Équilibrage de charge en profondeur et autoscale : comment la planification remplace le paramètre du pool d’hôtes
Partenaire · Partenaire neutre : Nerdio
Par Mirko Peters ·
Lorsqu’un plan de mise à l’échelle est affecté à un pool d’hôtes partagé et activé, l’algorithme d’équilibrage de charge de chaque phase de planification remplace le paramètre du pool d’hôtes, indique Learn. Ce guide montre où configurer l’approche en profondeur et comment la vérifier.
Traduit automatiquement par IA à partir de l'article original. Lire l'original en anglais
Lorsqu’un plan de mise à l’échelle est affecté à un pool d’hôtes partagé et activé, l’algorithme d’équilibrage de charge exécuté est celui de la phase de planification, et non celui du pool d’hôtes. Microsoft Learn l’indique pour la phase de montée en charge (« l’préférence d’équilibrage de charge que vous sélectionnez ici remplace celle que vous avez sélectionnée pour les paramètres d’origine du pool d’hôtes ») et précise plus généralement que, pour les pools d’hôtes partagés, l’autoscale ignore l’algorithme d’équilibrage de charge des paramètres du pool d’hôtes et applique l’équilibrage de charge défini dans la configuration de la planification. Ce guide en est la référence champ par champ : le champ d’algorithme de chaque phase, les valeurs qui sont reportées et les vérifications à effectuer ensuite.
Points clés
- Learn indique que l’équilibrage de charge du plan de mise à l’échelle remplace le paramètre du pool d’hôtes et que, pour les pools partagés, l’autoscale remplace le mode de purge tant qu’il est activé pour le pool.
- Chaque phase de planification d’un pool partagé possède son propre champ d’algorithme. Learn recommande l’approche en largeur pour la montée en charge et l’approche en profondeur pour les heures creuses, et propose l’une ou l’autre pour les heures de pointe.
- L’approche en profondeur permet à l’autoscale de regrouper les sessions. Il n’arrête un hôte que si toutes les sessions peuvent tenir sans dépasser le seuil de capacité et si le pourcentage minimal d’hôtes est conservé.
- Les pools d’hôtes partagés utilisant l’autoscale nécessitent une limite maximale de sessions personnalisée. Learn indique de ne pas conserver la valeur par défaut.
- L’autoscale modifie le mode de purge de chaque hôte concerné, quel que soit l’auteur de ce réglage. Utilisez une balise d’exclusion pour soustraire un hôte à la mise à l’échelle.
Ce guide couvre la mise à l’échelle de la gestion de l’alimentation sur les pools partagés, qui est en disponibilité générale. Microsoft a annoncé la disponibilité générale de la gestion améliorée des pools d’hôtes, y compris la mise à l’échelle dynamique, en juillet 2026 (Tech Community), mais certaines pages de Learn comportent encore une mention de préversion, par exemple les pages sur les scénarios et le glossaire ; vérifiez la page actuelle avant de vous fier à une limite. Articles connexes de cette série : « Depth-first load balancing in Azure Virtual Desktop explained », qui traite de l’algorithme lui-même, et « Forcing users to sign out during AVD ramp-down: what happens and what users see », qui traite du comportement de déconnexion.
Où s’opère le remplacement
Un plan de mise à l’échelle contient des planifications, et chaque planification comporte quatre phases. Dans le portail Azure, chaque phase d’un pool partagé possède son propre champ :
| Phase | Champ d’algorithme | Ce que dit Learn |
|---|---|---|
| Ramp-up | Algorithme d’équilibrage de charge | Recommande l’approche en largeur et indique que le choix remplace le paramètre du pool d’hôtes |
| Heures de pointe | Équilibrage de charge | En largeur d’abord ou en profondeur d’abord |
| Descente en puissance | Algorithme d'équilibrage de charge | Aucune recommandation sur la page |
| Heures creuses | Algorithme d'équilibrage de charge | Recommande l’approche en profondeur, afin de réduire progressivement le nombre d’hôtes en fonction des sessions présentes sur chaque VM |
La FAQ de l’autoscale explique le raisonnement : l’approche en largeur dans les deux premières phases assure une répartition homogène des sessions, ce qui, selon Learn, optimise les performances, tandis que l’approche en profondeur dans les deux dernières aide l’autoscale à regrouper les sessions jusqu’au nombre minimal possible d’hôtes de session.
La page des scénarios de Learn utilise la répartition en largeur d’abord (breadth-first) pour la montée en charge, la période de pointe et la période creuse, et la répartition en profondeur d’abord (depth-first) pour la réduction de charge. Ce sont des exemples, pas une règle : suivez donc le texte de la recommandation lorsque vous concevez une planification.
