Penyesuaian Ukuran dan Penskalaan Otomatis

Penyesuaian ukuran adalah proses mencocokkan SKU VM atau layanan Azure dengan kebutuhan Resource aktual dari beban kerja Anda—tidak menyediakan berlebihan (membuang uang) maupun menyediakan terlalu sedikit (berisiko menurunkan performa). Sebagian besar organisasi pada awalnya menyediakan Resource 30–50% lebih besar karena kehati-hatian saat bermigrasi dari lingkungan lokal. Analisis penyesuaian ukuran secara berkala, biasanya setiap bulan, dapat memulihkan sebagian besar pengeluaran berlebih tanpa memengaruhi performa aplikasi.

Gunakan metrik Azure Monitor dan VM Insights untuk mengumpulkan data CPU, memori, IOPS disk, dan throughput jaringan selama setidaknya 30 hari. Cari pemanfaatan puncak (P95 atau P99), bukan rata-rata, untuk memastikan VM yang ukurannya telah disesuaikan dapat menangani lonjakan lalu lintas. Secara default, rekomendasi penyesuaian ukuran Azure Advisor menggunakan tinjauan 7 hari, tetapi Anda dapat memperpanjangnya menjadi 30 atau 60 hari dalam konfigurasi Advisor untuk memperoleh data yang lebih representatif.

VM Azure dikelompokkan ke dalam keluarga SKU yang dioptimalkan untuk beban kerja berbeda: D-series (tujuan umum), E-series (dioptimalkan untuk memori), F-series (dioptimalkan untuk komputasi), N-series (GPU), dan L-series (dioptimalkan untuk penyimpanan). Jika penggunaan CPU VM rendah tetapi memori tinggi, memindahkannya dari D-series ke E-series dengan jumlah vCPU yang sama memberikan RAM lebih besar dengan biaya yang serupa. Menyesuaikan ukuran VM di Azure biasanya memerlukan mulai ulang singkat selama beberapa menit.

Penskalaan otomatis terjadwal merupakan pilihan yang tepat ketika pola beban kerja dapat diprediksi. Aplikasi ritel yang mengalami lalu lintas tinggi selama jam kerja dan hampir tidak ada lalu lintas pada malam hari dapat dikonfigurasi dengan jadwal scale-out pada pukul 07.00 dan jadwal scale-in pada pukul 22.00. Virtual Machine Scale Sets (VMSS) dan App Service sama-sama mendukung aturan penskalaan otomatis terjadwal. Pendekatan ini lebih sederhana dan biayanya lebih mudah diprediksi daripada penskalaan otomatis berbasis metrik untuk pola beban yang sudah diketahui.

Penskalaan otomatis berbasis metrik menambahkan atau menghapus instans secara dinamis sebagai respons terhadap metrik waktu nyata seperti persentase CPU, panjang antrean permintaan HTTP, atau metrik kustom yang dipublikasikan melalui Azure Monitor. Anda menentukan aturan scale-out (kapan menambahkan instans) dan aturan scale-in (kapan menghapus instans) dengan periode cooldown untuk mencegah perubahan berulang yang terlalu cepat. Praktik terbaiknya adalah menetapkan ambang scale-out lebih rendah daripada ambang scale-in—misalnya, melakukan scale-out saat CPU >70% dan scale-in saat CPU <30%—dengan cooldown 5 menit.

Azure Spot VMs memungkinkan Anda menggunakan kapasitas Azure yang tidak terpakai dengan diskon hingga 90% dibandingkan harga bayar sesuai pemakaian. Konsekuensinya, Azure dapat mengeluarkan spot VM dengan pemberitahuan 30 detik ketika kapasitas tersebut diperlukan kembali. Hal ini membuat spot instance ideal untuk beban kerja batch yang dapat dihentikan sementara, seperti perenderan, komputasi ilmiah, dan pipeline pemrosesan data. VMSS mendukung pencampuran VM reguler (sebagai kapasitas dasar) dengan spot VM (untuk kapasitas lonjakan) dalam kumpulan skala yang sama menggunakan kebijakan campuran prioritas.

