Kapazitäts- und Leistungsüberwachung: Messwerte lesen und für die Zukunft planen

Gewinne:

• Fähigkeit, Metriken mit Unterstützung künstlicher Intelligenz korrekt zu interpretieren, indem Perzentil (p95/p99) und Basislinie anstelle des Durchschnitts verwendet werden
• Fähigkeit, Saisonalität und Trend zu trennen und Kapazitätsprognosen als optimistisch-pessimistische Spanne statt als einzelne Zahl zu erstellen
• Verständnis dafür, dass Entscheidungen über Ressourceninvestitionen und Alarmschwellenwerte sowie die Ressourcenvorlaufzeit und den Geschäftskontext menschlich sind.

Kapazitäts- und Leistungsüberwachung: Metriken mit KI lesen und die Zukunft planen

Sie können den Zustand eines Systems nicht mit eigenen Augen sehen; Sie verstehen es anhand von Kennzahlen. Eine Metrik ist ein zeitabhängiger numerischer Wert einer messbaren Eigenschaft eines Systems: CPU-Auslastung, Speicherbelegung, freier Festplattenspeicher, Netzwerklatenz, Anfragen pro Sekunde. Die Leistungsüberwachung erfasst diese Kennzahlen kontinuierlich und beantwortet die Frage „Ist das System jetzt in Ordnung?“ Die Kapazitätsplanung geht noch einen Schritt weiter: Sie beantwortet die Frage „Wann werde ich bei diesem Tempo nicht mehr ausreichen, wann sollte ich neue Ressourcen kaufen?“ Hier ist die KI ein hochqualifizierter Assistent bei der Interpretation einer Vielzahl von Kennzahlen, der Markierung von Anomalien, der Trenderkennung und der Erstellung von Zukunftsprognosen. Vor allem aber gibt es einen Vorbehalt: KI extrahiert Muster aus historischen Daten; Sie sind derjenige, der Entscheidungen über Ressourceninvestitionen, Skalierung und Warnschwellen im Kontext trifft.

In dieser Einheit werden Überwachungskonzepte wie Baseline (Normalverhaltenslinie), Anomalie (Abweichung vom Normalzustand), Perzentil (Perzentil) behandelt. Metrische Interpretation mit KI; Trend- und Wachstumsprognose; und Sie lernen, die richtige Alarmschwelle einzustellen.

Der Durchschnitt liegt: Warum Perzentil?

Der häufigste Fehler beim Tracking besteht darin, alles mit einem Durchschnitt zu messen. Nehmen wir an, Ihre Reaktionszeit beträgt durchschnittlich 200 ms. Hört sich gut an. Aber 5 % der Benutzer warten möglicherweise 8 Sekunden; Der Durchschnitt verbirgt dies. Aus diesem Grund verwenden Fachleute Perzentil: p95 = „95 % der Anfragen liegen unter diesem Zeitraum.“ Wenn die p95-Reaktionszeit 8 Sekunden beträgt, macht jeder zwanzigste Benutzer eine schreckliche Erfahrung – der Durchschnitt zeigt das nie. Wenn Sie der KI Metriken geben, machen Sie klar, welche Statistik Sie wollen: „Interpretieren Sie für mich p50, p95 und p99, nicht den Durchschnitt.“ Diese eine Angewohnheit offenbart verborgene Probleme.

Tipp: Sehen Sie sich das Perzentil für jede Metrik an, die sich auf die Benutzererfahrung bezieht (Reaktionszeit, Latenz). p95/p99 statt Durchschnitt bringt Sie zur wirklich leidenden Minderheit. Betrachten Sie bei Ressourcenmetriken (CPU, Speicher) sowohl Spitzen- als auch Dauerwerte.

