M365Con 2027 – бесплатная онлайн-конференция · 11–22 Jan 2027 · 120 sessions m365con.net

Блог · Mirko Peters

Балансировка нагрузки «в ширину» в Azure Virtual Desktop: разбор

Партнёр · Нейтральный партнёр: Nerdio

By ·

Балансировка «в ширину» отправляет каждый новый сеанс на случайно выбранный узел из половины доступных узлов сеансов с наименьшим количеством сеансов. Лимит максимального числа сеансов для неё не нужен, но для автомасштабирования его нужно задать вручную.

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

Балансировка нагрузки «в ширину» в Azure Virtual Desktop направляет каждый новый пользовательский сеанс на узел сеансов, выбранный случайным образом из половины доступных узлов, на которых сейчас меньше всего сеансов. Цель — распределить пользователей по пулу так, чтобы загрузка ЦП, памяти и диска на каждом узле была в целом ниже. Лимит максимального числа сеансов для этого не требуется. Сравнение алгоритмов «в ширину» и «в глубину» рассматривается в отдельной статье этой серии.

Ключевые выводы

  • Алгоритм «в ширину» опрашивает узлы сеансов, которые принимают новые подключения, и выбирает один из половины с наименьшим количеством сеансов случайным образом. Поэтому распределение сбалансированное, но не строго равномерное.
  • Лимит максимального числа сеансов для «в ширину» необязателен. Если пул создан с этим алгоритмом, по умолчанию задается 999999 — максимально возможное значение.
  • Learn описывает «в ширину» как алгоритм, который оптимизирует производительность сеансов, поскольку ресурсы узлов, как правило, меньше конкурируют между собой. «В глубину» же Learn рекомендует организациям, которые внимательно следят за затратами.
  • Оба алгоритма по-прежнему направляют вернувшегося пользователя на узел, где находится его активный или отключенный сеанс, даже если на этом узле включен режим очистки. Новых пользователей оба алгоритма на узлы в режиме очистки не направляют.
  • При автомасштабировании Learn рекомендует использовать «в ширину» для фазы нарастания нагрузки. Алгоритм фазы нарастания в расписании переопределяет настройку пула узлов, и при этом нужно задать пользовательский максимальный лимит сеансов.

Как выбирается узел

Learn описывает алгоритм в два этапа. Сначала опрашиваются узлы сеансов пула, которые принимают новые подключения. Затем случайным образом выбирается узел из половины этого набора, а именно из тех, где сеансов меньше всего.

Пример из документации Learn: у девяти узлов сеансов соответственно 11, 12, 13, 14, 15, 16, 17, 18 и 19 сеансов. Новый сеанс автоматически не попадает на узел с 11 сеансами. Он может попасть на любой из первых пяти узлов с наименьшим количеством сеансов, выбранный случайным образом. Learn прямо указывает на последствие: из-за случайного выбора некоторые сеансы могут распределяться неравномерно между всеми узлами сеансов.

Правила, общие с «в глубину»

Learn перечисляет три поведения, общие для обоих алгоритмов. Наиболее важные для «в ширину»: пользователь, у которого уже есть активный или отключенный сеанс, при повторном входе перенаправляется на узел с этим сеансом, даже если на этом узле включен режим очистки. Для пользователя без сеанса балансировщик нагрузки узел в режиме очистки не рассматривает. Статья-сравнение в этой серии разбирает все три правила. Для каждого объединенного пула узлов сеансов можно настроить один алгоритм и менять его в любое время.

Максимальный лимит сеансов

Learn говорит, что для breadth-first не нужно указывать максимальный лимит сеансов. Однако максимальный лимит сеансов всё равно существует. Если вы используете breadth-first при первом создании пула узлов сеансов, значение по умолчанию равно 999999, что также является наибольшим возможным числом. На странице развертывания сказано, что нужно ввести максимальное количество пользователей, которых требуется распределять по одному узлу сеансов с балансировкой нагрузки, а на странице с терминологией добавлено, что при высокой одновременной нагрузке подключений, когда несколько пользователей подключаются одновременно, количество сеансов на узле сеансов может превысить лимит. Learn также указывает, что если снизить лимит на узле сеансов, пока на нём есть активные сеансы пользователей, это изменение на эти сеансы не повлияет.

