Résumé

  • 6 minutes

Voici quelques-uns des points clés présentés dans ce module à propos de l’élasticité :

  • Les machines virtuelles et d’autres ressources cloud sont rarement confrontés à des charges constantes. Au lieu de cela, elles subissent des charges variables : des charges qui varient parfois d’un facteur 10 ou plus au cours du temps.
  • Le dimensionnement de la capacité de calcul en fonction des pics de charge garantit la qualité de service, mais entraîne une augmentation des coûts et de l’utilisation de l’énergie.
  • L’élasticité fait référence à la possibilité d’ajouter des ressources pour traiter des charges plus élevées et de supprimer des ressources quand la charge diminue.
  • L’élasticité est obtenue dans le cloud en mettant à l’échelle des ressources comme des machines virtuelles et des bases de données.
  • Le scale-in et le scale-out (mise à l’échelle horizontale) fait référence à l’augmentation et à la diminution du nombre de ressources consacrées à une tâche, par exemple augmenter de 10 à 15 le nombre de machines virtuelles répondant aux demandes des utilisateurs d’un site web.
  • Le scale-up et le scale-down (mise à l’échelle verticale) fait référence au remplacement de ressources existantes par des ressources plus ou moins puissantes, par exemple remplacer la machine virtuelle d’un serveur web avec 2 cœurs et 4 Go de RAM par une machine virtuelle avec 4 cœurs et 8 Go de RAM.
  • La mise à l’échelle des ressources pour répondre à la demande permet de conserver une utilisation des ressources relativement constante, de réduire les coûts et d’améliorer l’utilisation de l’énergie.
  • La mise à l’échelle automatique permet à la mise à l’échelle de se produire en fonction de règles ou de stratégies établies par un administrateur de cloud. Les règles ou les stratégies peuvent être basées sur le temps, sur des métriques ou sur les deux. Un exemple de mise à l’échelle automatique basée sur des métriques est de mettre en ligne des instances supplémentaires quand l’utilisation moyenne du processeur atteint un seuil prédéterminé, par exemple 70 %.
  • La mise à l’échelle automatique basée sur le temps, également appelée mise à l’échelle automatique planifiée, est plus appropriée quand les charges sont cycliques et prévisibles.
  • La mise à l’échelle automatique basée sur des métriques peut gérer des charges prévisibles et des charges imprévisibles.
  • L’équilibrage de charge effectif est essentiel pour implémenter des services cloud scalables.
  • Les équilibreurs de charge utilisent différents types d’algorithmes pour distribuer la charge, notamment des algorithmes de tourniquet (round robin) et des algorithmes basés sur un hachage.
  • Certains équilibreurs de charge tentent de distribuer les demandes de façon plus intelligente en utilisant des métriques comme la durée d’exécution des requêtes et l’utilisation du processeur sur chaque nœud.
  • Les équilibreurs de charge augmentent également la disponibilité en supervisant l’intégrité des ressources back-end et en détectant quand ces ressources ne sont pas disponibles.
  • Comme un équilibreur de charge unique représente un point de défaillance unique, les équilibreurs de charge sont souvent déployés par paires.
  • L’informatique serverless offre des avantages qui incluent la tarification basée sur la consommation, la scalabilité automatique et des coûts d’administration réduits
  • Les fonctions serverless sont un exemple d’informatique serverless : elles vous permettent de charger du code dans le cloud et de définir le moment où il s’exécute.
  • Un autre exemple est celui des workflows serverless, qui vous permettent de définir des workflows métier (généralement à l’aide de concepteurs graphiques et sans écrire de code) et de spécifier à quel moment ils s’exécutent.
  • L’informatique serverless s’étend également aux bases de données, qui se mettent à l’échelle pour répondre à la demande.