio de carga por amplitud en Azure Virtual Desktop envía cada nueva sesión de usuario a un host de sesión elegido al azar entre la mitad de los hosts disponibles que actualmente tienen menos sesiones. Su objetivo es repartir a los usuarios por todo el grupo para que la CPU, la memoria y el disco de cada host estén, en general, menos saturados. Además, no requiere un límite máximo de sesiones. La comparativa entre el algoritmo por amplitud y el de profundidad se trata en otro artículo de esta serie.

Puntos clave

  • El algoritmo por amplitud consulta los hosts de sesión que permiten nuevas conexiones y elige uno al azar entre la mitad con menos sesiones. Por tanto, la distribución está equilibrada, pero no es estrictamente uniforme.
  • El límite máximo de sesiones es opcional con el algoritmo por amplitud. Cuando se crea un grupo de hosts con este algoritmo, el valor predeterminado es 999999, que es el valor más alto posible.
  • Learn describe el algoritmo por amplitud como una forma de optimizar el rendimiento de las sesiones, porque los recursos de los hosts suelen estar menos saturados, y el algoritmo por profundidad como la opción para organizaciones que priorizan el coste.
  • Ambos algoritmos siguen dirigiendo a un usuario que regresa al host que tiene su sesión activa o desconectada, incluso si el modo de drenaje está activado, y omiten los hosts en drenaje para los usuarios nuevos.
  • Con el escalado automático, Learn recomienda el algoritmo por amplitud para la fase de aumento de carga. El algoritmo de aumento de carga de la programación sustituye la configuración del grupo de hosts, y debes establecer un límite máximo de sesiones personalizado.

Cómo se elige un host

Learn describe el algoritmo en dos pasos. Primero consulta los hosts de sesión del grupo que permiten nuevas conexiones. Después selecciona un host al azar de la mitad de ese conjunto, tomando los hosts con menos sesiones.

Ejemplo propio de Learn: nueve hosts de sesión tienen 11, 12, 13, 14, 15, 16, 17, 18 y 19 sesiones. Una nueva sesión no va automáticamente al host con 11. Puede ir a cualquiera de los cinco primeros hosts, los que tienen menos sesiones, elegido al azar. Learn señala la consecuencia: debido a la aleatoriedad, es posible que algunas sesiones no se distribuyan de forma uniforme entre todos los hosts de sesión.

Reglas compartidas con el algoritmo por profundidad

Learn enumera tres comportamientos que comparten ambos algoritmos. Los más importantes para el algoritmo por amplitud son estos: un usuario que ya tiene una sesión activa o desconectada se redirige al host con esa sesión al volver a iniciar sesión, aunque el modo de drenaje esté activado en ese host, mientras que para un usuario sin sesión el equilibrador de carga no tiene en cuenta un host en drenaje. El artículo comparativo de esta serie explica las tres reglas en detalle. Puedes configurar un algoritmo a la vez por grupo de hosts agrupado y cambiarlo en cualquier momento.

El límite máximo de sesiones

Learn dice que no hace falta especificar un límite máximo de sesiones para breadth-first. Sin embargo, el límite máximo de sesiones sigue existiendo. Si usas breadth-first al crear un grupo de hosts por primera vez, el valor predeterminado es 999999, que además es el número más alto posible. La página de implementación indica que introduzcas el número máximo de usuarios que quieres equilibrar con carga en un único host de sesión, y la página de terminología añade que, con una carga alta de conexiones simultáneas, cuando varios usuarios se conectan al mismo tiempo, el número de sesiones en un host de sesión puede superar el límite. Learn también indica que, si reduces el límite en un host de sesión que tiene sesiones de usuario activas, el cambio no afecta a esas sesiones.

