在我的上一篇文章中，我讨论了软件能够做出决策的必要性，以及对Pivotal Cloud Foundry和底层基础设施的全面了解对于准确地确定正确的操作至关重要。如果操作不具体、不准确，你就不能自动化它们！所以，让我们深入研究这些动作，以及它们是如何映射回涡轮力学对完整堆栈的独特分析的。管理基础设施运行共享虚拟化基础设施可以提高效率，物联网+，但如果只从一个角度进行管理，则会带来挑战。我们经常看到客户将其容器部署与底层（传统）基础设施分开管理，而实际情况是这些堆栈层非常相互依赖—此处的更改可能会在那里引发风险（反之亦然）。Turbonomics的完整堆栈分析管理底层基础设施，并定义VM/Diego单元扩展，同时了解有多少所需资源真正可用。通过Hypervisor持续控制基础设施：放置VM以避免拥塞、提高效率和维护HA目标。深入了解何时提供更多计算或存储。对该基础设施上的PCF进行完全堆栈控制：当PCF连接到底层基础设施时，通信云，Turbonic了解性能风险和瓶颈，以及成本影响（公共云）和节省成本或提高效率的机会。 图1：在整个堆栈中管理权衡的涡轮力学动作因此，当Turbonic提供与VM/Diego单元放置或缩放相关的动作时，这些动作将说明：集装箱工作负荷的波动需求（当前和历史）基础设施利用率和可用性（主机计算、存储、网络、公共云成本）遵守政策（例如HA、亲和力/反亲和力、数据主权等）换句话说，Turbonomic管理公共云IaaS中性能、策略遵从性和效率/成本之间的权衡。当需求增加时自动扩展/扩展资源，当需求减少时自动缩减资源的操作。这些操作可以通过适当的PCF机制来执行：Diego Cell scaling将由BOSH执行，通过与Pivotal Ops Manager的直接集成实现。图2:Turbonic可以直接通过PCF Ops Manager/BOSH执行动作或自动执行PCF Diego Cell（VM）缩放Turbonic通过将堆栈缝合在一起的能力提供的另一个好处是，根据作业名称、用底层IaaS VM名称缝合的PCF部署标识符以及IaaS层的性能或成本数据，为DevOps用户提供PCF部署环境的可见性轻松识别这些作业，并将其直接与vCenter VM、AWS实例、Azure VM等关联。这允许用户根据作业、PCF部署和灵活的报告分组选项定义策略。图3:PCF部署中的VM列表，显示Job\deployment ID+VM name的复合名称更重要的是，将Turbonic stitch PCF添加到您的IaaS平台，可以让您快速、轻松地查看Turbonic看到的性能风险以及可以完全避免性能下降的特定自动化操作。按作业从service a container导航到任何PCF VM，并查看性能详细信息，如就绪队列、交换，不断膨胀的IOPS延迟。这为组织节省了时间和金钱，从而避免了让多个人从不同的地方获取数据的劳动图4：Turbonic的全叠缝合提供了对附加性能信息的深入了解。Turbonomics的分析引擎还提供了一种定义策略的方法，可以帮助您管理PCF基础设施的高可用性、许可合规性和/或对共享群集中资源的访问。一个使用案例是帮助PCF客户利用共享群集，大数据课程，将资源池用作PCF可用性区域（AZ）。Turbonomic将确保vm在物理主机上被分离，以获得高可用性。该方法将PCF AZ定义为vCenter资源池，而Turbonic策略将资源池映射到物理主机，以便在特定主机上基于HA的PCF虚拟机分布。该映射通过一个涡轮力学放置策略强制执行，财务大数据，因此，当Turbonic控制VM放置时，我们可以在保证性能的同时遵守高可用性目标，同时利用共享集群的效率。图5：显示PCF AZ到VMware资源池的映射的逻辑图，其中Turbonic将处理"分配"给资源池的主机上PCF虚拟机的分发。管理PaaSTurbonomics的分析还将通过推荐应用程序和容器缩放来确定避免拥塞的措施，而不需要您管理静态的单指标阈值。此外，它还推动了一个更高效的环境，通过管理性能和效率的权衡，准确了解VM/Diego单元中可以容纳多少个容器，以及如何规划增长。图6：应用程序和容器上的涡轮力学缩放操作图6：应用程序和容器上的涡轮力学缩放操作涡轮机械与云铸造与所有涡轮力学集成一样，该平台利用了关键的云计算API。未安装任何内容。Turbonomic只是针对环境中的内容来收集已经收集的数据。它的分析使用这些数据来确定正确的操作，然后通过api执行这些操作。Turbonomics使用Cloud Foundry App Manager来发现应用程序、容器/液滴、导入关联/反关联规则以及收集监控数据。它使用PCF Ops Manager API收集VM Cluster（Diego）的详细信息，并使用此接口使用BOSH来协调集群规模的操作。同样，Turbonic从虚拟机监控程序（如vCenter或公共云IaaS提供商）收集有关基础设施的数据，所有这些数据都使用远程API。Turbonic数据模型的优点在于，它可以将来自多个源的所有这些信息粘在一起，以便准确地确定将要执行的特定操作确保性能，同时保持法规遵从性并将成本降至最低。当你自动化这些行动，你就实现了自我管理的涅盘图7：与关键云铸造和基础设施组件的涡轮力学集成。  学习如何进行成功的数字化转型！  hbspt.cta公司.\u relativeUrls=真；hbspt.cta.负荷（504172，"ac7fee8d-de03-41de-89b4-dde56a3e7942"，选购云服务器，{}）；