Breadth-first ou depth-first : quel algorithme d’équilibrage de charge choisir pour un pool d’hôtes
Partenaire · Partenaire neutre : Nerdio
Par Mirko Peters ·
Utilisez breadth-first lorsque l’expérience utilisateur passe en premier, et depth-first lorsque vous souhaitez concentrer les sessions sur le moins possible d’hôtes de session afin de pouvoir éteindre les autres. Ce guide présente les critères de décision, un exemple détaillé pour chacun des deux algorithmes et les étapes pour modifier ce paramètre.
Traduit automatiquement par IA à partir de l'article original. Lire l'original en anglais
Choisissez breadth-first lorsque la priorité est un bureau réactif pour chaque utilisateur, et depth-first lorsque la priorité est de faire fonctionner le moins possible d’hôtes de session. Microsoft Learn énonce la même répartition : breadth-first convient aux organisations qui privilégient l’expérience utilisateur, tandis que depth-first convient aux organisations soucieuses des coûts qui souhaitent un contrôle précis sur le nombre d’hôtes sous tension. Ce guide transforme cette répartition en critères, en exemple détaillé et en étapes de modification du paramètre.
Points clés
- Learn présente breadth-first comme le choix lorsque l’expérience utilisateur compte avant tout, et depth-first pour les organisations soucieuses des coûts qui souhaitent contrôler le nombre d’hôtes sous tension.
- Depth-first exige une limite maximale de sessions. Breadth-first n’en exige pas, et sa limite par défaut de 999999 est également la valeur la plus élevée que vous puissiez définir.
- Breadth-first choisit au hasard parmi la moitié des hôtes éligibles comptant le moins de sessions, de sorte que les sessions peuvent être inégalement réparties. Depth-first choisit l’hôte éligible qui compte le plus de sessions.
- Les deux algorithmes renvoient un utilisateur disposant d’une session active ou déconnectée vers cet hôte, même s’il est en mode de drainage. L’équilibrage de charge ne s’applique pas aux pools d’hôtes personnels.
- Vous pouvez modifier l’algorithme à tout moment. Si un plan de mise à l’échelle est attribué, Learn indique que la mise à l’échelle automatique applique l’algorithme défini dans la planification, et non le paramètre du pool d’hôtes.
Il couvre uniquement les pools d’hôtes partagés, car Learn indique que l’équilibrage de charge ne s’applique pas aux pools d’hôtes personnels. Le fonctionnement interne de chaque algorithme est expliqué dans « Breadth-first load balancing in Azure Virtual Desktop explained » et « Depth-first load balancing in Azure Virtual Desktop explained » ; cet article les compare. Les sources sont listées à la fin.
Comment les deux algorithmes choisissent un hôte
Les deux algorithmes s’exécutent lorsqu’un utilisateur sans session existante lance une connexion. Ils diffèrent par l’hôte qu’ils sélectionnent.
| Breadth-first | Depth-first | |
|---|---|---|
| Objectif | Répartir les nouvelles sessions entre les hôtes | Remplir un hôte jusqu’à sa limite avant de passer au suivant |
| Règle de sélection | Interroger les hôtes qui acceptent de nouvelles connexions, puis choisir au hasard parmi la moitié de ceux qui comptent le moins de sessions | Interroger les hôtes qui acceptent de nouvelles connexions et n’ont pas atteint la limite, puis choisir l’hôte qui compte le plus de sessions ; en cas d’égalité, le premier hôte de la requête |
| Limite maximale de session | Non requise | Obligatoire |
| Adéquation indiquée par Learn | L’expérience utilisateur, car le processeur, la mémoire et le disque sont généralement moins sollicités | Le coût, car moins d’hôtes doivent rester sous tension |
Exemple de Learn pour breadth-first : avec neuf hôtes comptant de 11 à 19 sessions, une nouvelle session peut être attribuée à l’un des cinq hôtes comptant le moins de sessions. Elle n’est pas toujours attribuée à l’hôte le plus vide, et Learn précise qu’en raison de la randomisation, les sessions peuvent ne pas être réparties uniformément.
Règles communes aux deux algorithmes
- Un utilisateur qui dispose déjà d’une session active ou déconnectée dans le pool est renvoyé vers cet hôte, même si le mode de drainage est activé pour celui-ci.
- Un utilisateur sans session n’est jamais dirigé vers un hôte en mode de drainage.
- Diminuer la limite maximale de sessions sur un hôte disposant de sessions actives n'affecte pas ces sessions.
- La page de terminologie de Learn indique que, lorsque la charge de connexions simultanées est élevée, le nombre de sessions sur un hôte peut dépasser la limite. Considérez donc cette limite comme la valeur vers laquelle l'algorithme tend, et non comme une garantie.
Exemple détaillé : 4 hôtes, limite de 10, 25 utilisateurs
Les valeurs ci-dessous sont une illustration construite à partir des règles de sélection décrites plus haut, et non un exemple de Learn.