Azure App Service melakukan penskalaan otomatis pada tingkat App Service Plan — menambah atau menghapus instance pekerja berdasarkan aturan yang Anda konfigurasi. Pemicu metrik yang tersedia mencakup panjang antrean HTTP, persentase CPU, dan persentase memori. Tingkat Standard dan yang lebih tinggi mendukung penskalaan manual dan otomatis; tingkat Basic hanya mendukung penskalaan manual. Untuk beban kerja tanpa server, pertimbangkan Azure Functions pada Consumption Plan, yang dapat menurunkan skala hingga nol dan hanya mengenakan biaya per eksekusi, sehingga sepenuhnya menghilangkan biaya instance yang menganggur.

Kesalahan umum dalam penskalaan otomatis: afinitas sesi — jika aplikasi Anda menyimpan status sesi di memori VM, penskalaan masuk akan menghilangkan sesi; gunakan Redis Cache atau sesi yang didukung basis data. Waktu mulai yang lambat — jika VM atau kontainer memerlukan waktu 10 menit untuk siap digunakan, penskalaan otomatis berbasis metrik tidak dapat merespons dengan cukup cepat; lakukan pemanasan awal dengan penskalaan keluar terjadwal sebelum lonjakan yang diperkirakan. Penskalaan masuk terlalu agresif — menghentikan instance saat permintaan yang sedang diproses masih berjalan menyebabkan kesalahan; konfigurasikan pengosongan koneksi dan periode jeda yang cukup panjang.

Penyesuaian ukuran juga berlaku untuk layanan PaaS. Azure SQL Database dengan model DTU dapat diturunkan ukurannya jika persentase DTU secara konsisten berada di bawah 50%. Model vCore memungkinkan penskalaan CPU dan penyimpanan secara terpisah. Azure Cache for Redis dapat diturunkan dari tingkat Premium ke Standard jika persistensi dan replikasi geografis tidak diperlukan. Kumpulan node Azure Kubernetes Service dapat menggunakan Cluster Autoscaler untuk menambah dan mengurangi skala node berdasarkan status pod yang tertunda dan menganggur.

Penyesuaian ukuran bukan aktivitas satu kali. Beban kerja berubah seiring waktu — pola lalu lintas bergeser, fitur ditambahkan, dan basis pengguna bertambah atau berkurang. Masukkan tinjauan penyesuaian ukuran bulanan ke dalam proses FinOps Anda: ambil rekomendasi Advisor, tinjau 10 VM dengan Utilization terendah dan layanan PaaS yang dialokasikan berlebihan, lalu buat item pekerjaan untuk tim yang bertanggung jawab. Lacak penghematan yang terealisasi dibandingkan rekomendasi yang dihasilkan untuk menunjukkan ROI FinOps kepada pimpinan.

Strategi biaya yang optimal adalah menyesuaikan ukuran terlebih dahulu, lalu melakukan reservation. Membeli Reserved VM Instance untuk VM yang dialokasikan berlebihan akan mengikat Anda pada SKU yang keliru. Sesuaikan ukuran VM ke ukuran yang tepat terlebih dahulu, amati Utilization baru selama 30 hari untuk memastikan kestabilannya, lalu beli reservation untuk SKU yang ukurannya telah disesuaikan tersebut. Pendekatan dua langkah ini memaksimalkan diskon sekaligus menghindari kapasitas reservation yang terbuang.

Uji pemahaman Anda tentang konsep Microsoft Azure Fundamentals (AZ-900) dari pelajaran ini.

Dalam pelajaran ini Anda mempelajari bahwa: penyesuaian ukuran mencocokkan SKU VM dengan kebutuhan beban kerja aktual menggunakan metrik kinerja, penskalaan otomatis terjadwal dan berbasis metrik menyesuaikan kapasitas secara dinamis agar sesuai dengan permintaan, dan Spot VM menawarkan diskon hingga 90% untuk beban kerja batch yang dapat dihentikan sementara. Selanjutnya kita akan membahas Azure Savings Plans dan Reservation untuk beban kerja dengan komitmen.