Påskynda hållbar modernisering med Green IT Analyzer på AWS – IBM Blog

Företag omfamnar allt mer dataintensiva arbetsbelastningar, inklusive högpresterande datorer, artificiell intelligens (AI) och maskininlärning (ML). Dessa tekniker driver innovation på sina hybridresor med flera moln samtidigt som de fokuserar på motståndskraft, prestanda, säkerhet och efterlevnad. Företag strävar också efter att balansera denna innovation med växande miljö-, sociala och styrningsregler (ESG). För de flesta organisationer är IT-drift och modernisering en del av deras ESG-mål, och enl en färsk Foundry-undersökning, omkring 60 % av organisationerna söker tjänsteleverantörer specialiserade på gröna teknikområden.

I takt med att rapportering av koldioxidutsläpp blir vanlig över hela världen, har IBM åtagit sig att hjälpa sina kunder att fatta välgrundade beslut som kan hjälpa till att hantera deras energibehov och tillhörande koldioxidpåverkan samtidigt som kostnaderna minskar. För att hjälpa till att bygga mer hållbara IT-fastigheter har IBM samarbetat med Amazon Web Services (AWS) för att underlätta hållbara molnmoderniseringsresor.

När företag snabbar på sin IT-modernisering för att påskynda digital transformation och få affärsfördelar dyker en betydande möjlighet upp. Denna möjlighet innebär att omarbeta IT-miljöer och applikationsportföljer mot grönare, mer hållbar design. Ett sådant tillvägagångssätt driver inte bara kostnadseffektivitet utan bidrar också till bredare företags hållbarhetsmål.

Förstå koldioxidutsläpp från digital teknik

Alla affärsapplikationer som IBM bygger och kör, oavsett om det är för externa eller interna kunder, kommer med en kolkostnad, vilket främst beror på elförbrukningen. Oavsett vilken teknik som IBM använde för att utveckla dessa applikationer eller tjänster, kräver driften av dem maskinvara som förbrukar ström.
Koldioxidutsläppen (CO2) som produceras av elnätet varierar beroende på produktionsmetoderna. Fossila bränslen som kol och gas släpper ut betydande mängder kol, medan förnybara källor som vind eller sol släpper ut försumbara mängder. Varje kilowatt (kW) el som förbrukas bidrar alltså direkt till en viss mängd CO2-ekvivalenter (CO2e) som släpps ut i atmosfären.

Därför leder en minskning av elförbrukningen direkt till lägre koldioxidutsläpp.

Koldioxidavtryck i praktiken

Beräkning, lagring och nätverk är de väsentliga tekniska resurserna som förbrukar energi i processen att bygga applikationer och tjänster. Deras verksamhet kräver aktiv kylning och hantering av de datacenterutrymmen som de verkar i. Som väktare av hållbar IT-praxis måste vi överväga hur vi kan minska resursförbrukningen genom våra dagliga aktiviteter.

Datacenter hämtar ström från nätet som försörjer deras verksamhetsområde. Denna kraft driver olika IT-utrustning såsom servrar, nätverksväxlar och lagring, som i sin tur stödjer applikationer och tjänster för kunder. Denna kraft driver också tillbehörssystem som värme, ventilation och luftkonditionering eller kylning, som är avgörande för att upprätthålla en miljö som håller hårdvaran inom driftsgränserna.

En väg framåt mot koldioxidutsläpp

Modernisera applikationer håller på att bli avgörande för att driva innovation och förvandla företag. IBM Consulting® tillämpar AWS Well-Architected-ramverket för att skapa en anpassad lins för hållbarhet för att utföra arbetsbelastningsbedömningar för applikationer både i lokaler och på AWS Cloud. För att läsa om andra nyckelscenarier och startpunkter för IBM Consulting® Custom Lens for Sustainability, kolla in blogginlägget: Hållbar appmodernisering med AWS Cloud.