Quelle valeur faire confiance
Learn documente la priorité accordée à la planification : le champ de l’équilibrage de charge propre au pool d’hôtes n’est donc pas le paramètre appliqué lorsque l’autoscale est activé pour le pool. Learn indique qu’un plan de mise à l’échelle prend effet dès son activation, et que si vous avez activé le plan pendant le déploiement, vous pouvez le désactiver pour le pool d’hôtes sélectionné dans le menu Plan de mise à l’échelle, en décochant la case Activer l’autoscale. Notre lecture : tant que l’autoscale est désactivé pour un pool, la planification n’est pas appliquée ; vérifiez alors le paramètre du pool d’hôtes. Cela compte lorsque vous désactivez temporairement l’autoscale, par exemple avant une tâche de maintenance.
N’utilisez pas la page Propriétés du pool d’hôtes pour déterminer quel algorithme s’applique lorsque le plan est activé ; lisez la planification. Pour le confirmer dans votre environnement, créez un pool de test, attribuez un plan avec la répartition en profondeur d’abord en période creuse, puis observez où atterrissent les nouvelles sessions.
Learn indique également que les modifications apportées à un plan déjà attribué à des pools d’hôtes s’appliquent immédiatement. Une modification de la planification est donc un changement en temps réel.
Paramètres qui doivent être cohérents avec la répartition en profondeur d’abord
La répartition en profondeur d’abord ne consolide bien que si les paramètres voisins sont adaptés. Les prérequis et les scénarios de Learn les décrivent.
- Limite de session maximale personnalisée. Learn indique que l’autoscale sur les pools mutualisés nécessite une limite de session maximale configurée, et non la valeur par défaut. La répartition en profondeur d’abord en exige également une. Un pool créé avec la répartition en largeur d’abord conserve la valeur par défaut de 999999, ce qui rendrait le calcul de capacité dénué de sens ; il s’agit d’une déduction tirée de la formule, à remplacer.
- Seuil de capacité. Saisi pendant la montée en charge et repris pendant la période de pointe, où Learn indique qu’il ne peut pas être modifié séparément. La réduction de charge dispose de son propre champ, et la période creuse reprend cette valeur. L’autoscale n’arrête les hôtes que si la capacité utilisée reste inférieure ou égale au seuil.
- Pourcentage minimal d’hôtes. La part minimale d’hôtes qui doit rester active. Learn indique que le résultat est arrondi à l’entier supérieur : dans un pool de sept hôtes, 10 % pendant la montée en charge maintiennent un hôte en service.
- Forcer la déconnexion. S’applique uniquement pendant la réduction de charge. Sans ce paramètre, vous choisissez entre attendre l’absence de sessions actives et déconnectées, ou attendre l’absence de sessions actives.
- Sessions déconnectées. Elles comptent comme des sessions. La FAQ de Learn indique que l’arrêt complet des hôtes exige zéro session, y compris déconnectées, et recommande un délai d’expiration des sessions déconnectées via une stratégie de groupe.
Ce qu’apporte la répartition en profondeur d’abord à la consolidation
Learn décrit la consolidation des sessions comme le processus qu’utilise l’autoscale pendant la réduction de charge et la période creuse pour réduire le nombre d’hôtes en service : il divise le total des sessions, actives et déconnectées, par la limite de session maximale multipliée par le seuil de capacité, puis arrondit à l’entier supérieur. Son scénario 3 applique ce calcul avec la répartition en profondeur d’abord, six hôtes, un seuil de 75 % et une limite de 5 ; le détail figure dans « Forcing users to sign out during AVD ramp-down: what happens and what users see », et le calcul du seuil dans « Choosing the right capacity threshold for pooled host pools ».
Learn présente ce calcul sans le rattacher à un algorithme précis. Notre lecture : l’algorithme détermine où atterrissent les nouvelles sessions, et la consolidation détermine quels hôtes peuvent être arrêtés ; la répartition en profondeur d’abord aide donc, car moins d’hôtes portent des sessions au moment où le calcul s’exécute. Learn ne le formule pas ainsi.
Deux points sont propres à la conception de la planification :
- La déconnexion forcée s’arrête à la phase de réduction. La FAQ indique que l’autoscaling ne force pas les utilisateurs à se déconnecter pendant les heures creuses. Si un hôte est en mode de drainage pendant la réduction et que des utilisateurs sont toujours connectés lorsque la phase passe en heures creuses, l’autoscaling attend que tous les utilisateurs se soient déconnectés avant de désallouer la machine virtuelle. Selon notre lecture, la stratégie en profondeur d’abord pendant les heures creuses ne consolide donc que dans la mesure où les utilisateurs se déconnectent d’eux-mêmes.
- La phase de montée en charge n’éteint pas les hôtes. Le scénario 2 de Learn indique que l’autoscaling de pool ne désactive pas les hôtes de session pendant la montée en charge. Le choix en largeur d’abord à cette étape vise donc à répartir la charge, et non à réaliser des économies.
Étapes : définir la stratégie en profondeur d’abord pour les heures creuses
Learn répertorie ces onglets pour la création ou la modification d’une planification de pool.
- Dans le portail Azure, ouvrez Azure Virtual Desktop, puis Plans de scaling, et sélectionnez le plan.