Ohne eine Grundlinie gibt es keine Anomalie

Bevor Sie feststellen können, ob eine Metrik „abnormal“ ist, müssen Sie wissen, ob sie „normal“ ist. Die Basislinie ist der typische Verhaltensbereich des Systems an gesunden Tagen: „Die CPU dieses Dienstes an Wochentagen zur Mittagszeit beträgt typischerweise 40–60 %.“ Ohne eine Basislinie können Sie nicht wissen, ob ein Wert von 70 % beängstigend oder normal ist. Sie können eine Basislinie festlegen, indem Sie der KI historische gesunde Daten übergeben und sagen: „Extrahieren Sie den normalen Bereich und das tägliche/wöchentliche Muster dieser Metrik“. Anschließend interpretieren Sie die neuen Daten anhand dieser Grundlinie: „Wo liegt dieser Wert im Normalfall?“ Eine Anomalie ist eine signifikante und anhaltende Abweichung vom Ausgangswert – ein einzelner plötzlicher Sprung ist oft ein Rauschen.

Schritt für Schritt: Kapazitätsprojektion

1. Sammeln Sie eine saubere und angemessene Anamnese. Für einen Trend sind Daten von mindestens einigen Wochen erforderlich, vorzugsweise monatlich. Eine mit wenigen Daten erstellte Prognose ist eine Vermutung, keine Vorhersage.
2. Separate Saisonalität. Der Verkehr sinkt am Wochenende, steigt am Monatsende und explodiert während der Kampagne. Teilen Sie der KI diese Zyklen mit, damit sie Wachstum nicht mit saisonalen Schwankungen verwechselt.
3. Nehmen Sie den Trend ab. „Um wie viele GB ist diese Festplatte in den letzten 8 Wochen durchschnittlich pro Woche gewachsen?“ KI berechnet die Wachstumsrate.
4. Bitten Sie um eine Projektion, verteilen Sie sie. „Wann wird die Festplatte bei diesem Tempo zu 90 % voll sein?“ – aber fragen Sie nach einem optimistischen/pessimistischen Bereich, nicht nach einem einzelnen Datum. Die Zukunft ist ungewiss; Eine ungerade Zahl ist eine falsche Genauigkeit.
5. Bestimmen Sie die Entscheidungsschwelle mit Menschen. Wenn in der Prognose steht: „Es wird in 6 Wochen abgeschlossen sein“, berücksichtigen Sie die Beschaffungszeit (Kauf, Genehmigung) und entscheiden, ob Sie noch heute Maßnahmen ergreifen möchten.
6. Stellen Sie den Alarm richtig ein. Sehr empfindlicher Alarm erzeugt Lärm und Alarmermüdung; zu locker, wird der Alarm das Ereignis verpassen. Erhalten Sie eine Schwellenwertempfehlung von der KI, aber bestimmen Sie den endgültigen Schwellenwert anhand Ihrer eigenen Risikotoleranz.

drei Mini-Koffer

Fall 1 – Durchschnittlich verborgen, S. 99 angezeigt. Ein Team meinte, ihre API sei „im Durchschnitt 180 ms, völlig in Ordnung.“ Als ich die Metriken an die KI weitergab und um eine Perzentilinterpretation bat, stellte sich heraus, dass p99 6.400 ms betrug – eine von hundert Anfragen war langsamer als 6 Sekunden. Die Hauptursache war eine langsame Datenbankabfrage. Während der Durchschnitt gesund schien, machte die Minderheit eine schreckliche Erfahrung.

Fall 2 – Prognose wird 3 Wochen im Voraus gewarnt. Ein Administrator gab die protokollierten Daten zur Festplattenbelegung an AI weiter. AI leitete einen wöchentlichen Wachstumstrend von etwa 7 GB ab und prognostizierte, dass bei der aktuellen Rate 90 % innerhalb von 19 Tagen erreicht werden würden, mit einer optimistisch-pessimistischen Spanne von 16–23 Tagen. Da die Lieferung neuer Festplatten 10 Tage dauerte, bestellte das Team sofort und verhinderte den Ausfall, bevor er eintrat.