I det här blogginlägget fördjupar vi oss i en djupgående analys för att bedöma, implementera rekommendationer om och analysera koldioxidutsläppseffekterna av en monolitisk applikation som körs på AWS genom en hållbarhetslins.

Green IT Analyzer: En omfattande IT-plattform för koldioxidutsläpp

Green IT Analyzer-plattformen gör det möjligt för kunder att omvandla sin traditionella IT till mer energieffektiv, hållbar grön IT. Den fungerar som en enda kontaktpunkt och mäter, rapporterar, skapar baslinjer och ger en enhetlig översikt över koldioxidavtrycket i hybridmolnmiljön – inklusive privata datacenter, offentliga moln och användarenheter. Plattformen kan mäta koldioxidavtrycket för IT-anläggningen på både granulär och virtuell maskinnivå (VM). Det hjälper till att identifiera energi- eller koldioxidhotspots för att utveckla en optimeringsfärdplan. Koldioxidutvärderingstekniken som den använder överensstämmer med växthusgas (GHG) principer för informations- och kommunikationstekniksektorn.

Platsbaserad metodik

För att förstå koldioxidutsläppen från IT-arbetsbelastningar krävs bekantskap med flera nyckelbegrepp och mått. Här är en översikt på hög nivå:

• Koldioxidavtryck (CFP): Begreppet koldioxidavtryck är centralt i vår analys. CFP representerar den totala mängden CO₂ och motsvarande utsläpp av växthusgaser som är associerade med att driva ett datacenter, med början från en baslinjemätning av CFP större än eller lika med noll. Det är ett avgörande mått för att mäta miljöpåverkan av datacenterdrift.
• Effektiv energianvändning (PUE): Ett annat kritiskt mått är effektiviteten i energianvändningen. PUE mäter energieffektiviteten i ett datacenter, beräknat genom att dividera den totala anläggningsenergin med energin som förbrukas av IT-utrustning. Denna uppdelning ger ett förhållande som indikerar effektivitet: en PUE nära 1 (ett) betyder hög effektivitet, medan högre värden tyder på större energislöseri.
  Formel: PUE = (total anläggningsenergi)/(energi som förbrukas av IT-utrustning)
• Kolintensitet (CI): Slutligen tar vi hänsyn till kolintensiteten. CI mäter koldioxidutsläppen i gram per kilowattimme (g/kWh) av elproduktion från elnätet som driver datacentret. Detta mått varierar beroende på energikällan. Koldrivna nät kan ha en CI som är större än 1,000 XNUMX g/kWh medan nät som drivs av förnybara källor som vind och sol bör ha en CI närmare noll. (Solpaneler har en del inbyggd CFP men har mycket mindre jämfört med fossila bränslen.)

Låt oss överväga en stor kundutmaning. Varje organisation är engagerad i att uppnå nettonollutsläpp, och IT spelar en avgörande roll för att uppnå hållbarhetsagendan. Det kan innebära att minska koldioxidavtrycket för själva IT-anläggningen – särskilt relevant för finansiella kunder med höga IT-drivna utsläpp – eller skapa en hållbar plattform som drivs på grön IT.

Äldre monolitiska applikationer, som vanligtvis körs på VM-baserade plattformar i antingen on-prem datacenter eller offentliga moln, är ett viktigt fokusområde. En avgörande fråga uppstår: hur kan vi minska IT-resursförbrukningen från dessa äldre monolitiska applikationer, som i allmänhet har 20–30 % av hela IT-portföljen? Det är mer energieffektivt att gå från VM-baserade monolitiska applikationer till en mer energieffektiv, mikrotjänstbaserad arkitektur som körs på en containerplattform. Det är dock viktigt att utvärdera varje ärende individuellt, eftersom ett tillvägagångssätt som passar alla inte alltid är effektivt.

