איזון עומסים לפי עומק ו-autoscale: איך לוח הזמנים עוקף את הגדרת מאגר המארחים
שותף · שותף ניטרלי: Nerdio
By Mirko Peters ·
כאשר תוכנית קנה מידה מוקצית למאגר מארחים משותף ומופעלת, אלגוריתם איזון העומסים בכל שלב של לוח הזמנים עוקף את הגדרת מאגר המארחים, כפי שמסביר Learn. מדריך זה מראה היכן מגדירים עומק-ראשון ואיך לבדוק זאת.
Automatically translated with AI from the original post. Read the English original
כאשר תוכנית קנה מידה מוקצית למאגר מארחים משותף ומופעלת, אלגוריתם איזון העומסים שפועל הוא זה שבשלב של לוח הזמנים, ולא זה שבמאגר המארחים. Microsoft Learn אומר זאת לשלב העלייה ("ההעדפה לאיזון העומסים שאתם בוחרים כאן עוקפת את זו שבחרתם בהגדרות המקוריות של מאגר המארחים") וקובע באופן כללי יותר שבמאגרים משותפים autoscale מתעלם מאלגוריתם איזון העומסים בהגדרות מאגר המארחים ומיישם איזון עומסים לפי תצורת לוח הזמנים. מדריך זה הוא מדריך שדה-אחר-שדה לנושא: שדה האלגוריתם בכל שלב, הערכים שנשמרים, והבדיקות שיש לבצע לאחר מכן.
עיקרי הדברים
- Learn קובע שאיזון העומסים של תוכנית קנה המידה עוקף את הגדרת מאגר המארחים, ובמאגרים משותפים autoscale דורס מצב ניקוז (drain mode) כל עוד autoscale פעיל במאגר.
- לכל שלב של לוח זמנים במאגר משותף יש שדה אלגוריתם משלו. Learn ממליץ על רוחב-ראשון לשלב העלייה ועל עומק-ראשון לשעות שאינן שיא, ומתיר כל אחד מהם לשעות השיא.
- עומק-ראשון מאפשר ל-autoscale לרכז סשנים. המארח מכובה רק אם כל הסשנים נכנסים בלי לחרוג מסף הקיבולת, ומשמרים את האחוז המינימלי של מארחים.
- למאגרי מארחים משותפים עם autoscale נדרשת מגבלת סשנים מקסימלית מותאמת אישית. Learn קובע לא להשתמש בערך ברירת המחדל.
- Autoscale משנה את מצב הניקוז בכל מארח שבתחום, ללא קשר למי שהגדיר אותו. להשארת מארח מחוץ לקנה המידה השתמשו בתג החרגה.
המאמר עוסק בקנה מידה אוטומטי לניהול צריכת חשמל במאגרים משותפים, שזמין באופן כללי (GA). Microsoft הכריזה על זמינות כללית של ניהול מאגרי מארחים משופר, כולל קנה מידה דינמי אוטומטי, ביולי 2026 (Tech Community), אך חלק מדפי Learn עדיין כוללים ניסוח של תצוגה מקדימה, למשל דפי התרחישים והמילון. בדקו את הדף העדכני לפני שתסתמכו על מגבלה כלשהי. מאמרים קשורים בסדרה זו: "Depth-first load balancing in Azure Virtual Desktop explained" מסביר את האלגוריתם עצמו, ו-"Forcing users to sign out during AVD ramp-down: what happens and what users see" מסביר את התנהגות היציאה מהמערכת.
היכן מתרחשת העקיפה
תוכנית קנה מידה מכילה לוחות זמנים, ולכל לוח זמנים ארבעה שלבים. בפורטל Azure, לכל שלב במאגר משותף יש שדה משלו:
| שלב | שדה אלגוריתם | מה Learn אומר |
|---|---|---|
| Ramp-up | אלגוריתם איזון עומסים | ממליץ על רוחב-ראשון, וקובע שהבחירה עוקפת את הגדרת מאגר המארחים |
| שעות שיא | איזון עומסים | לפי רוחב או לפי עומק |
| שלב הירידה | אלגוריתם איזון עומס | אין המלצה בדף |
| שעות מחוץ לשיא | אלגוריתם איזון עומס | ממליץ על עומק-ראשון, כדי להקטין בהדרגה את מספר המארחים לפי הסשנים בכל VM |
ה-FAQ של autoscale מסביר את הנימוק: רוחב-ראשון בשני השלבים הראשונים נותן חלוקה אחידה של סשנים, שלפי Learn מייעלת את הביצועים, ועומק-ראשון בשני האחרונים עוזר ל-autoscale לרכז סשנים עד שיגיע למספר המינימלי האפשרי של מארחי סשן.