Автомасштабирование меняет ситуацию. На странице создания и назначения сказано, что при использовании автомасштабирования для пула узлов сеансов с общими ресурсами необходимо настроить пользовательское значение MaxSessionLimit и не использовать значение по умолчанию. В глоссарии Learn по автомасштабированию определены используемые показатели: доступная ёмкость пула узлов сеансов равна максимальному лимиту сеансов, умноженному на количество доступных узлов сеансов, а используемая ёмкость пула узлов сеансов равна количеству активных и отключённых сеансов, деленному на эту ёмкость. Пример со страницы создания и назначения: два узла сеансов с лимитом 20 сеансов дают доступную ёмкость 40 сеансов. При пороге ёмкости 75 процентов автомасштабирование включает третий узел, когда на узлах будет более 30 сеансов, и ёмкость станет равна 60.

Breadth-first и автомасштабирование

План масштабирования задает алгоритм балансировки нагрузки для каждой фазы. На странице сценариев сказано, что для пулов узлов сеансов с общими ресурсами автомасштабирование игнорирует алгоритм из параметров пула узлов сеансов и применяет балансировку нагрузки на основе расписания, а на странице создания и назначения указано, что предпочтение, выбранное в расписании, переопределяет то, что задано в исходных параметрах пула. Та же страница рекомендует breadth-first для фазы нарастания нагрузки, чтобы распределять пользователей по уже работающим узлам и сохранять быстрый доступ. В FAQ по автомасштабированию приведён пример на весь день: breadth-first в фазах нарастания и пиковой нагрузки, depth-first в фазах снижения и вне пиковых часов, чтобы автомасштабирование могло консолидировать сеансы.

Подробнее о том, как определяются фазы расписания, см. в статье фазы расписания автомасштабирования.

Первый сценарий автомасштабирования в Learn использует breadth-first в фазе нарастания нагрузки. В пуле шесть узлов сеансов, порог ёмкости 30 процентов, минимальная доля узлов 30 процентов и максимальный лимит сеансов 5. Автомасштабирование запускает два узла, чтобы выполнить минимум: 30 процентов от шести равно 1,8, которое округляется вверх до двух. Доступная ёмкость составляет 10.

  1. Три пользователя входят в систему. Поскольку алгоритм breadth-first, их сеансы распределяются между двумя работающими узлами. Используемая ёмкость составляет 30 процентов, что не превышает порог, поэтому автомасштабирование ничего не запускает.
  2. Четвёртый пользователь входит в систему. Используемая ёмкость составляет 40 процентов, что выше порога, поэтому автомасштабирование запускает третий узел. Ёмкость возрастает до 15, а используемая ёмкость снижается до 27 процентов.
  3. Пятый пользователь повышает показатель до 33 процентов, поэтому запускается четвёртый узел. При 5 сеансах на 4 узлах ёмкость равна 20, а загрузка составляет 25 процентов.

Таблица Learn продолжается: 6 сеансов на 4 узлах дают 30 процентов, поэтому ничего не запускается, а 7 сеансов на 4 узлах дают 35 процентов, поэтому запускается пятый узел, и ёмкость становится равной 25 (28 процентов). Поскольку в этом примере лимит равен 5, каждый узел добавляет 5 к доступной ёмкости.

Стоимость и производительность

Learn describes the компромисс напрямую. Breadth-first описан как идеальный выбор для организаций, которые ставят на первое место пользовательский опыт, поскольку ресурсы узлов, такие как ЦП, память и диск, обычно меньше загружены. Depth-first описан как идеальный выбор для организаций, внимательных к затратам, так как последовательная загрузка одного узла упрощает уменьшение количества включенных узлов, когда в систему входит меньше пользователей.

Оба алгоритма можно комбинировать в одном плане масштабирования, как показано в примере из FAQ по автомасштабированию, описанном выше в разделе «Breadth-first и автомасштабирование». Что автомасштабирование делает в фазе снижения нагрузки, включая принудительный выход из системы и отключение всех узлов в нерабочее время, рассматривается в статьях этой серии о depth-first и планах масштабирования. См. также сущность план масштабирования.

