تسریع نوسازی پایدار با Green IT Analyzer در وبلاگ AWS – IBM

کسب‌وکارها به طور فزاینده‌ای از حجم‌های کاری فشرده داده‌ها، از جمله محاسبات با عملکرد بالا، هوش مصنوعی (AI) و یادگیری ماشین (ML) استقبال می‌کنند. این فناوری‌ها نوآوری را در سفرهای ترکیبی و چند ابری خود هدایت می‌کنند و در عین حال بر انعطاف‌پذیری، عملکرد، امنیت و انطباق تمرکز می‌کنند. شرکت‌ها همچنین در تلاش هستند تا این نوآوری را با قوانین رو به رشد زیست‌محیطی، اجتماعی و حاکمیتی (ESG) متعادل کنند. برای اکثر سازمان ها، عملیات فناوری اطلاعات و نوسازی بخشی از هدف ESG آنها را تشکیل می دهد و بر اساس آن نظرسنجی اخیر Foundry، حدود 60٪ از سازمان ها به دنبال ارائه دهندگان خدمات متخصص در زمینه های فناوری سبز هستند.

از آنجایی که گزارش انتشار کربن در سراسر جهان رایج می شود، IBM متعهد است به مشتریان خود در تصمیم گیری آگاهانه کمک کند که می تواند به رفع نیازهای انرژی و تأثیر کربن مرتبط با آن ها کمک کند و در عین حال هزینه ها را کاهش دهد. برای کمک به ساختن مستغلات فناوری اطلاعات پایدارتر، IBM با خدمات وب آمازون (AWS) همکاری کرده است تا سفرهای مدرن سازی ابر پایدار را تسهیل کند.

از آنجایی که شرکت‌ها به سرعت نوسازی فناوری اطلاعات خود را برای سرعت بخشیدن به تحول دیجیتال و کسب مزیت تجاری دنبال می‌کنند، فرصت قابل توجهی پدیدار می‌شود. این فرصت شامل معماری مجدد محیط های فناوری اطلاعات و نمونه کارها به سمت طرح های سبزتر و پایدارتر است. چنین رویکردی نه تنها باعث کارایی هزینه می شود، بلکه به اهداف پایداری شرکتی گسترده تر کمک می کند.

درک انتشار کربن از فناوری دیجیتال

همه برنامه‌های تجاری که IBM می‌سازد و اجرا می‌کند، چه برای مشتریان خارجی یا داخلی، همراه با یک هزینه کربن، که در درجه اول به دلیل مصرف برق است. صرف نظر از فناوری ای که IBM برای توسعه این برنامه ها یا خدمات استفاده می کند، کارکرد آنها به سخت افزاری نیاز دارد که انرژی مصرف می کند.
انتشار دی اکسید کربن (CO2) تولید شده توسط برق شبکه بر اساس روش های تولید متفاوت است. سوخت‌های فسیلی مانند زغال‌سنگ و گاز مقادیر قابل‌توجهی کربن منتشر می‌کنند، در حالی که منابع تجدیدپذیر مانند باد یا خورشید مقادیر ناچیزی منتشر می‌کنند. بنابراین، هر کیلووات (کیلووات) الکتریسیته مصرفی به طور مستقیم به مقدار خاصی از معادل CO2 (CO2e) آزاد شده در جو کمک می کند.

بنابراین، کاهش مصرف برق به طور مستقیم منجر به کاهش انتشار کربن می شود.

ردپای کربن در عمل

محاسبات، ذخیره سازی و شبکه، منابع فناوری ضروری هستند که انرژی را در فرآیند ساخت برنامه ها و خدمات مصرف می کنند. فعالیت آنها مستلزم خنک سازی و مدیریت فعال فضاهای مرکز داده ای است که در آن فعالیت می کنند.

مراکز داده برق را از شبکه ای که منطقه عملیاتی آنها را تامین می کند، می گیرند. این پاور تجهیزات فناوری اطلاعات مختلفی مانند سرورها، سوئیچ های شبکه و ذخیره سازی را اجرا می کند که به نوبه خود از برنامه ها و خدمات برای مشتریان پشتیبانی می کند. این نیرو همچنین سیستم های جانبی مانند گرمایش، تهویه و تهویه مطبوع یا سرمایش را به کار می گیرد که برای حفظ محیطی که سخت افزار را در محدوده عملیاتی نگه می دارد، ضروری هستند.

