Balanceamento de carga em profundidade e dimensionamento automático: como a programação substitui a configuração do pool de hosts
Parceiro · Parceiro neutro: Nerdio
By Mirko Peters ·
Quando um plano de escala é atribuído a um pool de hosts agrupado e está habilitado, o algoritmo de balanceamento de carga de cada fase da programação substitui a configuração do pool de hosts, segundo a Learn. Este guia mostra onde definir a profundidade primeiro e como verificar essa configuração.
Automatically translated with AI from the original post. Read the English original
Com um plano de escala atribuído a um pool de hosts agrupado e habilitado, o algoritmo de balanceamento de carga em execução é o da fase da programação, não o do pool de hosts. A Microsoft Learn afirma isso para a fase de ramp-up ("a preferência de balanceamento de carga selecionada aqui substitui a que você selecionou para as configurações originais do pool de hosts") e declara, de forma mais geral, que, em pools de hosts agrupados, o dimensionamento automático ignora o algoritmo de balanceamento de carga das configurações do pool de hosts e aplica o balanceamento com base na configuração da programação. Este guia é a referência campo a campo para isso: o campo de algoritmo em cada fase, os valores que são mantidos e as verificações a fazer depois.
Pontos-chave
- A Learn diz que o balanceamento de carga do plano de escala substitui a configuração do pool de hosts e que, em pools agrupados, o dimensionamento automático sobrescreve o modo de drenagem enquanto estiver habilitado para o pool.
- Cada fase de programação de pool agrupado tem seu próprio campo de algoritmo. A Learn recomenda amplitude primeiro para o ramp-up e profundidade primeiro para fora de pico, e permite qualquer uma das duas para o pico.
- A profundidade primeiro permite que o dimensionamento automático consolide as sessões. Ele desliga um host somente se todas as sessões couberem sem ultrapassar o limite de capacidade e se o percentual mínimo de hosts for mantido.
- Pools de hosts agrupados com dimensionamento automático precisam de um limite máximo de sessões personalizado. A Learn recomenda não usar o valor padrão.
- O dimensionamento automático altera o modo de drenagem de todos os hosts no escopo, independentemente de quem o definiu. Use uma tag de exclusão para manter um host fora do dimensionamento.
Isso abrange o dimensionamento automático de gerenciamento de energia em pools agrupados, que está disponível de forma geral. A Microsoft anunciou a disponibilidade geral do gerenciamento aprimorado de pools de hosts, incluindo o dimensionamento automático dinâmico, em julho de 2026 (Tech Community). No entanto, algumas páginas da Learn ainda trazem linguagem de prévia, por exemplo as páginas de cenários e glossário. Verifique a página atual antes de confiar em algum limite. Artigos relacionados nesta série: "Balanceamento de carga em profundidade no Azure Virtual Desktop explicado" trata do próprio algoritmo, e "Forçar usuários a encerrar a sessão durante o ramp-down do AVD: o que acontece e o que o usuário vê" trata do comportamento de encerramento de sessão.
Onde a substituição acontece
Um plano de escala contém programações, e cada programação tem quatro fases. No portal do Azure, cada fase de pool agrupado tem seu próprio campo:
| Fase | Campo de algoritmo | O que a Learn diz |
|---|---|---|
| Ramp-up | Algoritmo de balanceamento de carga | Recomenda amplitude primeiro e indica que a escolha substitui a configuração do pool de hosts |
| Horário de pico | Balanceamento de carga | Em largura ou em profundidade |
| Rampa de descida | Algoritmo de balanceamento de carga | Sem recomendação na página |
| Horário fora de pico | Algoritmo de balanceamento de carga | Recomenda profundidade primeiro, para reduzir gradualmente o número de hosts com base nas sessões em cada VM |
A FAQ do dimensionamento automático explica o raciocínio: a amplitude primeiro nas duas primeiras fases distribui as sessões de forma uniforme, o que, segundo a Learn, otimiza o desempenho, e a profundidade primeiro nas duas últimas ajuda o dimensionamento automático a consolidar as sessões até atingir o menor número possível de hosts de sessão.
A página de cenários do Learn usa breadth-first para a rampa de subida, o pico e o fora de pico em seus exemplos, e depth-first para a rampa de descida. São exemplos, não uma regra, então siga o texto da recomendação ao desenhar uma programação.
