Azure Fundamentals · درس

تحديد الحجم المناسب والتوسّع التلقائي

حلّل بيانات أداء الأجهزة الظاهرية لتحديد أحجام المثيلات المناسبة، ونفّذ توسّعاً تلقائياً مجدولاً لأحمال العمل المتوقعة، واستخدم مثيلات VMSS الفورية لأحمال العمل الدفعية

تحديد الحجم المناسب والتوسّع التلقائي درس مجاني في Azure Fundamentals على CoddyKit. هذا هو الدرس 2 من أصل 4. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في Azure Fundamentals، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة Azure Fundamentals 4 دروس في المجموع.

ما المقصود بتغيير الحجم الملائم؟

تغيير الحجم الملائم هو عملية مطابقة وحدات SKU للأجهزة الافتراضية أو الخدمات في Azure مع متطلبات الموارد الفعلية لحِمل العمل، من دون تخصيص مفرط (إهدار المال) أو تخصيص غير كافٍ (المخاطرة بتدهور الأداء). تبالغ معظم المؤسسات في التخصيص الأولي بنسبة 30–50% بدافع الحذر عند الترحيل من البيئات المحلية. ويمكن للتحليل المنتظم لتغيير الحجم الملائم، الذي يُجرى عادةً شهريًا، استرداد جزء كبير من الإنفاق الزائد من دون التأثير في أداء التطبيق.

تحليل بيانات أداء الأجهزة الافتراضية

استخدم مقاييس Azure Monitor وVM Insights لجمع بيانات وحدة المعالجة المركزية والذاكرة وعمليات الإدخال/الإخراج في القرص ومعدل نقل الشبكة لمدة 30 يومًا على الأقل. ابحث عن استخدام الذروة (P95 أو P99)، لا المتوسط، لضمان قدرة الجهاز الافتراضي ذي الحجم الملائم على التعامل مع ارتفاعات حركة المرور. تستخدم توصية Azure Advisor لتغيير الحجم الملائم فترة رجوع مدتها 7 أيام افتراضيًا، لكن يمكنك تمديدها إلى 30 أو 60 يومًا في إعدادات Advisor للحصول على بيانات أكثر تمثيلًا.

# Get P95 CPU utilisation for a VM over 30 days
az monitor metrics list \
  --resource /subscriptions/<sub>/resourceGroups/myRG/providers/Microsoft.Compute/virtualMachines/myVM \
  --metric 'Percentage CPU' \
  --aggregation Percentile \
  --interval P1D \
  --start-time 2024-05-01T00:00:00Z \
  --end-time 2024-06-01T00:00:00Z

عائلات وحدات SKU للأجهزة الافتراضية وتغيير الحجم

تُنظّم الأجهزة الافتراضية في Azure ضمن عائلات وحدات SKU المحسّنة لأحمال عمل مختلفة: D-series (أغراض عامة)، وE-series (محسّنة للذاكرة)، وF-series (محسّنة للحوسبة)، وN-series (GPU)، وL-series (محسّنة للتخزين). إذا كان استخدام وحدة المعالجة المركزية في جهاز افتراضي منخفضًا بينما استخدام الذاكرة مرتفع، فإن الانتقال من D-series إلى E-series مع الحفاظ على عدد vCPU نفسه يوفر ذاكرة وصول عشوائي أكبر بتكلفة مماثلة. ويتطلب تغيير حجم جهاز افتراضي في Azure عادةً إعادة تشغيل قصيرة تستغرق بضع دقائق.

# Resize a VM to a smaller SKU
az vm resize \
  --resource-group myRG \
  --name myVM \
  --size Standard_D2s_v5

التوسع التلقائي المجدول لأحمال العمل المتوقعة

يُعد التوسع التلقائي المجدول الخيار الصحيح عندما تكون أنماط أحمال العمل متوقعة. يمكن إعداد تطبيق للبيع بالتجزئة يشهد حركة مرور مرتفعة خلال ساعات العمل وحركة شبه معدومة ليلًا باستخدام جدول التوسع عند الساعة 07:00 وجدول التقليص عند الساعة 22:00. يدعم كل من Virtual Machine Scale Sets (VMSS) وApp Service قواعد التوسع التلقائي المجدولة. ويُعد هذا النهج أبسط وأكثر قابلية للتنبؤ بالتكلفة من التوسع التلقائي القائم على المقاييس لأنماط الحمل المعروفة.