המדריך של Learn בנושא scenarios page משתמש ב-breadth-first בשלבי העלייה, שיא ושפל, וב-depth-first בשלב הירידה. אלה דוגמאות ולא כלל, ולכן בעת תכנון לוח זמנים יש לפעול לפי נוסח ההמלצה.
איזה ערך לסמוך עליו
Learn מתעד את הדריסה בתוך לוח הזמנים, ולכן שדה איזון העומס של מאגר המארחים עצמו אינו ההגדרה שפועלת כשה-autoscale מופעל עבור המאגר. Learn קובע שתוכנית קנה מידה נכנסת לתוקף מיד עם הפעלתה, ומוסיף שאם הפעלתם את התוכנית במהלך הפריסה, ניתן לבטל אותה עבור מאגר המארחים שנבחר בתפריט Scaling plan על ידי ביטול הסימון בתיבה Enable autoscale. לדעתנו, כל עוד ה-autoscale מבוטל עבור מאגר, לוח הזמנים אינו מיושם, ולכן יש לבדוק את ההגדרה של מאגר המארחים באותו שלב. הדבר חשוב במיוחד כאשר מבטלים את ה-autoscale באופן זמני, למשל לפני משימת תחזוקה.
אין להשתמש בעמוד Properties של מאגר המארחים כדי לקבוע איזה אלגוריתם חל בזמן שהתוכנית מופעלת; יש לקרוא את לוח הזמנים. כדי לאשר זאת בסביבה שלכם, צרו מאגר בדיקה, שייכו לו תוכנית עם depth-first בשעות השפל, ובדקו לאן מופנים סשנים חדשים.
Learn מציין גם ששינויים בתוכנית שכבר שויכה למאגרי מארחים נכנסים לתוקף מיד. לכן עריכה של לוח הזמנים היא שינוי חי.
הגדרות שחייבות להתאים ל-depth-first
Depth-first מאחד מארחים בצורה יעילה רק אם ההגדרות הסמוכות מתאימות לו. הדרישות המוקדמות והתרחישים של Learn מפרטים אותן.
- מגבלת סשנים מרבית מותאמת אישית. Learn קובע ש-autoscale על מאגרים משותפים דורש הגדרת maximum session limit ולא את ערך ברירת המחדל. גם depth-first דורש הגדרה כזו. מאגר שנוצר עם breadth-first נושא את ברירת המחדל 999999, והדבר היה הופך את חישוב הקיבולת לחסר משמעות. זו מסקנה שנגזרת מהנוסחה, ולכן יש להחליף את הערך.
- Capacity threshold. מוזן בשלב העלייה ומועבר לשלב השיא, שם Learn קובע שאי אפשר לשנות אותו בנפרד. לשלב הירידה יש שדה משלו, ושעות השפל לוקחות את הערך הזה. ה-autoscale מכבה מארחים רק אם הקיבולת בשימוש נשארת בסף או מתחתיו.
- Minimum percentage of hosts. השיעור המינימלי של מארחים שחייבים להישאר פעילים. Learn קובע שהתוצאה מעוגלת כלפי מעלה למספר שלם: במאגר של שבעה מארחים, 10% בשלב העלייה משאירים מארח אחד פעיל.
- Force sign-out. חל רק בשלב הירידה. בלעדיו בוחרים בין המתנה לכך שלא יישארו סשנים פעילים או מנותקים, לבין המתנה לכך שלא יישארו סשנים פעילים בלבד.
