M365Con 2027 – conferência online gratuita · 11–22 Jan 2027 · 120 sessions m365con.net

Blog · Mirko Peters

Como definir uma programação de escalonamento automático do AVD que corresponda ao horário real de trabalho

Parceiro · Parceiro neutro: Nerdio

By ·

Crie uma programação de escalonamento automático do Azure Virtual Desktop com base em contagens de sessões medidas, e não no horário de expediente do papel. Este guia vai dos dados de sessões por hora até os horários de início das fases, a porcentagem mínima, o limite de capacidade e uma verificação.

Automatically translated with AI from the original post. Read the English original

Uma boa programação de escalonamento automático parte de contagens de sessões medidas: identifique as horas em que as sessões sobem, se mantêm e caem, e posicione os quatro horários de início das fases nesses pontos de inflexão. Depois, defina a porcentagem mínima de hosts e o limite de capacidade no aumento e na redução, mantenha o tempo de espera da redução menor que a sua fase e verifique o resultado com o Insights.

Pontos-chave

  • Comece pelos dados: novas conexões por hora a partir de WVDConnections mostram quando os logons começam, e os contadores de sessões mostram onde as sessões se mantêm, caem e chegam ao patamar mínimo da noite. Os horários de início das fases vêm em seguida.
  • O aumento precisa começar com antecedência suficiente para que os hosts sejam ligados antes da chegada dos primeiros usuários. Meça os tempos de inicialização no seu ambiente; as páginas do Learn não informam um valor.
  • O tempo de espera para a redução precisa ser menor que a fase de redução. O exemplo da FAQ do Learn usa uma fase de 15 minutos com espera de 20 minutos, situação em que o encerramento forçado de sessão nunca acontece.
  • O escalonamento automático não consegue reduzir em datas específicas, e um plano funciona em um único fuso horário. Use programações separadas para dias úteis e fins de semana, e planeje os feriados manualmente.
  • Sessões desconectadas mantêm os hosts em execução. Uma política de limite de tempo que encerra essas sessões, combinada com um mínimo de 0 por cento, é o caminho documentado para chegar a zero hosts fora do expediente.

Os artigos irmãos explicam as fases ("Ramp-up, peak, ramp-down and off-peak: the four AVD autoscale phases explained") e a criação do plano ("How to create and assign an AVD scaling plan step by step"). Este aborda a etapa anterior a ambos: definir os valores.

Etapa 1: colete dados reais de uso

O horário de expediente no papel pode ser diferente do comportamento real de logon. Meça pelo menos algumas semanas típicas.

  1. Ative as configurações de diagnóstico para o pool de hosts e o respectivo workspace e envie-as para um workspace do Log Analytics. No pool de hosts, inclua Autoscale logs for pooled host pools; a página do Insights do Learn a lista entre as categorias mínimas. Para visualizar os dados, são necessárias as funções Desktop Virtualization Reader e Log Analytics Reader; os dados podem levar algumas horas para aparecer.
  2. Consulte WVDConnections para obter o perfil de logon. O Learn descreve os estados de conexão Started, Connected e Completed; Connected é quando o usuário se conecta com êxito à VM. Contar os eventos Connected por hora fornece as novas conexões por hora: quando a primeira onda começa e qual é o seu tamanho, e não quantas sessões estão abertas. A consulta adapta o padrão diário do Learn para contagens por hora; verifique os nomes das colunas no seu workspace. A tabela de categorias do Learn lista a categoria Connections, que a configuração de diagnóstico precisa para essa tabela:
WVDConnections
| where State == "Connected"
| summarize NewConnections = dcount(CorrelationId) by bin(TimeGenerated, 1h)
| order by TimeGenerated asc

A referência da tabela indica que TimeGenerated está em UTC. Converta as horas para o fuso horário do plano antes de interpretar os horários de início, por exemplo com a função KQL datetime_utc_to_local, e considere o horário de verão. Com um deslocamento de meia hora, intervalos de uma hora não correspondem às horas locais.