Remplissage en profondeur (depth-first). Les quatre hôtes démarrent vides : le premier utilisateur est donc à égalité et part sur le premier hôte renvoyé par la requête, que nous appellerons H1. Learn ne définit pas l'ordre de la requête, et H1 à H4 ne sont que des étiquettes. Ensuite, H1 compte le plus de sessions parmi les hôtes sous la limite, de sorte que les sessions 2 à 10 arrivent aussi sur H1. H2 prend les 10 suivantes, et H3 prend les 5 dernières. H4 reste vide. Si H1 et H2 sont saturés à 10 et qu'un 26e utilisateur arrive, c'est H3 qui le reçoit.
Répartition en largeur (breadth-first). Chaque nouvelle session est affectée à un hôte choisi au hasard parmi les deux qui comptent le moins de sessions. Avec 25 utilisateurs et 4 hôtes, la moyenne est d'environ 6 sessions par hôte. Comme les nouvelles sessions ne vont qu'aux deux hôtes les moins chargés, les effectifs restent proches, en général 6 ou 7 par hôte dans cet exemple (calcul personnel). Learn précise toutefois que la répartition n'est pas garantie d'être uniforme. Les écarts se creusent dans les pools réels, car les utilisateurs se déconnectent à des moments différents (lecture personnelle).
Ce que cela signifie concrètement :
- Avec le remplissage en profondeur, H4 ne porte aucune session et devient un candidat à l'extinction. C'est l'argument de coût avancé par Learn.
- Avec la répartition en largeur, les quatre hôtes portent tous une charge, donc aucun n'est candidat à l'arrêt tant que les sessions ne sont pas terminées.
- Avec le remplissage en profondeur, le premier hôte est le plus sollicité. Les recommandations de dimensionnement de Learn indiquent que l'ouverture de session est gourmande en CPU et qu'il faut anticiper les schémas de connexion, comme le début de la journée de travail, où de nombreux utilisateurs se connectent en même temps. Une rafale de connexions sur un pool en remplissage en profondeur est donc dirigée vers l'hôte déjà le plus chargé. Il s'agit d'une déduction à partir de ces deux affirmations : vérifiez-la lors d'un pilote.
Critères de décision
| Question | Plutôt pour la répartition en largeur | Plutôt pour le remplissage en profondeur |
|---|---|---|
| Qu'est-ce qui compte le plus : le temps de réponse ou le coût d'exploitation ? | Temps de réponse | Coût d'exploitation |
| Souhaitez-vous que les hôtes inactifs soient retirés pendant que d'autres portent encore des utilisateurs ? | Les sessions restent réparties sur tous les hôtes en cours d'exécution, donc moins d'hôtes se vident (lecture personnelle de la règle de sélection) | Les hôtes suivants restent vides et sont plus faciles à réduire (Learn) |
| Pouvez-vous définir et maintenir une limite de sessions réaliste ? | La limite est facultative | La limite est obligatoire et doit correspondre à la charge de travail |
| La charge de travail est-elle lourde par utilisateur ? | La répartition réduit la contention, ce que Learn cite comme raison principale | Une limite basse est nécessaire pour qu'un hôte rempli ne soit pas surchargé (déduction) |
| Les utilisateurs se connectent-ils en rafale courte ? | La rafale est répartie sur les hôtes (déduction) | La rafale frappe d'abord un seul hôte (déduction) |
La page Learn consacrée à l'équilibrage de charge ajoute une remarque pour le remplissage en profondeur : pour garantir une bonne expérience utilisateur, modifiez la limite maximale de sessions afin qu'elle corresponde à vos besoins. Les valeurs de départ par vCPU, la recommandation de 20 utilisateurs et la mise en garde selon laquelle la page de dimensionnement de Learn n'est pas entièrement cohérente figurent dans « Comment dimensionner la limite maximale de sessions par hôte de session ». L'article sur le remplissage en profondeur reprend les mêmes points de départ. Learn les présente comme des recommandations génériques, à utiliser uniquement pour des estimations initiales de performances. Pour la planification de capacité, Learn décrit une approche par pilote et une approche par simulation.
Étapes pour modifier l'algorithme
Vous avez besoin du rôle Desktop Virtualization Host Pool Contributor.
- Connectez-vous au portail Azure et ouvrez Azure Virtual Desktop.
- Sélectionnez Pools d'hôtes, puis sélectionnez le pool d'hôtes concerné.
- Sélectionnez Propriétés.
- Choisissez l'algorithme dans Algorithme d'équilibrage de charge. Saisissez une valeur dans Limite maximale de session.
- Sélectionnez Enregistrer.
Learn propose aussi des onglets Azure PowerShell et Azure CLI pour ce paramètre, qui nécessitent le module Az.DesktopVirtualization ou l'extension CLI desktopvirtualization. Les commandes figurent sur la page Learn et ne sont pas reprises ici.
Si vous choisissez la répartition en largeur lors de la création d'un pool d'hôtes, la limite par défaut est 999999, qui est aussi la valeur maximale autorisée. Pour le remplissage en profondeur, définissez un nombre adapté à votre charge de travail.