- Sous la rubrique Gérer, sélectionnez Planifications, puis ouvrez la planification à modifier. Si le plan ne dispose pas encore de planification, créez-en une d’abord.
- Sous Montée en charge, définissez l’heure de début, l’algorithme (en largeur d’abord), le pourcentage minimal d’hôtes et le seuil de capacité.
- Sous Heures de pointe, choisissez l’algorithme en largeur d’abord ou en profondeur d’abord.
- Sous Réduction de charge, définissez l’heure de début, l’algorithme, le pourcentage minimal, le seuil de capacité et la déconnexion forcée des utilisateurs.
- Sous Heures creuses, définissez l’heure de début et choisissez la stratégie en profondeur d’abord. Le seuil de capacité n’est pas défini ici ; la valeur de la phase Réduction de charge est reprise.
- Confirmez la modification. Si le plan est déjà affecté, la modification s’applique immédiatement.
Learn ajoute que, pour les jours non sélectionnés dans une planification, les derniers paramètres des heures creuses sont conservés jusqu’à la prochaine montée en charge. Un paramètre en profondeur d’abord appliqué aux heures creuses du vendredi s’appliquera donc aussi le week-end, en l’absence de planification dédiée.
Exclure un hôte de la logique
Learn indique que, pour les pools d’hôtes en pool, l’autoscaling remplace le mode de drainage, et sa FAQ précise que cela vaut quelle que soit la personne ayant placé l’hôte en mode de drainage. Pour exclure un hôte, utilisez une balise d’exclusion ; la configuration est détaillée dans « Balises d’exclusion dans l’autoscaling AVD : garder des machines virtuelles individuelles hors de la mise à l’échelle ». Pour la stratégie en profondeur d’abord, notez que l’autoscaling ne démarre, n’arrête ni ne draine un hôte balisé, même si Learn indique que les hôtes balisés comptent toujours dans le pourcentage minimal d’hôtes. Selon notre lecture, les sessions placées sur un hôte balisé ne sont pas consolidées ailleurs ; Learn ne précise pas si les hôtes balisés entrent dans le calcul de consolidation.
Vérifications après la modification
- Vérifiez que la limite maximale de sessions du pool d’hôtes est une valeur personnalisée.
- Pendant les heures creuses, consultez le nombre de sessions par hôte dans Insights. Notre recommandation : les sessions doivent se concentrer sur peu d’hôtes ; il s’agit d’un contrôle pratique, et non d’une affirmation de Learn.
- Pendant la réduction de charge, vérifiez si les hôtes passent en mode de drainage puis s’arrêtent.
- Recherchez les sessions déconnectées qui maintiennent les hôtes en activité.
- Vérifiez que l’autoscaling est activé pour le pool d’hôtes ; s’il est désactivé, la planification ne gère pas le placement des sessions.
- Réexaminez la planification chaque fois que quelqu’un modifie l’algorithme du pool d’hôtes, afin de ne pas supposer que les deux concordent.
Sources
- Microsoft Learn : Créer et attribuer un plan de mise à l'échelle automatique pour Azure Virtual Desktop
- Microsoft Learn : Plans de mise à l'échelle automatique et exemples de scénarios dans Azure Virtual Desktop
- Microsoft Learn : FAQ sur la mise à l’échelle automatique d’Azure Virtual Desktop
- Microsoft Learn : glossaire de la mise à l’échelle automatique pour Azure Virtual Desktop
- Microsoft Learn : Configurer l’équilibrage de charge des pools d’hôtes dans Azure Virtual Desktop
- Microsoft Tech Community : La gestion améliorée des pools d'hôtes pour Azure Virtual Desktop est désormais généralement disponible
FAQ
Si je définis l’approche en profondeur sur le pool d’hôtes, sera-t-elle toujours appliquée une fois qu’un plan de mise à l’échelle est affecté et activé ?
Microsoft Learn indique que la préférence sélectionnée dans la planification remplace le paramètre du pool d’hôtes et que, pour les pools d’hôtes partagés, l’autoscale ignore l’algorithme du pool d’hôtes et applique l’équilibrage de charge défini dans la configuration de sa planification. Learn précise également qu’un plan de mise à l’échelle prend effet dès son activation, et décrit une option permettant de désactiver le plan pour un pool d’hôtes sélectionné. Tant que l’autoscale est activé, c’est la planification qui fait foi, et non le paramètre du pool d’hôtes ; pour le confirmer dans votre environnement, créez un pool de test et observez où atterrissent les nouvelles sessions.
Quelles phases doivent utiliser l’approche en profondeur ?
L’article de Learn consacré aux plans de mise à l’échelle recommande l’approche en profondeur pour les heures creuses et l’approche en largeur pour la montée en charge, et autorise l’une ou l’autre pour les heures de pointe. Sa FAQ suggère l’approche en profondeur pour la réduction de charge et les heures creuses, afin que l’autoscale puisse regrouper les sessions sur le nombre minimal d’hôtes.
Cela 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. Les planifications personnelles définissent plutôt l’action à effectuer lorsqu’une session est déconnectée ou fermée.