איזון עומסים לפי רוחב (Breadth-first) ב-Azure Virtual Desktop
שותף · שותף ניטרלי: Nerdio
By Mirko Peters ·
איזון עומסים לפי רוחב שולח כל סשן חדש למארח סשן שנבחר באקראי מתוך החצי של מארחי הסשן הזמינים שיש בהם הכי מעט סשנים. האלגוריתם אינו דורש מגבלת סשנים מקסימלית, אבל autoscale דורש הגדרה של מגבלה מותאמת אישית.
Automatically translated with AI from the original post. Read the English original
איזון עומסים לפי רוחב ב-Azure Virtual Desktop שולח כל סשן משתמש חדש למארח סשן שנבחר באקראי מתוך החצי של המארחים הזמינים שיש בהם כרגע את מספר הסשנים הנמוך ביותר. המטרה היא לפזר את המשתמשים על פני המאגר, כך שהמעבד, הזיכרון והדיסק בכל מארח יהיו בדרך כלל פחות מוגבלים, והוא אינו דורש מגבלת סשנים מקסימלית. ההשוואה המעשית בין breadth-first ל-depth-first מופיעה במאמר נפרד בסדרה הזו.
עיקרי הדברים
- breadth-first שואל את מארחי הסשן שמאפשרים חיבורים חדשים ובוחר אחד מהם באקראי מתוך החצי עם מספר הסשנים הנמוך ביותר. לכן הפיזור מאוזן, אך לא שווה בדיוק.
- מגבלת סשנים מקסימלית היא אופציונלית עבור breadth-first. כאשר נוצר מאגר עם breadth-first, ברירת המחדל היא 999999, שהוא הערך הגבוה ביותר האפשרי.
- Learn מתאר את breadth-first כאלגוריתם שמייעל את ביצועי הסשנים, מכיוון שמשאבי המארחים בדרך כלל פחות מוגבלים, ואת depth-first כבחירה לארגונים שמקפידים על עלויות.
- שני האלגוריתמים עדיין מנתבים משתמש שחוזר למארח שבו נמצא הסשן הפעיל או המנותק שלו, גם אם מצב drain מופעל, ומדלגים על מארחים במצב drain עבור משתמשים חדשים.
- בשימוש ב-autoscale, Learn ממליץ על breadth-first בשלב ה-ramp-up. אלגוריתם ה-ramp-up בלוח הזמנים דורס את הגדרת מאגר המארחים, ויש להגדיר מגבלת סשנים מקסימלית מותאמת אישית.
איך נבחר מארח
Learn מתאר את האלגוריתם בשני שלבים. ראשית, הוא שואל את מארחי הסשן במאגר המארחים שמאפשרים חיבורים חדשים. לאחר מכן, הוא בוחר מארח באקראי מתוך החצי של הקבוצה הזו, תוך לקיחת המארחים עם מספר הסשנים הנמוך ביותר.
הדוגמה של Learn עצמו: לתשעה מארחי סשן יש 11, 12, 13, 14, 15, 16, 17, 18 ו-19 סשנים. סשן חדש אינו מנותב אוטומטית למארח עם 11 סשנים. הוא יכול להגיע לכל אחד מחמשת המארחים הראשונים, אלו עם מספר הסשנים הנמוך ביותר, באקראי. Learn מציין את התוצאה: בשל הרנדומליות, חלק מהסשנים עשויים שלא להתחלק באופן שווה בין כל מארחי הסשן.
כללים משותפים עם depth-first
Learn מציין שלושה כללים התנהגותיים המשותפים לשני האלגוריתמים. החשובים ביותר ל-breadth-first: משתמש שכבר יש לו סשן פעיל או מנותק מנותב למארח עם הסשן הזה בעת כניסה חוזרת, גם אם drain mode מופעל עבור אותו מארח, ואילו למשתמש ללא סשן איזון העומסים אינו מתחשב במארח במצב drain. המאמר ההשוואתי בסדרה הזו עובר על שלושת הכללים. ניתן להגדיר אלגוריתם אחד בכל זמן עבור כל מאגר מארחים משותף, ולשנות אותו בכל עת.
מגבלת הסשנים המקסימלית
Learn קובע שאין צורך לציין מגבלת סשנים מקסימלית עבור breadth-first. המגבלת סשנים מקסימלית עדיין קיימת, עם זאת. אם משתמשים ב-breadth-first בעת יצירת מאגר מארחים לראשונה, ערך ברירת המחדל הוא 999999, שהוא גם המספר הגבוה ביותר האפשרי. דף הפריסה מורה להזין את המספר המקסימלי של משתמשים שברצונכם לאזן עומסים אליהם במארח סשן יחיד, ודף המונחים מוסיף שתחת עומס חיבורים מקבילים גבוה, כאשר מספר משתמשים מתחברים בו-זמנית, מספר הסשנים במארח סשן יכול לעבור את המגבלה. Learn גם קובע שאם מורידים את המגבלה במארח סשן בזמן שיש עליו סשנים פעילים של משתמשים, השינוי לא משפיע על אותם סשנים.