  1. Sessões abertas mostram o pico, a queda e o patamar noturno. O Azure Virtual Desktop Insights coleta contadores de desempenho por meio de uma regra de coleta de dados para o workspace escolhido para os dados dos session hosts, que pode ser diferente do workspace de diagnóstico, então consulte aquele que contém os contadores. A página de custos da Learn lista os contadores Terminal Services Active Sessions, Inactive Sessions e Total Sessions, cada um amostrado a cada 60 segundos por VM. A página não os define, então consulte-os você mesmo, verifique o que eles reportam e some os hosts para obter um número do pool.
  2. Depois que um plano é atribuído a um host pool compartilhado e seus logs de Autoscale chegam ao Log Analytics, a aba Autoscale em Insights mostra as mudanças de estado de energia dos session hosts ao longo do tempo, além de informações de resumo. A tabela subjacente, WVDAutoscaleEvaluationPooled, tem as colunas SessionCount, SessionOccupancyPercent, ActiveSessionHostCount e ConfigSchedulePhase, então você pode ler esses valores por fase do agendamento. A Learn define SessionCount como as sessões nos hosts que o autoscale considera ativos.

Anote quatro números por dia da semana: quando os primeiros logins aparecem (perfil de logon), e, a partir dos contadores de sessão, quando as sessões atingem o máximo diário, quando começam a cair e quando chegam ao patamar noturno.

Etapa 2: defina os horários de início das quatro fases

A Learn define as fases pelo comportamento das sessões: a fase de aumento (ramp-up) é quando as sessões sobem, o pico (peak) é quando elas se mantêm estáveis, a fase de redução (ramp-down) é quando caem, e o período fora de pico (off-peak) é o mínimo diário (fases do agendamento de autoscale).

  • Início do ramp-up: antes da sua primeira onda de logins. A Learn diz que é quando o autoscale começa a "preparar session hosts" para os horários de pico. Meça quanto tempo um host desalocado leva para aceitar conexões e adicione uma margem; a página não informa nenhuma duração de inicialização.
  • Início do pico: onde a curva se achata. Este também é o fim do ramp-up. Use o fuso horário que você definiu para o plano.
  • Início do ramp-down: onde as sessões simultâneas começam a cair de forma constante, e não no horário oficial de término.
  • Início do off-peak: onde a curva atinge o patamar noturno. Este é o fim do ramp-down.

A Learn diz que um plano opera somente no fuso horário configurado, e o horário de início do pico precisa estar nesse fuso. As páginas não trazem orientação sobre horário de verão, então verifique o Insights após a mudança de horário.

Etapa 3: defina a porcentagem mínima e o limite de capacidade

Esta etapa trata do autoscale de gerenciamento de energia para host pools compartilhados. O autoscale dinâmico tem campos diferentes em sua própria seção da página de criação e atribuição da Learn.

O limite de capacidade e a porcentagem mínima de hosts são informados somente nas fases de ramp-up e ramp-down. A página de criação e atribuição da Learn diz:

  • O limite de capacidade do ramp-up é mantido para o pico, e o valor do ramp-down é mantido para o off-peak. Pico e off-peak não têm campos próprios de limite ou mínimo.
  • A página de solução de problemas da Learn aplica a porcentagem mínima durante o ramp-down e o off-peak, mas a página de criação e atribuição informa a manutenção do valor apenas para o limite de capacidade. Após uma mudança no agendamento, verifique no Insights se os hosts realmente chegam a zero.

Use seus dados assim:

  • Mínimo do ramp-up: o número de hosts necessário para a primeira onda, dividido pelo total de hosts. O autoscale arredonda para cima quando o resultado não é inteiro.
  • Limite do ramp-up: o quanto os hosts podem ficar cheios antes que outro seja iniciado. A Learn diz que o autoscale não liga VMs enquanto a capacidade usada do host pool não for maior que o limite de capacidade.
  • Limite e mínimo do ramp-down: o terceiro cenário da Learn combina um limite alto com uma porcentagem mínima baixa, o que, segundo ela, reduz a necessidade de ligar novos session hosts no fim do expediente.
  • Mínimo do ramp-down: o piso que você aceita enquanto a carga cai. Defina 0 por cento se os hosts devem poder chegar a zero fora do expediente, porque o FAQ da Learn diz que o autoscale pode desligar todas as VMs se a porcentagem mínima de hosts for 0 e não restarem sessões.

