Ускорение устойчивой модернизации с помощью Green IT Analyser на AWS – блог IBM

Предприятия все чаще используют рабочие нагрузки с интенсивным использованием данных, включая высокопроизводительные вычисления, искусственный интеллект (ИИ) и машинное обучение (МО). Эти технологии стимулируют инновации в гибридных и мультиоблачных средах, уделяя особое внимание устойчивости, производительности, безопасности и соблюдению нормативных требований. Компании также стремятся сбалансировать эти инновации с растущими экологическими, социальными и управленческими нормами (ESG). Для большинства организаций ИТ-операции и модернизация являются частью их целей ESG, и, согласно недавний опрос FoundryОколо 60% организаций ищут поставщиков услуг, специализирующихся в областях «зеленых» технологий.

Поскольку отчетность о выбросах углекислого газа становится распространенной во всем мире, IBM стремится помогать своим клиентам в принятии обоснованных решений, которые могут помочь удовлетворить их потребности в энергии и связанное с этим воздействие углерода при одновременном снижении затрат. Чтобы помочь в создании более устойчивых ИТ-инфраструктур, IBM заключила партнерское соглашение с Amazon Web Services (AWS), чтобы облегчить процесс устойчивой модернизации облака.

По мере того, как компании ускоряют модернизацию ИТ, чтобы ускорить цифровую трансформацию и получить преимущества для бизнеса, появляются значительные возможности. Эта возможность предполагает перестройку ИТ-среды и портфеля приложений в сторону более экологичных и устойчивых проектов. Такой подход не только способствует снижению затрат, но и способствует достижению более широких целей корпоративной устойчивости.

Понимание выбросов углекислого газа от цифровых технологий

Все бизнес-приложения, которые IBM создает и запускает как для внешних, так и для внутренних клиентов, поставляются с стоимость углерода, что в первую очередь связано с потреблением электроэнергии. Независимо от технологии, которую IBM использовала для разработки этих приложений или сервисов, для их работы требуется оборудование, потребляющее энергию.
Выбросы углекислого газа (CO2), образующиеся при использовании сетевого электричества, различаются в зависимости от методов производства. Ископаемые виды топлива, такие как уголь и газ, выделяют значительное количество углерода, тогда как возобновляемые источники, такие как ветер или солнечная энергия, выделяют незначительное количество. Таким образом, каждый киловатт (кВт) потребленной электроэнергии напрямую способствует выбросу в атмосферу определенного количества эквивалента CO2 (CO2e).

Таким образом, сокращение потребления электроэнергии напрямую приводит к снижению выбросов углекислого газа.

Углеродный след на практике

Вычисления, хранилища и сети — это важнейшие технологические ресурсы, которые потребляют энергию в процессе создания приложений и услуг. Их деятельность требует активного охлаждения и управления пространствами центров обработки данных, в которых они работают. Как хранители устойчивых ИТ-практик, мы должны подумать о том, как мы можем сократить потребление ресурсов в нашей повседневной деятельности.

Центры обработки данных получают электроэнергию из сети, которая снабжает их рабочий регион. Эта мощность обеспечивает работу различного ИТ-оборудования, такого как серверы, сетевые коммутаторы и системы хранения данных, которые, в свою очередь, поддерживают приложения и услуги для клиентов. Эта мощность также управляет вспомогательными системами, такими как отопление, вентиляция и кондиционирование или охлаждение воздуха, которые необходимы для поддержания среды, в которой оборудование находится в рабочих пределах.

Путь вперед к декарбонизации

Модернизация приложений становится ключевым фактором для стимулирования инноваций и преобразования бизнеса. IBM Consulting® применяет платформу AWS Well-Architected для создания специальной линзы для устойчивого развития, позволяющей выполнять оценку рабочей нагрузки для приложений как локально, так и в облаке AWS. Чтобы узнать о других ключевых сценариях и точках входа в IBM Consulting® Custom Lens for Sustainability, прочтите сообщение в блоге: Устойчивая модернизация приложений с использованием облака AWS.