- סשנים מנותקים. הם נספרים כסשנים. ה-FAQ של Learn קובע שהגעה לאפס מארחים דורשת אפס סשנים, כולל מנותקים, ומומלץ להגדיר timeout של סשנים מנותקים באמצעות Group Policy.
מה depth-first מוסיף לאיחוד
Learn מתאר איחוד סשנים (session consolidation) כתהליך שבו ה-autoscale משתמש בשלבי הירידה והשפל כדי להקטין את מספר המארחים הפעילים: הוא מחלק את סך הסשנים, פעילים ומנותקים יחד, במגבלת הסשנים המרבית כפול סף הקיבולת, ומעגל כלפי מעלה. התרחיש השלישי שלו מפרט את החישוב עם depth-first, שישה מארחים, סף של 75% ומגבלה של 5. ההסבר המלא נמצא במאמר "Forcing users to sign out during AVD ramp-down: what happens and what users see", וחישוב הסף מופיע במאמר "Choosing the right capacity threshold for pooled host pools".
Learn מציג את החישוב הזה בלי לקשור אותו לאלגוריתם אחד. לדעתנו, האלגוריתם קובע לאן מופנים סשנים חדשים, והאיחוד קובע אילו מארחים ניתן לכבות, ולכן depth-first עוזר משום שפחות מארחים מחזיקים סשנים בזמן שהחישוב רץ. Learn אינו קובע זאת במפורש.
לשני דברים יש השפעה ספציפית על תכנון לוח הזמנים:
- הפסקת התנתקות כפויה בשלב ה-ramp-down. ה-FAQ קובע כי autoscale אינו מאלץ משתמשים להתנתק בשעות השפל. אם מארח נמצא במצב drain בשלב ה-ramp-down והמשתמשים עדיין מחוברים כאשר השלב עובר לשעות השפל, autoscale ממתין עד שכל המשתמשים יתנתקו לפני שהוא משחרר את ה-VM. לדעתנו, משמעות הדבר היא שאיחוד בגישת depth-first בשעות השפל מתרחש רק במידה שהמשתמשים מתנתקים מעצמם.
- ה-ramp-up אינו מכבה מארחים. בתרחיש 2 ב-Learn נכתב כי autoscale של מאגר משותף אינו מכבה מארחי הפעלה בשלב ה-ramp-up, ולכן הבחירה ב-breadth-first שם נוגעת לפיזור העומס ולא לחיסכון בעלויות.
שלבים: הגדרת depth-first לשעות השפל
Learn מפרט את הכרטיסיות הבאות ליצירה או לשינוי של לוח זמנים למאגר משותף.
- בפורטל Azure פתחו את Azure Virtual Desktop ולאחר מכן את Scaling plans, ובחרו בתוכנית.
- תחת הכותרת Manage, בחרו ב-Schedules, ולאחר מכן פתחו את לוח הזמנים שברצונכם לשנות. אם לתוכנית אין עדיין לוח זמנים, צרו קודם לוח זמנים.
- בכרטיסייה Ramp up, הגדירו את שעת ההתחלה, את האלגוריתם (breadth-first), את האחוז המינימלי של המארחים ואת סף הקיבולת.
- בכרטיסייה Peak hours, בחרו ב-breadth-first או ב-depth-first.
- בכרטיסייה Ramp-down, הגדירו את שעת ההתחלה, את האלגוריתם, את האחוז המינימלי, את סף הקיבולת ואת אילוץ ההתנתקות של המשתמשים.
- בכרטיסייה Off-peak hours, הגדירו את שעת ההתחלה ובחרו ב-depth-first. סף הקיבולת אינו מוגדר כאן; הערך מ-Ramp-down נשמר.
- אשרו את השינוי. אם התוכנית כבר משויכת, השינוי נכנס לתוקף מיד.
Learn מוסיף כי בימים שלא נבחרו בלוח הזמנים, ההגדרות האחרונות של שעות השפל נשמרות עד ה-ramp-up הבא. לכן הגדרת depth-first לשעות השפל ביום שישי היא גם מה שירוץ בסוף השבוע, אם אין לוח זמנים לסוף השבוע.