אוטוסקיילינג משנה את התמונה. דף היצירה וההקצאה קובע שכאשר משתמשים באוטוסקיילינג עבור מאגר מארחים משותף, חייבים להגדיר MaxSessionLimit מותאם אישית ואסור להשתמש בברירת המחדל. מילון המונחים של אוטוסקיילינג ב-Learn מגדיר את המספרים המעורבים: קיבולת זמינה של מאגר המארחים היא מגבלת הסשנים המקסימלית כפול מספר מארחי הסשן הזמינים, וקיבולת מאגר המארחים בשימוש היא מספר הסשנים הפעילים והמנותקים חלקי הקיבולת הזו. הדוגמה של דף היצירה וההקצאה עצמו: שני מארחי סשן עם מגבלה של 20 סשנים נותנים קיבולת זמינה של 40 סשנים; עם סף קיבולת של 75 אחוזים, אוטוסקיילינג מפעיל מארח שלישי כשלמארחים יש יותר מ-30 סשנים, והקיבולת הופכת ל-60.
Breadth-first ואוטוסקיילינג
תוכנית סקיילינג מגדירה אלגוריתם איזון עומסים לכל שלב. דף התרחישים קובע שעבור מאגרי מארחים משותפים, אוטוסקיילינג מתעלם מהאלגוריתם בהגדרות מאגר המארחים ומיישם איזון עומסים לפי לוח הזמנים, ודף היצירה וההקצאה קובע שההעדפה שנבחרה בלוח הזמנים גוברת על ההעדפה בהגדרות המקוריות של מאגר המארחים. אותו דף ממליץ על breadth-first לשלב העלייה, כדי לחלק את המשתמשים בין המארחים הקיימים ולשמור על זמני גישה מהירים. דוגמה של שאלות נפוצות על אוטוסקיילינג נותנת תבנית ליום שלם: breadth-first בשלבי העלייה והשיא, ו-depth-first בשלבי הירידה והשעות שמחוץ לשיא, כדי שאוטוסקיילינג יוכל לאחד סשנים.
ראו שלבי לוח הזמנים של אוטוסקיילינג להגדרה של השלבים בלוח זמנים.
התרחיש הראשון של Learn באוטוסקיילינג משתמש ב-breadth-first בשלב העלייה. במאגר שישה מארחי סשן, סף קיבולת של 30 אחוזים, אחוז מינימלי של 30 אחוזים מהמארחים ומגבלת סשנים מקסימלית של 5. אוטוסקיילינג מפעיל שני מארחים כדי לעמוד במינימום, מכיוון ש-30 אחוזים משישה הם 1.8, מעוגלים כלפי מעלה לשניים. הקיבולת הזמינה היא 10.
- שלושה משתמשים מתחברים. מכיוון שהאלגוריתם הוא breadth-first, הסשנים שלהם מתפזרים בין שני המארחים הפועלים. הקיבולת בשימוש היא 30 אחוזים, שאינה חורגת מהסף, ולכן אוטוסקיילינג לא מפעיל דבר.
- משתמש רביעי מתחבר. הקיבולת בשימוש היא 40 אחוזים, מעל הסף, ולכן אוטוסקיילינג מפעיל מארח שלישי. הקיבולת עולה ל-15 והקיבולת בשימוש יורדת ל-27 אחוזים.
- משתמש חמישי מעלה את השימוש ל-33 אחוזים, ולכן מארח רביעי מתחיל לפעול. עם 5 סשנים על 4 מארחים, הקיבולת היא 20 והשימוש הוא 25 אחוזים.
הטבלה של Learn ממשיכה מכאן: 6 סשנים על 4 מארחים הם 30 אחוזים, ולכן לא מופעל דבר, ו-7 סשנים על 4 מארחים הם 35 אחוזים, ולכן מארח חמישי מופעל והקיבולת הופכת ל-25 (28 אחוזים). מכיוון שהמגבלה בדוגמה היא 5, כל מארח מוסיף 5 לקיבולת הזמינה.
עלות וביצועים
Learn מציג את הפשרה במפורש. Breadth-first מתואר כאידיאלי לארגונים שרוצים לתעדף את חוויית המשתמש, משום שמשאבי המארח כמו CPU, זיכרון ודיסק בדרך כלל פחות מתחרים עליהם. Depth-first מתואר כאידיאלי לארגונים מודעים לעלויות, משום שמילוי מארח אחד בכל פעם מקל על הקטנת מספר המארחים הפועלים כשפחות משתמשים מחוברים.
שני האלגוריתמים יכולים להיות משולבים בתוכנית סקיילינג אחת, כפי שמראה דוגמת השאלות הנפוצות על אוטוסקיילינג שתוארה תחת breadth-first ואוטוסקיילינג לעיל. מה שאוטוסקיילינג עושה בשלב הירידה, כולל התנתקות כפויה והפעלת אפס מארחים אחרי שעות העבודה, מכוסה במאמרים על depth-first ותוכנית הסקיילינג בסדרה הזו; ראו גם הישות תוכנית סקיילינג.
איך מגדירים את זה
נדרש התפקיד Desktop Virtualization Host Pool Contributor. בפורטל Azure:
- חפשו ובחרו ב-Azure Virtual Desktop, לאחר מכן בחרו ב-Host pools ולאחר מכן במאגר המארחים הרצוי.