В этом сообщении блога мы углубляемся в углубленный анализ, чтобы оценить, реализовать рекомендации и проанализировать влияние выбросов углекислого газа монолитного приложения, работающего на AWS, через призму устойчивого развития.

Green IT Analyser: комплексная платформа декарбонизации ИТ

Платформа Green IT Analyser позволяет клиентам преобразовать свои традиционные ИТ в более энергоэффективные и устойчивые экологически чистые ИТ. Выступая в качестве единого окна, он измеряет, составляет отчеты, создает базовые показатели и предоставляет унифицированную панель мониторинга выбросов углекислого газа в гибридной облачной среде, включая частные центры обработки данных, публичное облако и пользовательские устройства. Платформа может измерять углеродный след ИТ-инфраструктуры как на детальном уровне, так и на уровне виртуальных машин (ВМ). Это помогает выявить «горячие точки» энергетики или выбросов углерода для разработки дорожной карты оптимизации. Методика оценки выбросов углерода, которую он использует, соответствует парниковый газ (ПГ) принципы для сектора информационных и коммуникационных технологий.

Методика определения местоположения

Понимание выбросов углекислого газа в результате ИТ-задач требует знания нескольких ключевых концепций и показателей. Вот общий обзор:

• Углеродный след (CFP): Концепция углеродного следа занимает центральное место в нашем анализе. CFP представляет собой общее количество CO₂ и эквивалентные выбросы парниковых газов, связанные с электроснабжением центра обработки данных, начиная с базового измерения CFP, большего или равного нулю. Это важнейший показатель для оценки воздействия деятельности центров обработки данных на окружающую среду.
• Эффективность использования энергии (PUE): Еще одним важным показателем является эффективность использования энергии. PUE измеряет энергоэффективность центра обработки данных и рассчитывается путем деления общей энергии объекта на энергию, потребляемую ИТ-оборудованием. Это деление дает коэффициент, который указывает на эффективность: PUE, близкий к 1 (единице), означает высокую эффективность, тогда как более высокие значения предполагают большие потери энергии.
  Формула: PUE = (общая энергия объекта)/(энергия, потребляемая ИТ-оборудованием)
• Углеродная интенсивность (CI): Наконец, мы учитываем интенсивность выбросов углекислого газа. CI измеряет выбросы углекислого газа в граммах на киловатт-час (г/кВтч) при выработке электроэнергии в сети, питающей центр обработки данных. Этот показатель варьируется в зависимости от источника энергии. Угольные сети могут иметь CI, превышающий 1,000 г/кВтч, в то время как сети, работающие на возобновляемых источниках, таких как ветер и солнечная энергия, должны иметь CI, близкий к нулю. (Солнечные панели содержат некоторое количество CFP, но их гораздо меньше по сравнению с ископаемым топливом.)

Давайте рассмотрим главную проблему клиента. Каждая организация стремится к достижению нулевых выбросов, и ИТ играют решающую роль в реализации программы устойчивого развития. Это может включать в себя сокращение выбросов углекислого газа от самой ИТ-инфраструктуры (особенно актуально для финансовых клиентов с высокими выбросами, обусловленными ИТ) или создание устойчивой платформы, работающей на экологически чистых ИТ.

Ключевой областью внимания являются старые монолитные приложения, обычно работающие на платформах на базе виртуальных машин в локальных центрах обработки данных или общедоступных облаках. Возникает важнейший вопрос: как мы можем снизить потребление ИТ-ресурсов этими старыми монолитными приложениями, которые обычно занимают 20–30% всего ИТ-портфеля? Более энергоэффективно перейти от монолитных приложений на базе виртуальных машин к более энергоэффективной архитектуре на основе микросервисов, работающей на контейнерной платформе. Однако важно оценивать каждый случай индивидуально, поскольку универсальный подход не всегда эффективен.