Qual valor confiar
O Learn documenta a substituição na programação, então o campo de balanceamento de carga do próprio pool de hosts não é a configuração que vale enquanto o autoscale estiver habilitado para o pool. O Learn diz que um plano de escalonamento entra em vigor assim que você o habilita, e que, se você habilitou o plano durante a implantação, pode desabilitá-lo para o pool de hosts selecionado no menu Plano de escalonamento, desmarcando a caixa de seleção Habilitar autoscale. Nossa interpretação: enquanto o autoscale estiver desabilitado para um pool, a programação não é aplicada, então verifique a configuração do pool de hosts nesse caso. Isso importa quando você desabilita o autoscale temporariamente, por exemplo antes de uma tarefa de manutenção.
Não use a página Propriedades do pool de hosts para descobrir qual algoritmo se aplica enquanto o plano estiver habilitado; leia a programação. Para confirmar isso no seu ambiente, crie um pool de teste, atribua um plano com depth-first no fora de pico e observe para onde as novas sessões são direcionadas.
O Learn também diz que alterações em um plano já atribuído a pools de hosts são aplicadas imediatamente. Portanto, uma edição de programação é uma mudança em tempo real.
Configurações que precisam estar alinhadas com o depth-first
O depth-first só consolida bem se as configurações vizinhas forem compatíveis. Os pré-requisitos e os cenários do Learn trazem estas:
- Limite máximo de sessões personalizado. O Learn diz que o autoscale em pools compartilhados precisa de um limite máximo de sessões configurado, e não o valor padrão. O depth-first também exige um. Um pool criado com breadth-first recebe o padrão de 999999, o que tornaria o cálculo de capacidade sem sentido; isso é uma inferência a partir da fórmula, então substitua o valor.
- Limite de capacidade. Informado na rampa de subida e transferido para o pico, onde o Learn diz que ele não pode ser alterado separadamente. A rampa de descida tem campo próprio, e o fora de pico usa esse valor. O autoscale só desliga hosts se a capacidade utilizada permanecer igual ou abaixo do limite.
- Porcentagem mínima de hosts. A menor parcela de hosts que deve permanecer ligada. O Learn diz que o resultado é arredondado para cima até um número inteiro: em um pool de sete hosts, 10% na rampa de subida mantém um host ligado.
- Forçar logoff. Aplica-se apenas na rampa de descida. Sem ele, você escolhe entre aguardar até não haver sessões ativas nem desconectadas, ou até não haver sessões ativas.
- Sessões desconectadas. Elas contam como sessões. As perguntas frequentes do Learn dizem que atingir zero hosts exige zero sessões, incluindo as desconectadas, e recomendam um timeout de Diretiva de Grupo para sessões desconectadas.
O que o depth-first acrescenta à consolidação
O Learn descreve a consolidação de sessões como o processo que o autoscale usa durante a rampa de descida e o fora de pico para reduzir o número de hosts em execução: ele divide o total de sessões, ativas mais desconectadas, pelo limite máximo de sessões multiplicado pelo limite de capacidade, e arredonda para cima. Seu cenário 3 faz esse cálculo com depth-first, seis hosts, limite de 75% e limite de 5 sessões; o passo a passo está em "Forcing users to sign out during AVD ramp-down: what happens and what users see", e a aritmética do limite está em "Choosing the right capacity threshold for pooled host pools".
O Learn apresenta esse cálculo sem vinculá-lo a um único algoritmo. Nossa interpretação: o algoritmo decide para onde vão as novas sessões, e a consolidação decide quais hosts podem ser desligados; por isso o depth-first ajuda, porque menos hosts concentram sessões quando o cálculo é executado. O Learn não afirma isso.
Dois pontos são específicos do desenho da programação:
- O logoff forçado para na fase de ramp-down. A FAQ diz que o autoscale não força os usuários a fazer logoff durante o horário de baixa demanda (off-peak). Se um host estiver em modo de drenagem na fase de ramp-down e ainda houver usuários conectados quando a fase mudar para off-peak, o autoscale aguarda até que todos os usuários façam logoff antes de desalocar a VM. Nossa leitura: a estratégia depth-first no off-peak, portanto, só consolida até onde os usuários saem por conta própria.
- O ramp-up não desliga hosts. O cenário 2 do Learn diz que o autoscale de pool não desliga session hosts na fase de ramp-up, então a escolha breadth-first ali serve para distribuir a carga, não para economizar custo.
Passos: definir depth-first para o off-peak
O Learn lista estas abas para criar ou alterar um agendamento de pool.
- No portal do Azure, abra Azure Virtual Desktop e depois Planos de escalonamento, e selecione o plano.