Fall 3 – Rückkehr von einer falschen Anomalie. Jeden Sonntagabend ertönte ein Überwachungsalarm, der besagte, dass die CPU auf 95 % anstieg. Bevor er in Panik geriet, ließ der Ingenieur die KI die Basislinie erhöhen: Dieser Sprung war ein geplanter Backup-Auftrag, der jede Woche zur gleichen Zeit stattfand, also Teil der Norm. Es war keine Anomalie; Grundlinie fehlte. Die Alarmschwelle wurde für diesen Zeitraum korrigiert und unnötiges nächtliches Aufwachen entfällt.

Vier kopierbare Vorlagen

1) Metrische Interpretation (Perzentil):

Nachfolgend finden Sie die Reaktionszeitmetriken des [Dienstes] (maskiert). Kommentar zu mir: S. 50, S. 95 und S. 99, nicht der Durchschnitt. Was bedeutet der Unterschied zwischen p99 und p50, auf welches Benutzererfahrungsproblem weist er hin? Fügen Sie keine erfundenen Werte hinzu, interpretieren Sie einfach die Daten, die ich Ihnen gebe. Daten: [Metriken]

2) Basisliniensubtraktion:

Nachfolgend finden Sie die gesunden [Metrik]-Daten der letzten 4 Wochen. Extrahieren Sie den (1) Normalbereich (2) Tages- und Wochenmuster (z. B. Nachttief, Mittagshoch) dieser Metrik. Dann werde ich einen einzelnen neuen Wert angeben; Klassifizieren Sie es basierend auf dieser Basislinie als „normal/vorsichtig/anormal“. Daten: [historische Metrik]

3) Kapazitätsprojektion (mit Reichweite):

Nachfolgend finden Sie die Belegungsdaten der letzten 8 Wochen für [Ressourcen]. (1) Berechnen Sie die wöchentliche durchschnittliche Wachstumsrate, (2) geben Sie saisonale Effekte an, (3) schätzen Sie die Zeit bis zum Erreichen der 90 %-Schwelle bei der aktuellen Rate, mit OPTIMISTISCHEN und PESIMISTISCHEN Bereichen. Geben Sie ein einzelnes Datum an, geben Sie einen Bereich an und schreiben Sie Ihre Annahmen auf. Daten: [Zeitreihe]

4) Empfehlung der Alarmschwelle:

Meine Basislinie für [Metrik] ist [Bereich]. Mein Ziel ist es, Fehlalarme zu minimieren, ohne echte Probleme zu übersehen. Geben Sie mir eine Empfehlung für (1) Warnung und (2) kritische Schwelle, begründen Sie sie jeweils und bewerten Sie das Risiko einer Alarmmüdigkeit. Ich werde den endgültigen Schwellenwert festlegen.

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

Schwache Eingabeaufforderung:

Ist mein Server langsam?

Es gibt keinen Kontext, keine Kennzahlen und keine Grundlinie. Die KI kennt weder die Definition von „langsam“ noch hat sie einen Normalwert, mit dem sie es vergleichen kann. Die Antwort ist eine müßige Vermutung.

Kraftvolle Aufforderung:

Ihre Rolle: Kapazitätsplanungsspezialist. Nachfolgend finden Sie die letzten 14 Tage der p95-Antwortzeit und der Anforderungs-/Sekundendaten einer API (maskiert). Meine Grundlinie liegt bei 250–400 ms für p95. Sagen Sie mir: (1) Markieren Sie die Tage, an denen in den letzten 14 Tagen der Ausgangswert überschritten wurde, (2) Sagen Sie mir, ob ein sichtbarer Zusammenhang zwischen Antwortzeit und Anforderungslast besteht (als Hypothese), (3) Sagen Sie voraus, wohin sich p95 in 30 Tagen entwickeln wird, wenn dieser Trend anhält. Daten: [Zeitreihe]