Эти критерии можно использовать для выбора кандидатов на трансформацию приложения:

• Приложения с более чем 70% -80% Использование ЦП

• Приложения, испытывающие сезонные всплески в транзакциях, например, в канун Рождества, Дивали и других государственных праздников

• Приложения с ежедневные всплески транзакций в определенное время, например, при посадке на борт авиакомпании рано утром или ночью

• Некоторые бизнес-компоненты в монолитных приложениях, которые демонстрируют пиковые нагрузки.

Анализ состояния монолитных приложений «как есть»

Рассмотрим пример простого приложения электронного магазина, работающего на AWS в виртуальной машине Elastic Compute Cloud (EC2). Это приложение e-CART испытывает сезонные рабочие нагрузки и было повторно размещено (с подъемом и переносом) из локальной среды на экземпляр AWS EC2. Монолитные приложения, подобные этому, объединяют все бизнес-функции в единый развертываемый блок.

В следующей таблице описаны ключевые характеристики устаревших приложений электронного магазина.

Выбросы углекислого газа при рабочей нагрузке напрямую связаны с потреблением таких ресурсов, как компьютеры, хранилища и сети, причем компьютеры часто вносят наиболее значительный вклад. Это зависит от характеристик рабочей нагрузки; например, в индустрии мультимедиа или потоковой передачи передача данных по сети и хранение больших наборов неструктурированных данных потребляют значительное количество энергии.

На графике показана схема использования ЦП при минимальной активности пользователя в монолитном приложении, работающем в одном экземпляре EC2.

Мы использовали платформу Green IT Analyser для учета выбросов углерода в исходном состоянии монолитного приложения, сравнивая его с целевым состоянием того же приложения, переработанного в микросервисную архитектуру, работающую на Amazon Elastic Kubernetes Services (EKS) .

Шаг 1: Комплексный анализ углеродного следа монолитных конструкций

Во-первых, мы сосредоточимся на изучении текущего углеродного следа монолитной рабочей нагрузки в различных условиях эксплуатации. Это дает нам основу для определения областей для улучшения.

Давайте посчитаем приблизительный углеродный след нашей монолитной рабочей нагрузки, когда у нас минимальное количество пользовательских транзакций и 45% загрузки ЦП:

• PUE восточной части США, 1d AZ: 1.2
• CI: 415.755 грамм CO2/кВтч.

A. Расчетный расчет выбросов углерода при отсутствии активности пользователя:

• Потребляемая энергия: 9.76 г/Вт при коэффициенте использования 45 %.
• Часы работы при той же нагрузке: 300 часов.
• Расчетные выбросы углерода за 300 часов = PUE × CI × энергия, потребляемая рабочей нагрузкой.
• = [(1.2 × 415.755 × 9.76) × 300] ÷ 1,000 = 1,460.79 граммов CO2e

B. Оценка выбросов углекислого газа при одновременном использовании 500 пользователей:

В сценарии, где транзакции пикового уровня создавались в соответствии с нефункциональными требованиями (NFR) для проверки способности системы поддерживать ежедневные пики, загрузка ЦП выросла до 80 % во время одновременной активности пользователей. Эта ситуация привела к срабатыванию набора правил автоматического масштабирования, который активируется при загрузке ЦП 80%. Правило выделяет дополнительные виртуальные машины, чтобы гарантировать, что нагрузка на каждую виртуальную машину останется ниже 60%. Затем балансировщик нагрузки эффективно распределяет нагрузку между существующими и новыми виртуальными машинами.

За счет автомасштабирования новых инстансов EC2 стала доступна дополнительная виртуальная машина t2.large, что привело к падению средней загрузки до 40%.