- בחרו מאפיינים.
- עבור Load balancing algorithm, בחרו breadth-first מתוך הרשימה הנפתחת, ועבור Max session limit הזינו ערך.
- בחרו ב-Save.
ב-PowerShell, Update-AzWvdHostPool מקבל את -LoadBalancerType ואת -MaxSessionLimit. דף איזון העומסים של Learn מראה כיצד להגדיר breadth-first מבלי לשנות את מגבלת הסשנים המקסימלית:
$parameters = @{
Name = '<HostPoolName>'
ResourceGroupName = '<ResourceGroupName>'
LoadBalancerType = 'BreadthFirst'
}
Update-AzWvdHostPool @parametersכדי לבדוק את התוצאה, אותו דף משתמש ב-Get-AzWvdHostPool @parameters | Format-Table Name, LoadBalancerType, MaxSessionLimit. המקבילה ב-Azure CLI היא az desktopvirtualization hostpool update --resource-group <ResourceGroupName> --name <HostPoolName> --load-balancer-type BreadthFirst. Learn מציג את בלוק ה-PowerShell כהגדרת breadth-first "ללא התאמת מגבלת הסשנים המקסימלית", כלומר המגבלה הקיימת נשארת כפי שהייתה. כדי להגדיר גם מגבלה, הוסיפו -MaxSessionLimit עם הערך שלכם. הדוגמאות של depth-first ב-Learn מגדירות אותה לערך 10, כ-MaxSessionLimit = '10' ב-PowerShell וכ---max-session-limit 10 ב-Azure CLI. הסעיף על depth-first ב-Learn קובע שניתן להשתמש ב-Azure Virtual Desktop Insights כדי לנטר את מספר הסשנים בכל מארח סשנים ולבחון את ביצועי מארח הסשנים, כדי לעזור לקבוע את מגבלת הסשנים המקסימלית. לשימוש מקומי, Learn מציין כדרישות מוקדמות את התוסף desktopvirtualization של Azure CLI או את המודול Az.DesktopVirtualization של PowerShell.
מתי לצפות להפתעות
- Drain mode תחת autoscale. במאגרי מארחים משותפים (pooled), Learn קובע ש-autoscale דורס את ה-drain mode במכונות הווירטואליות הכלולות בהרחבה והכיווץ, ולכן יש להשתמש בתגיות החרגה עבור מכונות שרוצים להשאיר ללא שינוי, למשל בזמן עדכון שלהן. גם דף תרחישי autoscale וגם שאלות הנפוצות על autoscale מציינים זאת, לכן בדקו את תגית ההחרגה בכל מארח שנראה שמשנה מצב באופן בלתי צפוי.
קישורים קשורים
- איזון עומסים מסוג Breadth-first
- איזון עומסים מסוג Depth-first
- AVD host pool
- מאגר מארחים משותף
- Azure Virtual Desktop
מקורות
- Microsoft Learn: הגדרת איזון עומסים של מאגר מארחים ב-Azure Virtual Desktop
- Microsoft Learn: יצירה והקצאה של תוכנית scaling של autoscale
- Microsoft Learn: Azure Virtual Desktop terminology
- Microsoft Learn: Deploy Azure Virtual Desktop
- Microsoft Learn: שאלות נפוצות על autoscale
- Microsoft Learn: תרחישי שימוש בקנה מידה אוטומטי עבור Azure Virtual Desktop
- Microsoft Learn: מילון מונחים של autoscale ב-Azure Virtual Desktop
- Microsoft Learn: Update-AzWvdHostPool
FAQ
האם breadth-first הוא אלגוריתם איזון העומסים ברירת המחדל?
הפורטל מציע את שני האלגוריתמים בעת יצירת מאגר מארחים משותף, ובדף הפריסה של Learn נכתב שיש לבחור בין breadth-first לבין depth-first בהתאם לדפוס השימוש. דף איזון העומסים של Learn אינו מציין אלגוריתם ברירת מחדל. עם זאת, הוא כן קובע שאם בוחרים breadth-first בעת יצירת מאגר המארחים לראשונה, מגבלת הסשנים המקסימלית מוגדרת כברירת מחדל ל-999999, שהוא גם הערך הגבוה ביותר שניתן להגדיר.
האם breadth-first מחלק את הסשנים בדיוק באופן שווה?
לא. Microsoft Learn קובע שהאלגוריתם בוחר באקראי מתוך החצי של קבוצת המארחים הזמינים עם מספר הסשנים הנמוך ביותר. לכן סשן חדש אינו מנותב אוטומטית למארח הפחות עמוס בודד, וייתכן שחלק מהסשנים לא יתחלקו באופן שווה.
האם מאגרי מארחים אישיים משתמשים ב-breadth-first?
לא. לפי Learn, איזון עומסים אינו חל על מאגרי מארחים אישיים, מכיוון שלמשתמשים יש תמיד מיפוי של 1:1 למארח סשן. רק מאגרי מארחים משותפים משתמשים ב-breadth-first או ב-depth-first.