Que faire lorsque le remplissage en profondeur n'a plus de place
Microsoft Learn signale ce point comme important : lorsque tous les hôtes atteignent la limite maximale de sessions, vous devez soit augmenter cette limite, soit ajouter des hôtes de session. Le mode en profondeur d'abord ne retient que les hôtes situés sous la limite, si bien qu'aucun candidat ne subsiste (notre lecture de la règle de sélection). Learn ne précise pas ce que voient les utilisateurs. Utilisez Azure Virtual Desktop Insights pour suivre le nombre de sessions par hôte et les performances des hôtes, c'est-à-dire la supervision que Learn recommande pour choisir la limite.
Interaction avec la mise à l'échelle automatique
Si vous utilisez un plan de mise à l'échelle, l'algorithme est défini par phase dans la planification. La page des scénarios de mise à l'échelle automatique de Learn indique que, pour les pools d'hôtes mutualisés, la mise à l'échelle automatique ignore l'algorithme défini dans les paramètres du pool d'hôtes et applique celui de la configuration de la planification. L'article sur le plan de mise à l'échelle dit la même chose pour la montée en charge : la préférence sélectionnée remplace le paramètre initial du pool d'hôtes. Il recommande l'algorithme en largeur d'abord pour la montée en charge et en profondeur d'abord pour les heures creuses. Le pic accepte l'un ou l'autre algorithme, et l'onglet de descente en charge comporte un champ d'équilibrage de charge sans recommandation.
La FAQ de Learn sur la mise à l'échelle automatique explique pourquoi : la répartition en largeur d'abord distribue uniformément les sessions en début de journée, tandis que la répartition en profondeur d'abord permet à la mise à l'échelle automatique de consolider les sessions jusqu'à atteindre le nombre minimal possible d'hôtes. Le glossaire de la mise à l'échelle automatique décrit cette consolidation comme la division du nombre total de sessions, connectées et déconnectées, par la limite maximale de sessions multipliée par le seuil de capacité, arrondi au nombre supérieur. Cet article traite de la mise à l'échelle automatique de la gestion de l'alimentation, que la page des scénarios présente comme généralement disponible. Pour un pool doté d'un plan de mise à l'échelle, le choix se fait en pratique dans la planification ; l'article « Depth-first load balancing and autoscale: how the schedule overrides the host pool setting » détaille les paramètres de planification.
Pour la mise à l'échelle automatique d'un pool d'hôtes mutualisé, Learn recommande de configurer une limite maximale de sessions personnalisée plutôt que d'utiliser la valeur par défaut.
Une courte procédure de sélection
- Formulez la priorité en une seule phrase : expérience utilisateur ou coût.
- Indiquez combien d'hôtes vous pourriez éteindre pendant la période la plus calme si les sessions étaient regroupées.
- Choisissez une limite à partir des valeurs de départ par vCPU recommandées par Learn et de votre propre charge de travail.
- Commencez par l'algorithme correspondant à votre priorité, et lancez un groupe pilote.
- Comparez le nombre de sessions par hôte et les performances signalées par les utilisateurs dans Insights.
- Modifiez l'algorithme si le pilote donne un autre résultat. Learn indique que vous pouvez le faire à tout moment.
Sources
- Microsoft Learn : Configurer l’équilibrage de charge des pools d’hôtes dans Azure Virtual Desktop
- Microsoft Learn : Terminologie d’Azure Virtual Desktop
- Microsoft Learn : Recommandations dimensionnement des machines virtuelles hôtes de session
- Microsoft Learn : Créer et attribuer un plan de mise à l'échelle automatique pour Azure Virtual Desktop
- Microsoft Learn : FAQ sur la mise à l’échelle automatique d’Azure Virtual Desktop
- Microsoft Learn : scénarios de mise à l’échelle automatique pour Azure Virtual Desktop
- Microsoft Learn : glossaire de la mise à l’échelle automatique pour Azure Virtual Desktop
FAQ
Puis-je passer ultérieurement de breadth-first à depth-first ?
Oui. Microsoft Learn indique qu’un seul algorithme peut être configuré à la fois pour un pool d’hôtes partagé, mais que vous pouvez le modifier à tout moment. Learn ne décrit pas ce qui se passe pour les sessions déjà en cours. Testez donc la modification sur un pool pilote au préalable.
Pourquoi depth-first nécessite-t-il une limite maximale de sessions ?
Depth-first remplit un hôte jusqu’à atteindre sa limite, puis passe au suivant. Sans limite, il n’existe donc aucun seuil à partir duquel passer à l’hôte suivant. Learn précise que cette limite est obligatoire et que, lorsque tous les hôtes l’ont atteinte, vous devez soit l’augmenter, soit ajouter des hôtes.
L’algorithme s’applique-t-il aux pools d’hôtes personnels ?
Non. Learn indique que l’équilibrage de charge ne s’applique pas aux pools d’hôtes personnels, car chaque utilisateur est associé en relation 1:1 à un hôte de session. Les pools personnels utilisent à la place une attribution automatique ou directe.