- Em Gerenciar, selecione Agendamentos e abra o agendamento que você quer alterar. Se o plano ainda não tiver um agendamento, crie um primeiro.
- Em Ramp-up, defina o horário de início, o algoritmo (breadth-first), a porcentagem mínima de hosts e o limite de capacidade.
- Em Horário de pico, escolha breadth-first ou depth-first.
- Em Ramp-down, defina o horário de início, o algoritmo, a porcentagem mínima, o limite de capacidade e a opção de forçar o logoff dos usuários.
- Em Horário de baixa demanda (off-peak), defina o horário de início e escolha depth-first. O limite de capacidade não é definido aqui; o valor do Ramp-down é mantido.
- Confirme a alteração. Se o plano já estiver atribuído, a alteração é aplicada imediatamente.
O Learn acrescenta que, nos dias não selecionados em um agendamento, as últimas configurações de off-peak são mantidas até o próximo ramp-up. Assim, uma configuração de off-peak depth-first na sexta-feira também é o que vale no fim de semana, caso não exista um agendamento para o fim de semana.
Mantendo um host fora da lógica
O Learn diz que, em pools de hosts agrupados, o autoscale sobrescreve o modo de drenagem, e a FAQ afirma que isso vale independentemente de quem colocou o host em modo de drenagem. Para excluir um host, use uma tag de exclusão; a configuração é explicada em "Exclusion tags in AVD autoscale: keeping individual VMs out of scaling". No caso do depth-first, observe que o autoscale não inicia, para nem drena um host marcado, embora o Learn diga que hosts marcados ainda contam na porcentagem mínima de hosts. Nossa leitura: as sessões que caem em um host marcado não são consolidadas para longe dele; o Learn não diz se hosts marcados entram no cálculo de consolidação.
Verificações após a alteração
- Confirme que o limite máximo de sessões do pool de hosts é um valor personalizado.
- No horário off-peak, verifique as sessões por host no Insights. Nossa recomendação: as sessões devem se concentrar em poucos hosts; esta é uma verificação prática, não uma afirmação do Learn.
- No ramp-down, acompanhe se os hosts entram em modo de drenagem e são desligados.
- Procure sessões desconectadas que mantenham hosts ligados.
- Verifique se o autoscale está habilitado para o pool de hosts; se estiver desabilitado, o agendamento não é o que posiciona as sessões.
- Revise o agendamento sempre que alguém editar o algoritmo do pool de hosts, para não presumir que os dois coincidem.
Fontes
- Microsoft Learn: Criar e atribuir um plano de escalabilidade automática para o Azure Virtual Desktop
- Microsoft Learn: Planos de escalabilidade automática e cenários de exemplo no Azure Virtual Desktop
- Microsoft Learn: FAQ de escala automática do Azure Virtual Desktop
- Microsoft Learn: Glossário do autoscale para o Azure Virtual Desktop
- Microsoft Learn: Configurar o balanceamento de carga do pool de hosts no Azure Virtual Desktop
- Microsoft Tech Community: Gerenciamento aprimorado de pools de hosts para o Azure Virtual Desktop tem disponibilidade geral
Perguntas frequentes
Se eu definir profundidade primeiro no pool de hosts, essa configuração continuará valendo depois que um plano de escala for atribuído e habilitado?
A Microsoft Learn diz que a preferência selecionada na programação substitui a configuração do pool de hosts e que, em pools de hosts agrupados, o dimensionamento automático ignora o algoritmo do pool de hosts e aplica o balanceamento de carga conforme a configuração da programação. A Learn também informa que um plano de escala entra em vigor assim que você o habilita, e descreve uma opção para desabilitar o plano em um pool de hosts selecionado. Enquanto o dimensionamento automático estiver habilitado, considere a programação, não a configuração do pool de hosts. Para confirmar isso no seu ambiente, crie um pool de teste e observe para onde as novas sessões são direcionadas.
Quais fases devem usar profundidade primeiro?
O artigo da Learn sobre planos de escala recomenda profundidade primeiro para fora de pico e amplitude primeiro para o ramp-up, e permite qualquer uma das duas para o pico. Já a FAQ sugere profundidade primeiro para o ramp-down e para fora de pico, para que o dimensionamento automático consolide as sessões no menor número possível de hosts.
Isso se aplica a pools de hosts pessoais?
Não. A Learn informa que o balanceamento de carga não se aplica a pools de hosts pessoais. Nas programações pessoais, em vez disso, você define a ação a ser tomada quando uma sessão é desconectada ou encerrada.