# Add a scheduled autoscale rule to a VMSS (scale out at 07:00, in at 22:00 UTC)
az monitor autoscale create \
  --resource-group myRG \
  --resource myVMSS \
  --resource-type Microsoft.Compute/virtualMachineScaleSets \
  --name myAutoscale \
  --min-count 2 --max-count 10 --count 2

التوسع التلقائي القائم على المقاييس

يضيف التوسع التلقائي القائم على المقاييس المثيلات أو يزيلها ديناميكيًا استجابةً لمقاييس الوقت الفعلي، مثل النسبة المئوية لوحدة المعالجة المركزية أو طول قائمة انتظار طلبات HTTP أو المقاييس المخصصة المنشورة عبر Azure Monitor. تحدد قواعد التوسع (متى تُضاف المثيلات) وقواعد التقليص (متى تُزال المثيلات) مع فترات تهدئة لمنع التذبذب السريع. من أفضل الممارسات ضبط حد التوسع على قيمة أقل من حد التقليص؛ فعلى سبيل المثال، التوسع عند تجاوز استخدام وحدة المعالجة المركزية 70% والتقليص عند انخفاضه عن 30%، مع فترة تهدئة مدتها 5 دقائق.

# Add a metric-based scale-out rule (CPU > 70% for 5 minutes)
az monitor autoscale rule create \
  --autoscale-name myAutoscale \
  --resource-group myRG \
  --scale out 1 \
  --condition 'Percentage CPU > 70 avg 5m'

مثيلات Spot في VMSS لأحمال العمل الدفعية

تتيح لك Azure Spot VMs استخدام سعة Azure غير المستغلة بخصومات تصل إلى 90% مقارنة بأسعار الدفع حسب الاستخدام. والمقابل هو أن Azure قد تُخلي مثيلات Spot مع إشعار مدته 30 ثانية عندما تحتاج إلى استعادة السعة. لذلك تُعد مثيلات Spot مناسبة تماما لـأحمال العمل الدفعية القابلة للمقاطعة، مثل التصيير والحوسبة العلمية ومسارات معالجة البيانات. يدعم VMSS الجمع بين الأجهزة الافتراضية العادية (لتوفير سعة أساسية) وأجهزة Spot الافتراضية (لتوفير سعة إضافية عند الحاجة) في مجموعة التحجيم نفسها باستخدام نهج مزج الأولويات.

# Create a VMSS with spot instances for batch workloads
az vmss create \
  --resource-group myRG \
  --name myBatchVMSS \
  --image UbuntuLTS \
  --priority Spot \
  --eviction-policy Deallocate \
  --max-price -1 \
  --instance-count 5

التحجيم التلقائي لـ App Service

يعمل التحجيم التلقائي في Azure App Service على مستوى App Service Plan، إذ يضيف مثيلات العامل أو يزيلها استنادا إلى القواعد التي تضبطها. وتشمل محفزات المقاييس المتاحة طول قائمة انتظار HTTP ونسبة استخدام وحدة المعالجة المركزية ونسبة استخدام الذاكرة. تدعم الطبقة Standard وما فوقها التحجيم اليدوي والتحجيم التلقائي، بينما تدعم الطبقة Basic التحجيم اليدوي فقط. بالنسبة إلى أحمال العمل عديمة الخوادم، فكّر في استخدام Azure Functions on the Consumption Plan، الذي يتدرج إلى الصفر ويتقاضى التكلفة لكل تنفيذ فقط، مما يلغي تكلفة المثيلات غير المستخدمة تماما.

# Enable autoscale on an App Service plan
az monitor autoscale create \
  --resource-group myRG \
  --resource myAppServicePlan \
  --resource-type Microsoft.Web/serverfarms \
  --name webAppAutoscale \
  --min-count 1 --max-count 5 --count 1

مشكلات التحجيم التلقائي التي ينبغي تجنبها

من مشكلات التحجيم التلقائي الشائعة: ثبات الجلسة — إذا كان تطبيقك يخزن حالة الجلسة في ذاكرة الجهاز الافتراضي، فسيؤدي تقليص الحجم إلى فقدان الجلسات؛ استخدم Redis Cache أو جلسات مدعومة بقاعدة بيانات بدلا من ذلك. بطء أوقات بدء التشغيل — إذا استغرقت الأجهزة الافتراضية أو الحاويات 10 دقائق لتصبح جاهزة، فلن يتمكن التحجيم التلقائي القائم على المقاييس من الاستجابة بالسرعة الكافية؛ جهّز المثيلات مسبقا من خلال زيادة التحجيم المجدولة قبل فترات الذروة المتوقعة. تقليص الحجم بشكل مفرط — يؤدي إنهاء المثيلات أثناء معالجة الطلبات الجارية إلى حدوث أخطاء؛ اضبط استنزاف الاتصالات وفترة تهدئة طويلة بما يكفي.