Как это настроить

Вам понадобится роль Участник Desktop Virtualization Host Pool. На портале Azure:

  1. Найдите и выберите Azure Virtual Desktop, затем выберите Пулы узлов сеансов и нужный пул.
  2. Выберите Свойства.
  3. Для Алгоритм балансировки нагрузки выберите «в ширину» в раскрывающемся списке, а для Максимальный предел сеансов введите значение.
  4. Нажмите Сохранить.

В PowerShell Update-AzWvdHostPool принимает -LoadBalancerType и -MaxSessionLimit. На странице Microsoft Learn о балансировке нагрузки показано, как задать режим «в ширину», не меняя максимальный предел сеансов:

$parameters = @{
    Name              = '<HostPoolName>'
    ResourceGroupName = '<ResourceGroupName>'
    LoadBalancerType  = 'BreadthFirst'
}
Update-AzWvdHostPool @parameters

Чтобы проверить результат, на той же странице используется Get-AzWvdHostPool @parameters | Format-Table Name, LoadBalancerType, MaxSessionLimit. Эквивалент в Azure CLI: az desktopvirtualization hostpool update --resource-group <ResourceGroupName> --name <HostPoolName> --load-balancer-type BreadthFirst. Microsoft Learn описывает блок PowerShell как настройку режима «в ширину» с оговоркой «без изменения максимального предела сеансов», поэтому существующий предел остаётся прежним. Чтобы задать и предел, добавьте -MaxSessionLimit со своим значением. В примерах Microsoft Learn для режима «в глубину» предел равен 10: MaxSessionLimit = '10' в PowerShell и --max-session-limit 10 в Azure CLI. В разделе о режиме «в глубину» Microsoft Learn сказано, что для определения максимального предела сеансов можно использовать Azure Virtual Desktop Insights, чтобы отслеживать количество сеансов на каждом узле сеансов и анализировать его производительность. Для локальной работы Microsoft Learn в качестве предварительных требований указывает расширение Azure CLI desktopvirtualization или модуль PowerShell Az.DesktopVirtualization.

Когда стоит ждать сюрпризов

  • Режим отвода при автомасштабировании. Для пулов узлов сеансов с общими ресурсами в Microsoft Learn сказано, что автомасштабирование перезаписывает режим отвода на виртуальных машинах, входящих в масштабирование. Поэтому для машин, которые нужно оставить без изменений, например на время обновления, используйте теги исключения. Об этом прямо говорится на странице сценариев автомасштабирования и в разделе «Часто задаваемые вопросы» по автомасштабированию. Если какой-то узел неожиданно меняет состояние, проверьте тег исключения на нём.

Связанное

Источники

Подписаться на подкастApple PodcastsSpotify

FAQ

Является ли «в ширину» алгоритмом балансировки нагрузки по умолчанию?

При создании объединенного пула узлов сеансов портал предлагает оба алгоритма. На странице развертывания Learn сказано выбрать «в ширину» или «в глубину» в зависимости от шаблона использования. На странице балансировки нагрузки Learn алгоритм по умолчанию не назван. Там же сказано, что если выбрать «в ширину» при первом создании пула узлов, максимальный лимит сеансов по умолчанию будет равен 999999, и это также максимально допустимое значение.

Распределяет ли «в ширину» сеансы строго равномерно?

Нет. Microsoft Learn указывает, что алгоритм выбирает случайный узел из половины доступных узлов с наименьшим количеством сеансов. Поэтому новый сеанс автоматически не попадает на единственный наименее загруженный узел, и некоторые сеансы могут распределяться неравномерно.

Используют ли персональные пулы узлов алгоритм «в ширину»?

Нет. Learn указывает, что балансировка нагрузки к персональным пулам узлов не применяется, так как пользователи всегда связаны с узлом сеансов по схеме 1:1. Алгоритмы «в ширину» и «в глубину» используются только в объединенных пулах узлов сеансов.

Entities in this article

Темы этой статьи:

Breadth-first load balancing (Azure Virtual Desktop) – Подтема в рамках темы «Host pool (Azure Virtual Desktop)» Host pool (Azure Virtual Desktop) – Подтема в рамках темы «Azure Virtual Desktop»

Related articles

Другие статьи на тему Host pool (Azure Virtual Desktop):

RSS