Dessa kriterier kan användas för att välja kandidater för ansökningsomvandling:

• Applikationer med mer än 70% -80% CPU-utnyttjande

• Applikationer upplever säsongsbetonade toppar i transaktioner, såsom kring julafton, Diwali och andra allmänna helgdagar

• Ansökningar med dagliga toppar i transaktioner vid specifika tidpunkter, till exempel ombordstigning tidigt på morgonen eller kvällen

• Vissa affärskomponenter inom monolitiska applikationer som uppvisar användningstoppar

Statusanalys av monolitiska appar i befintligt skick

Betrakta exemplet med en enkel e-butiksapplikation som körs på AWS i en Elastic Compute Cloud (EC2) VM. Denna applikation, en e-CART, upplever säsongsbetonade arbetsbelastningar och har återställts (lyft-och-skift) från lokaler till en AWS EC2-instans. Monolitiska applikationer som den här paketerar alla affärsfunktioner i en enda driftsättbar enhet.

Följande tabell beskriver de viktigaste egenskaperna hos äldre e-Store-applikationer.

Koldioxidutsläppen från en arbetsbelastning är direkt kopplade till förbrukningen av resurser som datorer, lagring och nätverk, där datorer ofta är den viktigaste bidragsgivaren. Detta varierar beroende på arbetsbelastningsegenskaper; till exempel, inom media- eller streamingindustrin, förbrukar dataöverföring över nätverket och lagring av stora ostrukturerade datamängder avsevärd energi.

Grafen visar användningsmönstret för CPU:n när minimal användaraktivitet sker på den monolitiska applikationen som körs i en enda EC2-instans.

Vi använde Green IT Analyzer-plattformen för att göra en koldioxidredovisning av den monolitiska applikationens status i befintligt skick, och jämförde den med måltillståndet för samma applikation när den byggdes om till en mikrotjänstarkitektur som körs på Amazon Elastic Kubernetes Services (EKS) plattformen.

Steg 1: Omfattande koldioxidavtrycksanalys av monolitiska applikationer

Först fokuserar vi på att undersöka det nuvarande koldioxidavtrycket för en monolitisk arbetsbelastning under olika driftsförhållanden. Detta ger oss en baslinje för att identifiera förbättringsområden.

Låt oss beräkna det uppskattade koldioxidavtrycket för vår monolitiska arbetsbelastning när vi har minimala användartransaktioner och 45 % av CPU-användningen:

• PUE för US east 1d AZ: 1.2
• CI: 415.755 gram CO2/kWh

A. Beräknad koldioxidberäkning när det inte finns någon användaraktivitet:

• Energiförbrukning: 9.76 g/W vid 45 % utnyttjande
• Drifttimmar med samma arbetsbelastning: 300 timmar
• Uppskattade koldioxidutsläpp under 300 timmar = PUE × CI × energi förbrukad av arbetsbelastning
• = [(1.2 × 415.755 × 9.76) × 300] ÷ 1,000 1,460.79 = 2 XNUMX gram COXNUMXe

B. Beräknat koldioxidutsläpp med samtidiga 500 användare:

I ett scenario där transaktioner på toppnivå skapades enligt icke-funktionella krav (NFR) för att testa systemets förmåga att stödja dagliga toppar, ökade CPU-utnyttjandet till 80 % under samtidig användaraktivitet. Denna situation utlöste en regel för automatisk skalning som aktiverades vid 80 % CPU-användning. Regeln tillhandahåller extra virtuella datorer för att säkerställa att belastningen på varje virtuell dator förblir under 60 %. Lastbalanseraren fördelar sedan effektivt lasten mellan både befintliga och nya virtuella datorer.

På grund av den automatiska skalningen av de nya EC2-instanserna blev ytterligare en t2.large VM tillgänglig, vilket ledde till att det genomsnittliga utnyttjandet sjönk till 40 %.