A definição do valor de limite é abordada em "Choosing the right capacity threshold for pooled host pools". Primeiro, defina um limite máximo de sessões personalizado: a página de criação e atribuição do Learn recomenda não usar o valor padrão de MaxSessionLimit.

Etapa 4: ajuste o ramp-down ao padrão de saída

O campo de ramp-down Forçar logoff de usuários define o que acontece com os usuários em hosts que o dimensionamento automático quer remover:

  • Ativado. O dimensionamento automático escolhe o host com menos sessões, coloca-o em modo de drenagem, notifica os usuários, encerra as sessões deles após o tempo de espera e desaloca a VM. Veja encerramento forçado de sessão.
  • Desativado. Você precisa escolher As VMs não têm sessões ativas nem desconectadas ou As VMs não têm sessões ativas. A FAQ do dimensionamento automático recomenda a segunda opção ("Stop VMs when no active sessions"), e o exemplo prático abaixo a utiliza.

A FAQ do Learn aponta uma armadilha para o encerramento forçado de sessão, que ocorre apenas no ramp-down: com um ramp-down de 15 minutos e um tempo de espera de 20 minutos, a programação passa para fora de pico antes que o encerramento aconteça. Faça a fase mais longa que o tempo de espera.

Para chegar a zero hosts, a FAQ do Learn diz que você precisa de zero sessões, incluindo as desconectadas, um mínimo de 0 por cento durante o horário fora de pico e um limite de tempo de Group Policy para sessões desconectadas (por exemplo, de 15 a 30 minutos) que seja concluído antes do fim do ramp-down. A página de criação e atribuição traz o equivalente no Intune: Definir limite de tempo para sessões desconectadas em um perfil de Session Time Limits.

Etapa 5: cubra dias úteis, fins de semana e feriados

  • Crie programações separadas onde o comportamento for diferente. Um plano pode ter várias, por exemplo, uma para dias úteis e outra para fins de semana, cada uma com a configuração "Repeat on".
  • Nos dias não selecionados, as últimas configurações de fora de pico dos dias selecionados são mantidas até o próximo ramp-up.
  • O dimensionamento automático não oferece suporte a ramp-down em datas específicas, como feriados. A FAQ não menciona nenhuma solução alternativa. Como as alterações em um plano atribuído são aplicadas imediatamente, uma opção é editar o plano manualmente no dia. A tag de exclusão mantém hosts individuais fora do dimensionamento.
  • O Nerdio Manager, um produto separado, oferece uma programação Default e uma Alternative para datas específicas, como feriados: dimensionamento automático do Nerdio.

Exemplo prático: três grupos de usuários

Os números são fictícios. Um pool de hosts compartilhado tem 15 hosts, um limite máximo de sessões de 10 e um limiar de 75 por cento nas duas fases. O Learn fornece a fórmula (sessões divididas pelo limite máximo de sessões, multiplicado pelo limiar, arredondado para cima) para ramp-down e fora de pico. Para ramp-up e pico, ele informa apenas o gatilho: o dimensionamento automático liga um host quando a capacidade utilizada ultrapassa o limiar de capacidade. A tabela aplica a mesma conta a essas fases como uma aproximação.

TempoSessões simultâneasHosts necessáriosRaciocínio
06:30 às 08:0020 (equipe de suporte)20 / 7,5 = 2,7, portanto 3Um mínimo de 20 por cento de 15 hosts também resulta em 3
08:00 às 08:30de 20 subindo para 100de 3 subindo para 14O dimensionamento automático adiciona hosts conforme as sessões aumentam
08:30 às 17:00100 (equipe do escritório)100 / 7,5 = 13,3, portanto 14Pico, com o limiar herdado do ramp-up
17:00 às 20:0020 (equipe financeira)20 / 7,5 = 2,7, portanto 3Baseado em carga, sem necessidade de mínimo
20:00 às 21:0000 depois que o limite de sessões desconectadas for atingidoO ramp-down continua em andamento; se os usuários se desconectarem em vez de encerrar a sessão, o limite será concluído às 20:30
Após 21:0000Precisa de um mínimo de 0 por cento (informado no ramp-down; confirme em Insights que ele vale no horário fora de pico) e nenhuma sessão desconectada

A coluna "hosts necessários" é um cálculo de capacidade, não uma previsão de hosts em execução. Com Forçar logoff de usuários desativado, mais de 3 hosts podem permanecer ligados se as sessões da equipe financeira estiverem distribuídas entre eles.