تحديد الحجم المناسب لقواعد البيانات وخدمات PaaS

ينطبق تحديد الحجم المناسب على خدمات PaaS أيضا. يمكن تقليص حجم Azure SQL Database باستخدام نموذج DTU إذا ظلت نسبة DTU أقل من 50% باستمرار. ويتيح نموذج vCore تحجيم وحدة المعالجة المركزية والتخزين بشكل مستقل. ويمكن تقليص حجم Azure Cache for Redis من الطبقة Premium إلى Standard إذا لم تكن هناك حاجة إلى الاستمرارية والنسخ المتماثل الجغرافي. ويمكن لمجموعات عقد Azure Kubernetes Service استخدام Cluster Autoscaler لزيادة عدد العقد أو تقليله استنادا إلى حالات انتظار الكبسولات وخمولها.

# Change Azure SQL Database service objective (tier)
az sql db update \
  --resource-group myRG \
  --server mySQLServer \
  --name myDatabase \
  --service-objective S2

ممارسة تحديد الحجم المناسب باستمرار

تحديد الحجم المناسب ليس نشاطا يُنفذ مرة واحدة. فأحمال العمل تتغير بمرور الوقت؛ إذ تتبدل أنماط حركة المرور، وتُضاف الميزات، وتنمو قواعد المستخدمين أو تتقلص. أدرج مراجعة شهرية لتحديد الحجم المناسب ضمن عملية FinOps لديك: استخرج توصيات Advisor، وراجع أفضل 10 أجهزة افتراضية منخفضة الاستخدام وخدمات PaaS الموفرة بسعة زائدة، وأنشئ عناصر عمل للفرق المالكة. وتابع التوفير المحقق مقارنة بالتوصيات التي أُنشئت لإظهار العائد على الاستثمار في FinOps للإدارة.

الجمع بين تحديد الحجم المناسب والحجوزات

تتمثل استراتيجية التكلفة المثلى في تحديد الحجم المناسب أولا، ثم إجراء الحجز. فشراء Reserved VM Instance لجهاز افتراضي موفر بسعة زائدة يثبت التزاما بوحدة SKU غير مناسبة. حدّد الحجم الصحيح للجهاز الافتراضي أولا، وراقب الاستخدام الجديد لمدة 30 يوما للتأكد من استقراره، ثم اشتر حجزا لوحدة SKU ذات الحجم المناسب. يعظّم هذا النهج المكون من خطوتين الخصم مع تجنب هدر السعة المحجوزة.

اختبار سريع

اختبر مدى فهمك لمفاهيم Microsoft Azure Fundamentals (AZ-900) الواردة في هذا الدرس.

مراجعة الدرس

تعلمت في هذا الدرس أن تحديد الحجم المناسب يطابق وحدات SKU للأجهزة الافتراضية مع متطلبات أحمال العمل الفعلية باستخدام مقاييس الأداء، وأن التحجيم التلقائي المجدول والقائم على المقاييس يضبط السعة ديناميكيا لتتوافق مع الطلب، وأن Spot VMs توفر خصومات تصل إلى 90% لأحمال العمل الدفعية القابلة للمقاطعة. في الجزء التالي، نستكشف Azure Savings Plans والحجوزات لأحمال العمل التي تتطلب التزاما.

الأسئلة الشائعة

هل درس «تحديد الحجم المناسب والتوسّع التلقائي» مجاني؟

نعم — نص درس «تحديد الحجم المناسب والتوسّع التلقائي» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة Azure Fundamentals، انتقل إلى CoddyKit PRO. تتضمن دورة Azure Fundamentals 4 دروس في المجموع.

ماذا ستتعلم في «تحديد الحجم المناسب والتوسّع التلقائي»؟

حلّل بيانات أداء الأجهزة الظاهرية لتحديد أحجام المثيلات المناسبة، ونفّذ توسّعاً تلقائياً مجدولاً لأحمال العمل المتوقعة، واستخدم مثيلات VMSS الفورية لأحمال العمل الدفعية تتمرن على Azure Fundamentals مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.

هل أحتاج إلى خبرة سابقة لأبدأ Azure Fundamentals؟

لا تُشترط خبرة سابقة. Azure Fundamentals على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 2 من أصل 4.

كم من الوقت يستغرق درس «تحديد الحجم المناسب والتوسّع التلقائي»؟

معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.

هل يمكنني كتابة وتشغيل أكواد في درس Azure Fundamentals هذا؟

نعم. كل درس في Azure Fundamentals يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.

جميع الدروس في هذه الدورة

← العودة إلى Azure Fundamentals