• Uppskattade koldioxidutsläpp för detta scenario, med båda identiska virtuella datorer som körs i 300 timmar = PUE × CI × energi som förbrukas av arbetsbelastning
• = {[(1.2 × 415.755 × 9.76) × 300] × 2} ÷ 1,000 2,921.59 = 2 XNUMX gram COXNUMXe

Steg 2: Implementera hållbarhetsrekommendationer

Detta steg utforskar en rad hållbarhetsrekommendationer och deras praktiska implementering för den monolitiska tillämpningen. Vi använder Custom Lens-bedömningen för hållbarhet för att vägleda dessa rekommendationer.

Först överväger vi att sönderdela monolitiska applikationer till handlingsbaserade reaktiva mikrotjänster. Det här tillvägagångssättet är skräddarsytt för applikationens säsongsbeteende och varierande användningsmönster, vilket är särskilt användbart under högsäsong som högtider när trafiken ökar och fokus på att surfa på artefakter över backend-transaktioner observeras.

För det andra innebär planen att minska energiförbrukningen genom att schemalägga batchbearbetning under inaktiva perioder, särskilt när datacenternätet drivs med grön energi. Detta tillvägagångssätt syftar till att spara energi genom att minimera varaktigheten av långvariga transaktioner.

Slutligen understryker strategin vikten av att välja en flexibel plattform, såsom AWS EKS eller Red Hat® OpenShift® på AWS (ROSA), som är kapabel att dynamiskt skala resurser baserat på nätverkstrafik. Ett sådant plattformsval hjälper till att säkerställa optimerad resursallokering och är fördelaktigt för att vara värd för de handlingsbaserade reaktiva mikrotjänsterna.

Sammanfattningsvis inkluderar de föreslagna strategierna nedbrytning av mikrotjänster i linje med användningsmönster, energimedveten transaktionsschemaläggning och ett flexibelt plattformsval för att förbättra applikationseffektiviteten och resursutnyttjandet.

Applikationen som omstruktureras till mikrotjänster visas i bilden:

Låt oss nu beräkna koldioxidutsläppen efter att ha omvandlat den monolitiska applikationen till mikrotjänstebaserad arkitektur enligt hållbara designprinciper samtidigt som applikationen omstruktureras under paraplyet hållbar modernisering.

A. Uppskattad koldioxidredovisning med inga eller få belastningar:

• Arbetarnod: 2 × t2.medium
• Användning: 10% (när det inte finns någon belastning på applikationen)
• Energiförbrukning: 6 g/W vid 5 % utnyttjande
• PUE (1.2) och CI (415.755 gram CO₂/kWh) förblir oförändrad eftersom vi fortsätter att använda samma tillgänglighetszon.
• Timmar: 300
• Beräknade koldioxidutsläpp under 300 timmar = PUE × CI × energi som förbrukas av arbetsbelastning
• = [(1.2 × 415.755 × 6) × 300] ÷ 1,000 XNUMX = 1,796 XNUMX gram CO₂e

Observationer: När det inte finns någon belastning på systemet är en applikation som körs på en virtuell dator mer koldioxideffektiv än mikrotjänster som körs på ett EKS-kluster.

B. Beräknad kolredovisning under toppbelastning:

I likhet med belastningstestning av monolitiska applikationer tog vi in ​​500 användare och utlöste samtidiga transaktioner för att uppfylla NFR-kraven i de mikrotjänster som vi byggde.

• Arbetarnod: 2 × t2.medium
• Ökat utnyttjande på grund av belastning: 10 % till 20 %
• Energiförbrukning: 7.4 g/W vid 20 % utnyttjande
• PUE och CI förblir desamma.
• Timmar: 300
• Beräknade koldioxidutsläpp under 300 timmar = PUE × CI × energi som förbrukas av arbetsbelastning
• = [(1.2 × 415.755 × 7.4) × 300] ÷ 1,000 XNUMX = 2,215.14 XNUMX gram CO₂e

Här förekom autoskalning av poddar för UI-tjänster, men kundvagnstjänster krävde inte mer resurser för att skala upp. I monolitiska applikationer är det nödvändigt att skala upp hela plattformen oavsett vilka affärsfunktioner eller tjänster som kräver mer resurser, vilket leder till ett ökat utnyttjande på 20 %.