El escalado automático cambia esto. La página de creación y asignación indica que, cuando usas escalado automático para un grupo de hosts agrupado, debes configurar un MaxSessionLimit personalizado y no puedes usar el valor predeterminado. El glosario de escalado automático de Learn define las cifras que intervienen: la capacidad disponible del grupo de hosts es el límite máximo de sesiones multiplicado por el número de hosts de sesión disponibles, y la capacidad utilizada del grupo de hosts es el número de sesiones activas y desconectadas dividido entre esa capacidad. El propio ejemplo de la página de creación y asignación: dos hosts de sesión con un límite de 20 sesiones dan una capacidad disponible de 40 sesiones; con un umbral de capacidad del 75 %, el escalado automático activa un tercer host cuando los hosts superan las 30 sesiones, y la capacidad pasa a ser 60.

Breadth-first y escalado automático

Un plan de escalado establece un algoritmo de equilibrio de carga por fase. La página de escenarios indica que, para grupos de hosts agrupados, el escalado automático ignora el algoritmo de la configuración del grupo de hosts y aplica el equilibrio de carga según la programación, y la página de creación y asignación indica que la preferencia elegida en la programación sobrescribe la de la configuración original del grupo de hosts. Esa misma página recomienda breadth-first para la fase de aumento, para distribuir a los usuarios entre los hosts existentes y mantener rápidos los tiempos de acceso. La preguntas frecuentes sobre escalado automático incluyen un ejemplo para todo el día: breadth-first en las fases de aumento y de pico, y depth-first en las fases de descenso y fuera de pico, para que el escalado automático pueda consolidar sesiones.

Consulta fases de la programación de escalado automático para ver cómo se definen las fases de una programación.

El primer escenario de escalado automático de Learn usa breadth-first en la fase de aumento. El grupo tiene seis hosts de sesión, un umbral de capacidad del 30 %, un porcentaje mínimo de hosts del 30 % y un límite máximo de sesiones de 5. El escalado automático inicia dos hosts para cumplir el mínimo, porque el 30 % de seis es 1,8, que se redondea hacia arriba a dos. La capacidad disponible es 10.

  1. Inician sesión tres usuarios. Como el algoritmo es breadth-first, sus sesiones se distribuyen entre los dos hosts en ejecución. La capacidad utilizada es del 30 %, que no supera el umbral, así que el escalado automático no inicia ningún host.
  2. Inicia sesión un cuarto usuario. La capacidad utilizada es del 40 %, por encima del umbral, así que el escalado automático inicia un tercer host. La capacidad sube a 15 y la capacidad utilizada baja al 27 %.
  3. Un quinto usuario lleva el uso al 33 %, así que se inicia un cuarto host. Con 5 sesiones en 4 hosts, la capacidad es 20 y el uso es del 25 %.

La tabla de Learn continúa a partir de ahí: 6 sesiones en 4 hosts equivalen al 30 %, así que no se inicia nada, y 7 sesiones en 4 hosts equivalen al 35 %, así que se inicia un quinto host y la capacidad pasa a ser 25 (28 %). Como el límite en este ejemplo es 5, cada host añade 5 a la capacidad disponible.

Coste y rendimiento

Learn plantea directamente el compromiso. Breadth-first se describe como ideal para organizaciones que quieren priorizar la experiencia del usuario, porque los recursos del host como CPU, memoria y disco suelen estar menos saturados. Depth-first se describe como ideal para organizaciones sensibles al coste, porque saturar un host cada vez facilita reducir el número de hosts encendidos cuando hay menos usuarios con sesión iniciada.

Los dos algoritmos pueden combinarse en un mismo plan de escalado, como muestra el ejemplo de las preguntas frecuentes del escalado automático que se describe en la sección de breadth-first y escalado automático, más arriba. Lo que hace el escalado automático en la fase de descenso, incluido el cierre forzado de sesión y dejar cero hosts en ejecución fuera del horario laboral, se trata en los artículos de depth-first y de plan de escalado de esta serie; consulta también la entidad plan de escalado.

Cómo configurarlo

Necesitas el rol Colaborador de grupo de hosts de Desktop Virtualization. En Azure Portal:

  1. Busca y selecciona Azure Virtual Desktop, luego selecciona Host pools y el grupo de hosts.
  2. Selecciona Propiedades.
  3. En Load balancing algorithm, elige breadth-first en la lista desplegable y, en Max session limit, introduce un valor.
  4. Selecciona Guardar.