راهی برای کربن زدایی

مدرن کردن برنامه ها برای هدایت نوآوری و دگرگونی کسب و کارها بسیار مهم است. IBM Consulting® چارچوب AWS Well-Architected را برای ایجاد یک لنز سفارشی برای پایداری برای انجام ارزیابی‌های حجم کار برای برنامه‌ها هم در محل و هم در AWS Cloud اعمال می‌کند. برای مطالعه سایر سناریوهای کلیدی و نقاط ورود لنز سفارشی IBM Consulting® برای پایداری، پست وبلاگ را بررسی کنید: نوسازی پایدار برنامه با استفاده از AWS Cloud.

در این پست وبلاگ، ما به تجزیه و تحلیل عمیق برای ارزیابی، پیاده سازی توصیه ها و تجزیه و تحلیل اثرات انتشار کربن یک برنامه یکپارچه که بر روی AWS از طریق یک لنز پایداری اجرا می شود، می پردازیم.

Green IT Analyzer: یک پلت فرم جامع کربن زدایی فناوری اطلاعات

پلتفرم Green IT Analyzer مشتریان را قادر می سازد تا فناوری اطلاعات سنتی خود را به فناوری اطلاعات سبز پایدارتر و با انرژی کارآمدتر تبدیل کنند. به عنوان یک فروشگاه یک مرحله ای، اندازه گیری، گزارش، ایجاد خطوط مبنا و ارائه نمای داشبورد یکپارچه از ردپای کربن در محیط ابر ترکیبی - از جمله مراکز داده خصوصی، ابر عمومی و دستگاه های کاربر - ارائه می دهد. این پلتفرم می‌تواند ردپای کربن بخش فناوری اطلاعات را در سطح دانه‌ای و ماشین مجازی (VM) اندازه‌گیری کند. این به شناسایی نقاط داغ انرژی یا کربن برای ایجاد یک نقشه راه بهینه سازی کمک می کند. تکنیک ارزیابی کربن که از آن استفاده می کند با آن همسو می شود گازهای گلخانه ای (GHG) اصول برای بخش فناوری اطلاعات و ارتباطات

روش شناسی مبتنی بر مکان

درک انتشار کربن از بارهای کاری فناوری اطلاعات مستلزم آشنایی با چندین مفهوم و معیارهای کلیدی است. در اینجا یک مرور کلی در سطح بالا آورده شده است:

• ردپای کربن (CFP): مفهوم ردپای کربن در تحلیل ما مرکزی است. CFP نشان دهنده مقدار کل CO است₂ و انتشار گازهای گلخانه ای معادل مرتبط با تامین انرژی یک مرکز داده، که از اندازه گیری پایه CFP بزرگتر یا مساوی صفر شروع می شود. این یک معیار بسیار مهم برای سنجش اثرات زیست محیطی عملیات مرکز داده است.
• اثربخشی مصرف برق (PUE): یکی دیگر از معیارهای مهم، اثربخشی مصرف برق است. PUE بازده انرژی یک مرکز داده را با تقسیم کل انرژی تاسیسات بر انرژی مصرف شده توسط تجهیزات فناوری اطلاعات محاسبه می کند. این تقسیم نسبتی را به دست می دهد که نشان دهنده کارایی است: یک PUE نزدیک به 1 (یک) نشان دهنده راندمان بالا است، در حالی که مقادیر بالاتر نشان دهنده اتلاف انرژی بیشتر است.
  فرمول: PUE = (انرژی کل تاسیسات)/(انرژی مصرف شده توسط تجهیزات فناوری اطلاعات)
• شدت کربن (CI): در نهایت، ما شدت کربن را در نظر می گیریم. CI میزان انتشار کربن را بر حسب گرم بر کیلووات ساعت (گرم بر کیلووات ساعت) از تولید برق شبکه که مرکز داده را تغذیه می کند، اندازه گیری می کند. این معیار بر اساس منبع انرژی متفاوت است. شبکه های زغال سنگ می توانند دارای CI بیشتر از 1,000 گرم در کیلووات ساعت باشند در حالی که شبکه هایی که از منابع تجدیدپذیر مانند باد و خورشید تغذیه می شوند باید CI نزدیک به صفر داشته باشند. (پنل های خورشیدی دارای مقداری CFP هستند اما در مقایسه با سوخت های فسیلی بسیار کمتر هستند.)