• Расчетные выбросы углекислого газа для этого сценария, когда обе идентичные виртуальные машины работают в течение 300 часов = PUE × CI × энергия, потребляемая рабочей нагрузкой.
• = {[(1.2 × 415.755 × 9.76) × 300] × 2} ÷ 1,000 = 2,921.59 граммов CO2e

Шаг 2: Реализация рекомендаций по устойчивому развитию

На этом этапе рассматривается ряд рекомендаций по устойчивому развитию и их практическая реализация для монолитного применения. В качестве руководства для этих рекомендаций мы используем оценку устойчивого развития Custom Lens.

Сначала мы рассмотрим декомпозицию монолитных приложений на реактивные микросервисы, основанные на действиях. Этот подход адаптирован к сезонному поведению приложения и различным моделям использования, что особенно полезно в периоды пиковой нагрузки, такие как праздничные сезоны, когда трафик резко возрастает и наблюдается акцент на артефактах просмотра, а не на внутренних транзакциях.

Во-вторых, план предполагает снижение энергопотребления за счет планирования пакетной обработки в периоды простоя, особенно когда сеть центра обработки данных работает на экологически чистой энергии. Этот подход направлен на сохранение мощности за счет минимизации продолжительности длительных транзакций.

Наконец, в стратегии подчеркивается важность выбора гибкой платформы, такой как AWS EKS или Red Hat® OpenShift® на AWS (ROSA), которая способна динамически масштабировать ресурсы на основе сетевого трафика. Такой выбор платформы помогает обеспечить оптимизированное распределение ресурсов и полезен для размещения реактивных микросервисов, основанных на действиях.

Подводя итог, предлагаемые стратегии включают декомпозицию микросервисов в соответствии со схемами использования, энергосберегающее планирование транзакций и гибкий выбор платформы для повышения эффективности приложений и использования ресурсов.

Приложение, реорганизованное в микросервисы, показано на изображении:

Теперь давайте посчитаем выбросы углекислого газа после преобразования монолитного приложения в архитектуру на основе микросервисов, следуя принципам устойчивого проектирования, и одновременно рефакторинг приложения под эгидой устойчивой модернизации.

A. Расчетный учет выбросов углерода при отсутствии или небольшом количестве нагрузок:

• Рабочий узел: 2 × t2.medium
• Загрузка: 10% (при отсутствии нагрузки на приложение)
• Потребляемая энергия: 6 г/Вт при коэффициенте использования 5%.
• PUE (1.2) и CI (415.755 грамм CO₂/кВтч) остаются прежними, поскольку мы продолжаем использовать ту же зону доступности.
• Время работы: 300
• Расчетные выбросы углерода за 300 часов = PUE × CI × энергия, потребляемая рабочей нагрузкой
• = [(1.2 × 415.755 × 6) × 300] ÷ 1,000 = 1,796 граммов CO₂e

наблюдения: Когда система не загружена, приложение, работающее на виртуальной машине, более эффективно использует выбросы углерода, чем микросервисы, работающие в кластере EKS.

B. Расчетный учет выбросов углерода при пиковой нагрузке:

Подобно нагрузочному тестированию монолитных приложений, мы подключили 500 пользователей и инициировали одновременные транзакции, чтобы соответствовать требованиям NFR в созданных нами микросервисах.

• Рабочий узел: 2 × t2.medium
• Увеличение использования из-за нагрузки: от 10% до 20%
• Потребляемая энергия: 7.4 г/Вт при коэффициенте использования 20%.
• PUE и CI остаются прежними.
• Время работы: 300
• Расчетные выбросы углерода за 300 часов = PUE × CI × энергия, потребляемая рабочей нагрузкой
• = [(1.2 × 415.755 × 7.4) × 300] ÷ 1,000 = 2,215.14 граммов CO₂e

Здесь автоматическое масштабирование модулей происходило для сервисов пользовательского интерфейса, но сервисам корзин не требовалось больше ресурсов для масштабирования. В монолитных приложениях необходимо масштабирование всей платформы независимо от того, какие бизнес-функции или сервисы требуют больше ресурсов, что приводит к увеличению использования на 20%.