Observationer: Låt oss jämföra båda scenarierna.

1. När systemet är inaktivt eller har en jämn belastningsprofil över hela klockan: När det nästan inte finns någon belastning förbrukar monolitiska applikationer färre resurser och släpper ut nästan 18% mindre koldioxid än mikrotjänstbaserade applikationer som finns i EKS-klustret.
2. När systemet är på full belastning eller varierande belastning: När systemet är på full belastning finns en 24% minskning av CO₂ utsläpp på Kubernetes-plattformen jämfört med en VM-baserad arbetsbelastning. Detta beror på användningen av färre kärnor och lägre utnyttjande. Vi kan flytta fler arbetsbelastningar i samma kluster och frigöra fler kärnor från andra applikationer för att få mer betydande fördelar.

Detta scenario är ett exempel på hur IBM^® Custom Lens assessment for Sustainability on AWS-arbetsbelastning hjälper till att utforma din hållbara moderniseringsväg och minska det totala koldioxidavtrycket för din IT-anläggning.

Handlingsguide

För organisationer som värdesätter hållbarhet är ansvarsfull datoranvändning och grön IT inte bara avgörande; de är fullt genomförbara. IT-ledare kan uppnå dessa mål genom att bedriva miljövänliga aktiviteter som omfattar IT-strategi, verksamhet och plattformar.

• Gör dina IT-plattformar grönare: Använd refactoring för att migrera applikationer till det offentliga molnet. Att migrera arbetsbelastningar till det offentliga molnet utan att optimera dem för den här miljön kan öka driftskostnaderna och minska hållbarheten. Förbättra istället arbetsbelastningen så att den blir mer molnbaserad genom att omstrukturera applikationer baserat på faktorer som deras livscykel, uppdaterings- och distributionsfrekvens och affärskritik.
• Optimera inaktiv VM-kapacitet och andra oanvända molnresurser: Aktivera observerbarhet på infrastrukturnivå för att identifiera lediga virtuella datorer över din IT-anläggning. Implementera regelbaserad automatisering för att vidta korrigerande åtgärder, som att ta bort inaktiva virtuella datorer och tillhörande resurser som inte längre tjänar affärsfunktioner. Optimera dessutom storleken på virtuella datorer baserat på nätverkstrafik genom automatisk skalning.
• Skapa resurser vid behov: Även om molnresurserna är elastiska får du begränsade effektivitetsfördelar om du distribuerar arbetsbelastningar till fasta resurser som körs kontinuerligt, oavsett användning. Identifiera möjligheter att tillhandahålla och ta bort resurser efter behov, som att använda VM-schemaläggning eller elastiska funktioner inom molntjänster.
• Containerisering av arbetsbelastningar: Genom att använda en containerplattform istället för en traditionell VM-miljö kan du minska de årliga infrastrukturkostnaderna med upp till 75%. Containerplattformar möjliggör effektiv schemaläggning av containrar över ett kluster av virtuella datorer baserat på deras resurskrav.
• Modernisera dina monolitiska applikationer till mikrotjänster-baserad arkitektur: Välj reaktiva mikrotjänster baserat på dina behov: reaktiva mikrotjänster för händelsebaserad anrop för att optimera resursutnyttjandet, händelsedrivna mikrotjänster för asynkron anrop eller serverlösa mikrotjänster för behovsbaserad exekvering av en enskild funktion.

IBM Consultings ramverk för grön IT-transformation, Custom Lens for Sustainability och Green IT Analyzer-plattformen hjälper tillsammans kunderna på deras resa för att minska koldioxidutsläppen. Båda ramverken hjälper till att bedöma arbetsbelastningar, identifiera optimeringsspakar som kan sänka energiförbrukningen och skapa en färdplan för applikationsmodernisering som gör att du kan uppnå dina hållbarhetsmål.

Läs mer om IBMs konsulttjänster för AWS Cloud.