Metriktyp

falsche Messung

genaue messung

Reaktionszeit

Nur durchschnittlich

S. 50, S. 95, S. 99

CPU/Speicher

Momentanwert

Spitze + Dauer + Grundlinie

Bandscheibenwachstum

Heutige Belegung

Wöchentlicher Trend + Prognose

Anomalie

einzelner Sprung

Kontinuierliche Abweichung vom Ausgangswert

Alarm

Beliebiger einzelner Schwellenwert

Begründete Warnung + kritischer Schwellenwert

Häufige Fehler

• Alles mit einem Durchschnitt messen. Der Durchschnitt verbirgt die schlechten Erfahrungen einiger weniger; Siehe Perzentil.
• Auf der Suche nach Anomalien ohne Grundlinie. Man kann nicht sagen, dass ein Wert abnormal ist, ohne zu wissen, was normal ist; Sie erzeugen einen Fehlalarm.
• Saisonalität mit einem Trend verwechseln. Den Höhepunkt der Kampagne als dauerhaftes Wachstum zu betrachten und unnötige Ressourcen zu verbrauchen, kostet Geld.
• Verlassen Sie sich auf die Projektion ungerader Zahlen. „Genau 19 Tage“ ist eine falsche Genauigkeit; Nutzen Sie den optimistisch-pessimistischen Bereich.
• Sourcing-Zeit vergessen. Das Team, das den Prognoseschwellenwert und die Einkaufszeit nicht gemeinsam berücksichtigt, wird in die Unterbrechung geraten.

Achtung: Die Trendprojektion von AI geht davon aus, dass sich die Vergangenheit auch in der Zukunft fortsetzt. Eine neue Produkteinführung, eine Kundenmigration oder eine Architekturänderung durchkreuzen diese Annahme. Es ist Ihre Aufgabe, die Projektion mit Ihrem Kontext zu korrigieren.

Zusammenfassend

Die Leistungsüberwachung beantwortet die Frage „Ist es jetzt gut?“ und die Kapazitätsplanung beantwortet die Frage „Wann ist es nicht genug?“ KI ist ein leistungsstarker Partner bei der Interpretation von Metriken, der Festlegung von Basislinien, der Kennzeichnung von Anomalien und der Prognose von Trends. Aber der Durchschnitt lügt – verwenden Sie Perzentil; Ohne Basislinie gibt es keine Anomalie – stellen Sie zuerst den Normalzustand fest; Saisonalität vom Trend trennen; und nehmen Sie die Projektion als einen Bereich, nicht als eine einzelne Zahl. Entscheidungen über Ressourceninvestitionen und Alarmschwellen sind ebenso menschlich wie die Ressourcenvorlaufzeit und der Geschäftskontext.

Anwendungsaufgabe

Nehmen Sie die Daten der letzten Wochen für eine Ressource (Festplatte, Speicher, Antwortzeit) aus Ihren eigenen Systemen und maskieren Sie sensible Bereiche. Subtrahieren Sie den Normalbereich und das Muster mit der obigen Vorlage „Grundliniensubtraktion“. Lassen Sie dann die Vorlage „Kapazitätsprojektion“ vorhersagen, wann Sie einen Schwellenwert erreichen werden, mit einem optimistisch-pessimistischen Bereich. Lassen Sie Ihre Reaktionszeitmetrik außerdem mithilfe der „Perzentil“-Vorlage interpretieren und prüfen Sie, ob der Durchschnitt etwas verbirgt. Schreiben Sie Ihre Ergebnisse und die Maßnahmen, die Sie ergreifen werden, in 5 Punkten auf.

Checkliste

• [ ] Habe ich bei den Reaktionszeitmetriken auf p95/p99 statt auf den Durchschnitt geachtet?
• [ ] Habe ich eine Basislinie anhand gesunder Daten erstellt, bevor ich nach Anomalien suche?
• [ ] Habe ich saisonale Schwankungen von permanenten Trends unterschieden?
• [ ] Habe ich die Prognose als eine optimistisch-pessimistische Spanne und nicht als ein einzelnes Datum betrachtet?
• [ ] Habe ich die Beschaffungszeit zusammen mit dem Prognoseschwellenwert bewertet?
• [ ] Habe ich die Alarmschwelle basierend auf meiner eigenen Risikotoleranz und nicht auf einer KI-Empfehlung festgelegt?