наблюдения: Давайте сравним оба сценария.

1. Когда система простаивает или имеет устойчивый профиль нагрузки в течение суток: Когда нагрузки практически нет, монолитные приложения потребляют меньше ресурсов и выдают почти 18% меньше выбросов углерода, чем приложения на основе микросервисов, размещенные в кластере EKS.
2. Когда система работает при полной или переменной нагрузке: Когда система работает при полной нагрузке, происходит 24% снижение выбросов CO₂ выбросов на платформе Kubernetes по сравнению с рабочей нагрузкой на базе виртуальных машин. Это связано с использованием меньшего количества ядер и меньшей загрузкой. Мы можем переместить больше рабочих нагрузок в один кластер и освободить больше ядер от других приложений, чтобы получить более существенные преимущества.

Этот сценарий является примером того, как IBM^® Оценка специальной линзы для устойчивости рабочих нагрузок AWS помогает спланировать путь устойчивой модернизации и снизить общий углеродный след вашего ИТ-оборудования.

Руководство к действию

Для организаций, которые ценят устойчивость, ответственные вычисления и экологически чистые ИТ не просто жизненно важны; они вполне осуществимы. ИТ-руководители могут достичь этих целей, проводя экологически чистую деятельность, включающую ИТ-стратегию, операции и платформы.

• Экологизация ваших ИТ-платформ: используйте рефакторинг для переноса приложений в общедоступное облако. Миграция рабочих нагрузок в общедоступное облако без их оптимизации для этой среды может увеличить эксплуатационные расходы и снизить устойчивость. Вместо этого улучшите рабочие нагрузки, сделав их более ориентированными на облако, путем рефакторинга приложений с учетом таких факторов, как их жизненный цикл, частота обновления и развертывания, а также критичность бизнеса.
• Оптимизация простаивающей емкости виртуальных машин и других неиспользуемых облачных ресурсов.: Включите наблюдение на уровне инфраструктуры для выявления простаивающих виртуальных машин в вашем ИТ-инфраструктуре. Внедрите автоматизацию на основе правил для принятия корректирующих действий, таких как удаление простаивающих виртуальных машин и связанных с ними ресурсов, которые больше не выполняют бизнес-функции. Кроме того, оптимизируйте размер виртуальной машины в зависимости от сетевого трафика с помощью автоматического масштабирования.
• Создание ресурсов при необходимости: Хотя облачные ресурсы эластичны, вы получаете ограниченный выигрыш в эффективности, если развертываете рабочие нагрузки на фиксированных ресурсах, которые работают непрерывно, независимо от их использования. Определите возможности предоставления и удаления ресурсов по мере необходимости, например, с помощью планирования виртуальных машин или эластичных функций в облачных службах.
• Контейнеризация рабочих нагрузок: используя контейнерную платформу вместо традиционной среды виртуальных машин, вы можете сократить ежегодные затраты на инфраструктуру до 75%. Контейнерные платформы позволяют эффективно планировать размещение контейнеров в кластере виртуальных машин в зависимости от их требований к ресурсам.
• Модернизация монолитных приложений до архитектуры на основе микросервисов: выберите реактивные микрослужбы в соответствии со своими потребностями: реактивные микрослужбы для вызова на основе событий для оптимизации использования ресурсов, микрослужбы, управляемые событиями, для асинхронного вызова или бессерверные микрослужбы для выполнения одной функции по мере необходимости.

Платформа IBM Consulting Green IT Transformation, Custom Lens for Sustainability и платформа Green IT Analyser вместе помогают клиентам на пути к декарбонизации. Обе платформы помогают оценить рабочие нагрузки, определить рычаги оптимизации, которые могут снизить энергопотребление, и создать план модернизации приложений, который позволит вам достичь целей устойчивого развития.

Узнайте больше о консультационных услугах IBM для облака AWS.