Antes que o evento de pico de capacidade ocorra, gerencie e otimize os recursos usados pelas cargas de trabalho Google Cloud . Isso envolve dimensionar os recursos com base no uso e na demanda reais, usar o escalonamento automático para alocação de recursos dinâmicos e revisar as recomendações de arquitetura e segurança. O Cloud Monitoring e o Recommender (Active Assist) podem ajudar você a identificar oportunidades para otimizar seus recursos na nuvem. Com essas ferramentas, é possível ter insights sobre o uso de recursos e tomar decisões fundamentadas antes do evento.
Confira as Google Cloud práticas recomendadas
Muitos problemas de evento de capacidade máxima podem ser evitados seguindo as práticas recomendadas para o produto Google Cloud que você está usando. Confira abaixo exemplos de alguns guias de práticas recomendadas:
| Geral | |
| BigQuery | |
| Cloud Storage | |
| Compute Engine | |
| Dataflow | |
| Dataproc | |
| Google Kubernetes Engine |
Analisar a escalonabilidade
O escalonamento automático pode garantir que seus aplicativos baseados na nuvem tenham os recursos necessários para processar cargas de trabalho variadas, evitando provisionamento excessivo e custos desnecessários. Google Cloud oferece várias opções de escalonamento automático específicas do produto, incluindo:
- Os grupos de instâncias gerenciadas (MIGs) do Compute Engine são grupos de VMs gerenciados e dimensionados como uma única entidade. Com os MIGs, é possível definir políticas de escalonamento automático que especificam o número mínimo e máximo de VMs a serem mantidos no grupo e as condições que acionam o escalonamento automático.
- O autoescalado do Google Kubernetes Engine (GKE) ajusta dinamicamente os recursos do cluster para atender às necessidades do aplicativo. Ele oferece ferramentas que podem otimizar a utilização de recursos, garantir o desempenho do aplicativo e simplificar o gerenciamento de clusters.
- O Cloud Run oferece escalonamento automático integrado, que ajusta automaticamente o número de instâncias com base no tráfego recebido.
Antes do evento, recomendamos que você faça a expansão manualmente. Embora você possa ter configurado o escalonamento automático, devido à velocidade do tráfego de eventos, ele pode não conseguir acompanhar a demanda. Portanto, pré-aqueça os recursos antes do tempo, incluindo o seguinte:
- Máquinas virtuais
- Caches se você quiser pré-carregar
- Componentes sem servidor para evitar inicializações a frio
Analisar as recomendações do Active Assist
O Active Assist se refere ao portfólio de ferramentas usadas no Google Cloud para gerar recomendações e insights que ajudam a otimizar os projetos Google Cloud . Para mais informações, consulte O que é o Active Assist.
Analisar as versões do produto
Confira se todos os seus produtos e serviços na nuvem estão atualizados com a versão estável mais recente.
Analisar alertas e painéis
Identifique e resolva problemas de forma proativa avaliando os alertas e painéis fornecidos pelas ferramentas de observabilidade do Google Cloud e soluções de terceiros.
Verifique as métricas, registros e rastros da Observability do Google Cloud para receber insights sobre a utilização de recursos, as características de desempenho e a saúde geral dos recursos. Monitore métricas importantes que estejam alinhadas com indicadores de integridade do sistema, como utilização da CPU, uso da memória, tráfego de rede, E/S de disco e tempos de resposta do aplicativo. Também é preciso considerar as métricas específicas da empresa. Ao acompanhar essas métricas, é possível identificar possíveis gargalos, problemas de desempenho e restrições de recursos. Além disso, você pode configurar alertas para notificar as equipes relevantes proativamente sobre possíveis problemas ou anomalias.
Para alertas, concentre-se nas métricas críticas, defina limites adequados para minimizar a fadiga de alertas e garantir respostas rápidas a problemas importantes. Essa abordagem direcionada permite manter a confiabilidade da carga de trabalho de forma proativa. Para mais informações, consulte a Visão geral de alertas.