بیایید یک چالش عمده مشتری را در نظر بگیریم. هر سازمانی متعهد به دستیابی به انتشار خالص صفر است و فناوری اطلاعات نقش مهمی در دستیابی به دستور کار پایداری دارد. این امر می تواند شامل کاهش ردپای کربن خود دارایی IT باشد - به ویژه برای مشتریان مالی با انتشار آلاینده های IT بالا - یا ایجاد یک پلت فرم پایدار که بر روی فناوری اطلاعات سبز کار می کند.

برنامه‌های یکپارچه قدیمی‌تر، که معمولاً بر روی پلت‌فرم‌های مبتنی بر VM در مراکز داده اولیه یا ابرهای عمومی اجرا می‌شوند، یک منطقه تمرکز کلیدی هستند. یک سوال مهم مطرح می‌شود: چگونه می‌توانیم مصرف منابع فناوری اطلاعات را از این برنامه‌های یکپارچه قدیمی که معمولاً 20 تا 30 درصد از کل مجموعه فناوری اطلاعات را در اختیار دارند، کاهش دهیم؟ حرکت از برنامه‌های یکپارچه مبتنی بر VM به سمت معماری مبتنی بر میکروسرویس با کارآمدتر انرژی که بر روی یک پلت فرم کانتینری اجرا می‌شود، از نظر انرژی کارآمدتر است. با این حال، ارزیابی هر مورد به صورت جداگانه ضروری است، زیرا یک رویکرد یک اندازه مناسب برای همه همیشه موثر نیست.

از این معیار می توان برای انتخاب نامزدهای تبدیل برنامه استفاده کرد:

• برنامه های کاربردی با بیش از 70٪ -80٪ استفاده از پردازنده

• برنامه های کاربردی در حال تجربه سنبله های فصلی در معاملات، مانند شب کریسمس، دیوالی و دیگر تعطیلات رسمی

• برنامه های کاربردی با افزایش روزانه معاملات در زمان‌های خاص، مانند سوار شدن خطوط هوایی در اوایل صبح یا شب

• برخی از اجزای تجاری در برنامه های یکپارچه که افزایش استفاده را نشان می دهند

تجزیه و تحلیل وضعیت برنامه های یکپارچه همانطور که هست

مثالی از یک برنامه فروشگاه الکترونیکی ساده را در نظر بگیرید که روی AWS در ماشین مجازی Elastic Compute Cloud (EC2) اجرا می شود. این برنامه، یک سبد خرید الکترونیکی، بارهای کاری فصلی را تجربه می کند و از محل به یک نمونه AWS EC2 مجددا میزبانی شده است (بالا و جابجایی). برنامه های کاربردی یکپارچه مانند این بسته همه عملکردهای تجاری را در یک واحد قابل استقرار واحد می کنند.

جدول زیر ویژگی های کلیدی برنامه های قدیمی فروشگاه الکترونیکی را شرح می دهد.

انتشار کربن یک حجم کاری مستقیماً با مصرف منابعی مانند محاسبات، ذخیره سازی و شبکه مرتبط است و محاسبات اغلب مهم ترین عامل آن است. این بر اساس ویژگی های حجم کار متفاوت است. به عنوان مثال، در صنعت رسانه یا جریان، انتقال داده از طریق شبکه و ذخیره مجموعه داده های بزرگ بدون ساختار انرژی قابل توجهی مصرف می کند.

نمودار الگوی استفاده از CPU را در زمانی که حداقل فعالیت کاربر در برنامه یکپارچه در حال اجرا در یک نمونه EC2 اتفاق می افتد، نشان می دهد.

ما از پلتفرم Green IT Analyzer برای انجام یک حسابداری کربن از وضعیت برنامه یکپارچه استفاده کردیم و آن را با وضعیت هدف همان برنامه مقایسه کردیم که در یک معماری میکروسرویس در حال اجرا در Amazon Elastic Kubernetes Services (EKS) پلت فرم.