Uma programação baseada nesta tabela:

  1. Ramp-up às 06:00: breadth-first, mínimo de 20 por cento, limiar de 75 por cento. As 06:00 são uma margem antes dos logons das 06:30; dimensione com base no seu tempo de inicialização medido.
  2. Pico às 08:30: breadth-first, como no exemplo da FAQ do Learn. O limiar de 75 por cento é herdado do ramp-up.
  3. Redução gradual às 17:00: depth-first, mínimo de 0%, limite de 75%. A condição de parada é as VMs não terem sessões ativas e a opção Forçar logoff dos usuários estar desativada.
  4. Fora de pico às 21:00: depth-first, com o limite herdado da redução gradual e mais um limite de 30 minutos para sessões desconectadas, definido por meio de política. Se os usuários se desconectarem às 20:00, o limite será concluído às 20:30, antes de a redução gradual terminar.

Etapa 6: verificar e ajustar

Depois de uma semana, execute a consulta da página de monitoramento de dimensionamento automático do Learn's:

WVDAutoscaleEvaluationPooled
| where ResultType == "Succeeded"
| summarize max(SessionOccupancyPercent), max(SessionCount), max(ActiveSessionHostsPercent), max(ActiveSessionHostCount) by _ResourceId, bin(TimeGenerated, 1d), ConfigScheduleName, ConfigSchedulePhase
| order by _ResourceId asc, TimeGenerated asc, ConfigScheduleName, ConfigSchedulePhase asc

O Learn não fornece uma regra para interpretar esses valores; a seguir, uma regra prática. O dimensionamento automático só ativa mais um host quando a capacidade utilizada é maior que o limite de capacidade, então atingir o limite é o esperado. Uma ocupação bem acima do limite durante o aumento gradual, ou próxima de 100% logo depois que o pico começa, indica que o aumento começou tarde demais. Uma ocupação bem abaixo do limite durante o aumento gradual e o pico indica que o aumento começou cedo demais ou que o mínimo está alto demais. Baixa ocupação na redução gradual e fora de pico não é um problema, porque o mínimo mantém os hosts em execução. O Learn define ScalingReasonMessage como as ações que o dimensionamento automático decidiu executar e o motivo; consulte esse campo para as fases que você quer questionar.

Fontes

Perguntas frequentes

Com quanta antecedência a fase de aumento deve começar antes de os primeiros usuários fazerem logon?

Meça quanto tempo um host de sessão leva para ser ligado no seu próprio ambiente e, então, inicie o aumento com essa antecedência mais uma margem. Os cenários e as páginas de criação e atribuição do escalonamento automático não informam um valor para o tempo de inicialização nem um tempo mínimo de antecedência.

Um mesmo plano de escalonamento pode ter programações diferentes para dias úteis e fins de semana?

Sim. O Microsoft Learn informa que um plano pode conter várias programações, como programações separadas para dias úteis e fins de semana, cada uma com seu próprio campo Repetir nos dias. Nos dias que você não selecionar, as últimas configurações de fora de pico são mantidas até o próximo aumento.

O escalonamento automático consegue lidar com feriados?

Não por conta própria. A FAQ do escalonamento automático diz que ele não oferece suporte atualmente à redução em datas específicas, como feriados. As páginas de ajuda da Nerdio descrevem programações alternativas para datas específicas no Nerdio Manager, que é um produto separado.

Entities in this article

Temas deste artigo:

Autoscale schedule phases (Azure Virtual Desktop) – Subtema de AVD scaling plan AVD scaling plan – Parte de Azure Virtual Desktop

Related articles

Mais artigos sobre AVD scaling plan:

RSS