שמירת מארח מחוץ ללוגיקה
Learn קובע שבמאגרי מארחים משותפים autoscale דורס את מצב ה-drain, וה-FAQ שלו מציין שכך הדבר גם אם מי שהכניס את המארח למצב drain הוא אדם אחר. כדי להוציא מארח מהחישוב, יש להשתמש בתג החרגה; ההגדרה מוסברת במאמר "Exclusion tags in AVD autoscale: keeping individual VMs out of scaling". בגישת depth-first יש לשים לב שה-autoscale אינו מתניע, עוצר או מכניס למצב drain מארח שסומן בתג, אם כי Learn מציין שמארחים מסומנים עדיין נספרים באחוז המינימלי של המארחים. לדעתנו, סשנים שנוחתים על מארח מסומן אינם מאוחדים החוצה; Learn אינו מפרט אם מארחים מסומנים נכללים בחישוב האיחוד.
בדיקות לאחר השינוי
- ודאו שמגבלת הסשנים המקסימלית במאגר המארחים היא ערך מותאם אישית.
- בשעות השפל, בדקו את מספר הסשנים לכל מארח ב-Insights. ההמלצה שלנו: הסשנים אמורים להתרכז במספר קטן של מארחים. זוהי בדיקה מעשית ולא קביעה של Learn.
- בשלב ה-ramp-down, עקבו אחר המועד שבו המארחים מגיעים למצב drain ונכבים.
- חפשו סשנים מנותקים שמונעים מהמארחים להישאר כבויים.
- ודאו ש-autoscale מופעל במאגר המארחים; אם הוא מושבת, לוח הזמנים אינו מה שמנתב את הסשנים.
- בדקו מחדש את לוח הזמנים בכל פעם שמישהו משנה את האלגוריתם של מאגר המארחים, כדי לא להניח שהשניים תואמים.
מקורות
- Microsoft Learn: יצירה והקצאה של תוכנית autoscale ב-Azure Virtual Desktop
- Microsoft Learn: תוכניות autoscale ותרחישי דוגמה ב-Azure Virtual Desktop
- Microsoft Learn: Azure Virtual Desktop autoscale FAQ
- Microsoft Learn: מילון מונחים של autoscale ב-Azure Virtual Desktop
- Microsoft Learn: הגדרת איזון עומסים של מאגר מארחים ב-Azure Virtual Desktop
- Microsoft Tech Community: ניהול משופר של מאגרי מארחים ב-Azure Virtual Desktop זמין כעת באופן כללי
FAQ
אם אגדיר עומק-ראשון במאגר המארחים, האם ההגדרה עדיין תחול לאחר שהוקצתה לתוכנית קנה מידה והיא הופעלה?
Microsoft Learn קובע שההעדפה שנבחרה בלוח הזמנים עוקפת את הגדרת מאגר המארחים, ושבמאגרים משותפים autoscale מתעלם מאלגוריתם מאגר המארחים ומיישם איזון עומסים לפי תצורת לוח הזמנים. Learn מציין גם שתוכנית קנה מידה נכנסת לתוקף מרגע הפעלתה, ומתאר אפשרות להשבית את התוכנית עבור מאגר מארחים נבחר. כל עוד autoscale פעיל, יש לקרוא את לוח הזמנים ולא את הגדרת מאגר המארחים. כדי לוודא זאת בסביבה שלכם, צרו מאגר מארחים לבדיקה ועקבו אחר המקום שאליו מגיעים הסשנים החדשים.
באילו שלבים כדאי להשתמש בעומק-ראשון?
מאמר תוכניות קנה המידה של Learn ממליץ על עומק-ראשון לשעות שאינן שיא ועל רוחב-ראשון לשלב העלייה, ומתיר כל אחד מהם לשעות השיא. ה-FAQ שלו מציע עומק-ראשון לשלבי הירידה ולשעות שאינן שיא, כדי ש-autoscale יוכל לרכז סשנים למספר המינימלי של מארחים.
האם זה חל על מאגרי מארחים אישיים?
לא. Learn קובע שאיזון עומסים אינו חל על מאגרי מארחים אישיים. במקום זאת, לוחות זמנים אישיים מגדירים את הפעולה שתתבצע כאשר סשן מתנתק או יוצא מהמערכת.