مرحله 1: تجزیه و تحلیل ردپای کربن جامع برنامه های کاربردی یکپارچه

ابتدا، ما بر بررسی ردپای کربن فعلی یک حجم کاری یکپارچه تحت شرایط عملیاتی مختلف تمرکز می‌کنیم. این به ما یک خط پایه برای شناسایی مناطق برای بهبود ارائه می دهد.

بیایید ردپای کربن تخمینی را برای حجم کاری یکپارچه خود محاسبه کنیم، زمانی که حداقل تراکنش های کاربر و 45٪ استفاده از CPU را داریم:

• PUE ایالات متحده شرقی 1d AZ: 1.2
• CI: 415.755 گرم CO2/kWh

الف. محاسبه کربن تخمینی زمانی که هیچ فعالیت کاربر وجود ندارد:

• انرژی مصرفی: 9.76 گرم بر وات با استفاده 45 درصد
• ساعت اجرای همان حجم کاری: 300 ساعت
• انتشار کربن تخمینی برای 300 ساعت = PUE × CI × انرژی مصرف شده توسط حجم کار
• = [(1.2 × 415.755 × 9.76) × 300] ÷ 1,000 = 1,460.79 گرم CO2e

ب. انتشار کربن تخمینی با 500 کاربر همزمان:

در سناریویی که در آن تراکنش‌های سطح اوج بر اساس الزامات غیرعملکردی (NFR) برای آزمایش توانایی سیستم برای پشتیبانی از پیک‌های روزانه ایجاد شدند، استفاده از CPU در طول فعالیت همزمان کاربر به 80 درصد افزایش یافت. این وضعیت باعث ایجاد یک قانون مقیاس خودکار تنظیم شده برای فعال شدن در 80٪ استفاده از CPU شد. این قانون ماشین های مجازی اضافی را برای اطمینان از اینکه بار روی هر ماشین مجازی زیر 60% باقی می ماند، ارائه می کند. سپس متعادل کننده بار به طور موثر بار را بین ماشین های مجازی موجود و جدید توزیع می کند.

با توجه به مقیاس خودکار نمونه های جدید EC2، یک ماشین مجازی t2.large اضافی در دسترس قرار گرفت که منجر به کاهش میانگین استفاده به 40٪ شد.

• انتشار کربن تخمینی برای این سناریو، با هر دو ماشین مجازی یکسان به مدت 300 ساعت = PUE × CI × انرژی مصرف شده توسط حجم کار
• = {[(1.2 × 415.755 × 9.76) × 300] × 2} ÷ 1,000 = 2,921.59 گرم CO2e

مرحله 2: اجرای توصیه های پایداری

این مرحله طیف وسیعی از توصیه‌های پایداری و اجرای عملی آنها را برای کاربرد یکپارچه بررسی می‌کند. ما از ارزیابی لنز سفارشی برای پایداری برای راهنمایی این توصیه‌ها استفاده می‌کنیم.

ابتدا، ما تجزیه برنامه های کاربردی یکپارچه را به میکروسرویس های واکنشی مبتنی بر عمل در نظر می گیریم. این رویکرد بر اساس رفتار فصلی برنامه و الگوهای استفاده متفاوت طراحی شده است، که به ویژه در دوره‌های اوج از جمله فصول جشن که افزایش ترافیک و تمرکز بر جستجوی مصنوعات در تراکنش‌های باطن مشاهده می‌شود، مفید است.

دوم، این طرح شامل کاهش مصرف انرژی با برنامه‌ریزی پردازش دسته‌ای در طول دوره‌های بیکاری است، به‌ویژه زمانی که شبکه مرکز داده با انرژی سبز کار می‌کند. هدف این رویکرد صرفه جویی در مصرف انرژی با به حداقل رساندن مدت تراکنش های بلندمدت است.

در نهایت، این استراتژی بر اهمیت انتخاب یک پلتفرم انعطاف‌پذیر، مانند AWS EKS یا Red Hat® OpenShift® در AWS (ROSA) تأکید می‌کند که قادر به مقیاس‌بندی پویا منابع بر اساس ترافیک شبکه است. چنین انتخاب پلت فرمی به اطمینان از تخصیص بهینه منابع کمک می کند و برای میزبانی میکروسرویس های واکنشی مبتنی بر عمل مفید است.