En PowerShell, Update-AzWvdHostPool acepta -LoadBalancerType y -MaxSessionLimit. La página de Learn sobre equilibrio de carga muestra cómo establecer breadth-first sin cambiar el límite máximo de sesiones:

$parameters = @{
    Name              = '<HostPoolName>'
    ResourceGroupName = '<ResourceGroupName>'
    LoadBalancerType  = 'BreadthFirst'
}
Update-AzWvdHostPool @parameters

Para comprobar el resultado, la misma página usa Get-AzWvdHostPool @parameters | Format-Table Name, LoadBalancerType, MaxSessionLimit. El equivalente en la CLI de Azure es az desktopvirtualization hostpool update --resource-group <ResourceGroupName> --name <HostPoolName> --load-balancer-type BreadthFirst. Learn presenta el bloque de PowerShell como una forma de establecer breadth-first "sin ajustar el límite máximo de sesiones", por lo que el límite existente se mantiene. Si quieres establecer también un límite, añade -MaxSessionLimit con tu propio valor. Los ejemplos de depth-first de Learn lo fijan en 10, como MaxSessionLimit = '10' en PowerShell y --max-session-limit 10 en la CLI de Azure. La sección de depth-first de Learn indica que puedes usar Azure Virtual Desktop Insights para supervisar el número de sesiones en cada host de sesión y revisar el rendimiento de los hosts de sesión para ayudar a determinar el límite máximo de sesiones. Para uso local, Learn enumera como requisitos previos la extensión de la CLI de Azure desktopvirtualization o el módulo de PowerShell Az.DesktopVirtualization.

Cuándo esperar sorpresas

  • Modo de drenaje con escalado automático. En los grupos de hosts agrupados, Learn indica que el escalado automático sobrescribe el modo de drenaje en las VM incluidas en el escalado, así que usa etiquetas de exclusión para las VM que quieras dejar intactas, por ejemplo mientras las actualizas. La página de escenarios de escalado automático y las preguntas frecuentes sobre el escalado automático lo indican ambas, así que comprueba la etiqueta de exclusión en cualquier host que parezca cambiar de estado inesperadamente.

Relacionado

Fuentes

Seguir el podcastApple PodcastsSpotify

Preguntas frecuentes

¿El algoritmo por amplitud es el algoritmo de equilibrio de carga predeterminado?

El portal ofrece ambos algoritmos al crear un grupo de hosts agrupado. La página de implementación de Learn indica que elijas por amplitud o por profundidad según tu patrón de uso. La página de equilibrio de carga de Learn no menciona un algoritmo predeterminado. Sí indica que, si usas el algoritmo por amplitud al crear un grupo de hosts por primera vez, el límite máximo de sesiones se establece en 999999 por defecto, que también es el valor más alto que puedes configurar.

¿El algoritmo por amplitud distribuye las sesiones de forma exactamente uniforme?

No. Microsoft Learn indica que el algoritmo elige al azar entre la mitad de los hosts disponibles con menos sesiones. Por tanto, una nueva sesión no va automáticamente al host con menor carga y es posible que algunas sesiones no se distribuyan de forma uniforme.

¿Los grupos de hosts personales usan el algoritmo por amplitud?

No. Learn indica que el equilibrio de carga no se aplica a los grupos de hosts personales, porque los usuarios siempre tienen una asignación 1:1 con un host de sesión. Solo los grupos de hosts agrupados usan el algoritmo por amplitud o por profundidad.

Entidades en este artículo

Temas de este artículo:

Breadth-first load balancing (Azure Virtual Desktop) – Subtema de Host pool (Azure Virtual Desktop) Host pool (Azure Virtual Desktop) – Subtema de Azure Virtual Desktop

Artículos relacionados

Más artículos sobre Host pool (Azure Virtual Desktop):

RSS