به طور خلاصه، استراتژی‌های پیشنهادی شامل تجزیه میکروسرویس همسو با الگوهای استفاده، زمان‌بندی تراکنش آگاهانه انرژی، و انتخاب پلت فرم انعطاف‌پذیر برای افزایش کارایی برنامه و استفاده از منابع است.

برنامه بازسازی شده به میکروسرویس ها در تصویر نشان داده شده است:

حال اجازه دهید انتشار کربن را پس از تبدیل کاربرد یکپارچه به معماری مبتنی بر ریزسرویس‌ها با پیروی از اصول طراحی پایدار و در عین حال بازسازی برنامه تحت چتر مدرن‌سازی پایدار محاسبه کنیم.

A. محاسبه کربن تخمینی بدون بار یا کم:

• گره کارگر: 2 × t2.medium
• میزان استفاده: 10% (در صورت عدم بارگذاری بر روی برنامه)
• انرژی مصرفی: 6 گرم بر وات در مصرف 5 درصد
• PUE (1.2) و CI (415.755 گرم CO₂/kWh) ثابت باقی می ماند زیرا ما همچنان به استفاده از همان منطقه دسترسی ادامه می دهیم.
• ساعت ها: 300،XNUMX
• انتشار کربن تخمینی برای 300 ساعت = PUE × CI × انرژی مصرف شده توسط حجم کار
• = [(1.2 × 415.755 × 6) × 300] ÷ 1,000 = 1,796 گرم CO₂e

مشاهدات: هنگامی که هیچ باری روی سیستم وجود ندارد، برنامه‌ای که روی VM اجرا می‌شود نسبت به میکروسرویس‌هایی که روی یک خوشه EKS کار می‌کنند کربن کارآمدتر است.

B. محاسبه کربن تخمینی در زمان اوج بار:

مشابه آزمایش بار برنامه‌های یکپارچه، ما 500 کاربر را وارد کردیم و تراکنش‌های همزمان را برای برآوردن الزامات NFR در میکروسرویس‌هایی که ساختیم آغاز کردیم.

• گره کارگر: 2 × t2.medium
• افزایش استفاده به دلیل بار: 10٪ تا 20٪
• انرژی مصرفی: 7.4 گرم بر وات در مصرف 20 درصد
• PUE و CI یکسان باقی می مانند.
• ساعت ها: 300،XNUMX
• انتشار کربن تخمینی برای 300 ساعت = PUE × CI × انرژی مصرف شده توسط حجم کار
• = [(1.2 × 415.755 × 7.4) × 300] ÷ 1,000 = 2,215.14 گرم CO₂e

در اینجا، مقیاس خودکار پادها برای خدمات UI رخ داد، اما خدمات سبد خرید به منابع بیشتری برای افزایش مقیاس نیاز نداشت. در کاربردهای یکپارچه، افزایش مقیاس کل پلت فرم بدون توجه به اینکه کدام عملکرد یا خدمات کسب و کار به منابع بیشتری نیاز دارد، ضروری است، که منجر به افزایش استفاده از 20٪ می شود.

مشاهدات: بیایید هر دو سناریو را با هم مقایسه کنیم.

1. هنگامی که سیستم بیکار است یا دارای یک نمایه بار ثابت در سراسر ساعت است: وقتی تقریباً هیچ باری وجود ندارد، برنامه های یکپارچه منابع کمتری مصرف می کنند و تقریباً منتشر می کنند ٪۱۰۰ کربن کمتری نسبت به برنامه های کاربردی مبتنی بر میکروسرویس میزبانی شده در خوشه EKS.
2. هنگامی که سیستم در بار کامل یا بار متغیر است: هنگامی که سیستم در بار کامل است، یک وجود دارد ٪۱۰۰ کاهش CO₂ انتشار در پلت فرم Kubernetes در مقایسه با حجم کار مبتنی بر VM. این به دلیل استفاده از هسته های کمتر و استفاده کمتر است. ما می‌توانیم حجم‌های کاری بیشتری را در یک کلاستر جابه‌جا کنیم و هسته‌های بیشتری را از برنامه‌های کاربردی دیگر آزاد کنیم تا از مزایای مهم‌تری برخوردار شویم.

این سناریو نمونه ای از چگونگی IBM است^® ارزیابی لنز سفارشی برای پایداری در بار کاری AWS به طراحی مسیر نوسازی پایدار شما و کاهش کل ردپای کربن در دارایی IT شما کمک می‌کند.

راهنمای اقدام

برای سازمان هایی که به پایداری اهمیت می دهند، محاسبات مسئولانه و فناوری اطلاعات سبز فقط حیاتی نیستند. آنها کاملا امکان پذیر هستند. رهبران فناوری اطلاعات می توانند با پیگیری فعالیت های سازگار با محیط زیست که استراتژی، عملیات و پلت فرم های فناوری اطلاعات را در بر می گیرد، به این اهداف دست یابند.

• سبز کردن پلتفرم های IT شما: از refactoring برای انتقال برنامه ها به ابر عمومی استفاده کنید. انتقال بارهای کاری به ابر عمومی بدون بهینه سازی آنها برای این محیط می تواند هزینه های عملیاتی را افزایش داده و پایداری را کاهش دهد. در عوض، با بازسازي برنامه‌ها بر اساس عواملي مانند چرخه عمر، فرکانس به‌روزرسانی و استقرار، و بحراني بودن کسب‌وکار، حجم کار را به گونه‌اي افزايش دهيد که ابر بومي‌تر شود.
• بهینه سازی ظرفیت VM بیکار و دیگر منابع ابری استفاده نشده: قابلیت مشاهده در سطح زیرساخت را برای شناسایی VMهای بیکار در سراسر دارایی IT خود فعال کنید. اتوماسیون مبتنی بر قوانین را برای انجام اقدامات اصلاحی، مانند حذف ماشین‌های مجازی غیرفعال و منابع مرتبط که دیگر به عملکردهای تجاری خدمت نمی‌کنند، پیاده‌سازی کنید. علاوه بر این، اندازه VM را بر اساس ترافیک شبکه از طریق مقیاس خودکار بهینه کنید.
• ایجاد منابع در صورت نیاز: اگرچه منابع ابری انعطاف‌پذیر هستند، اما اگر حجم کاری را در منابع ثابتی که بدون توجه به استفاده به‌طور مداوم اجرا می‌شوند، مستقر کنید، مزایای کارایی محدودی به دست می‌آورید. فرصت‌هایی را برای تهیه و حذف منابع در صورت نیاز شناسایی کنید، مانند استفاده از زمان‌بندی VM یا ویژگی‌های انعطاف‌پذیر در سرویس‌های ابری.
• کانتینر کردن حجم کار: با استفاده از پلتفرم کانتینر به جای محیط VM سنتی، می‌توانید هزینه‌های زیرساخت سالانه را تا سقف کاهش دهید ٪۱۰۰. پلتفرم‌های کانتینری امکان زمان‌بندی کارآمد کانتینرها را در میان مجموعه‌ای از ماشین‌های مجازی بر اساس نیازهای منابع آنها فراهم می‌کنند.
• مدرن کردن برنامه های یکپارچه خود به معماری مبتنی بر میکروسرویس: میکروسرویس‌های واکنشی را بر اساس نیاز خود انتخاب کنید: میکروسرویس‌های واکنشی برای فراخوانی مبتنی بر رویداد برای بهینه‌سازی استفاده از منابع، ریزسرویس‌های رویداد محور برای فراخوانی ناهمزمان، یا میکروسرویس‌های بدون سرور برای اجرای مبتنی بر نیاز یک عملکرد واحد.

چارچوب تحول فناوری اطلاعات سبز مشاوره IBM، لنزهای سفارشی برای پایداری، و پلتفرم Green IT Analyzer مجموعا به مشتریان در سفر کربن زدایی کمک می کنند. هر دو چارچوب به ارزیابی بار کاری، شناسایی اهرم‌های بهینه‌سازی که می‌توانند مصرف انرژی را کاهش دهند، و ایجاد نقشه راه مدرن‌سازی اپلیکیشن کمک می‌کنند که شما را قادر می‌سازد به اهداف پایداری خود برسید.

درباره خدمات مشاوره IBM برای AWS Cloud بیشتر بیاموزید.