衡量数据中心好坏标准的隐性指标

简介:

评价一个数据中心有很多的参数、指标,可以用这些指标来衡量一个数据中心的好坏。比如:服务器和网络规模、PUE、RTO,RPO等等。很多数据中心很喜欢拿自己拥有的服务器数量如何的多,来表示自己的强大,相当长的一段时间内,数据中心都喜欢单纯地去追求物理设备数量的增加,认为只要是在规模越大,数据中心能力就越强,数据中心就越好。不可否认,增加设备数量,尤其是服务器数量,在纸面上的性能上确实有提升,不过真正部署业务时,要考虑的地方有很多,网络、存储、安全等方方面面都需要提升,尤其是这些多设备配置运转起来,是否高效,这些都将制约着数据中心性能的提升,所以不是单纯地增加物理设备就可以,采用这样的数据指标来评价数据中心,就是纸上谈兵,不符合实际。还有其它不少的数据中心技术指标,都可以反映出数据中心某些方面的特征,但还不够。随着移动数据和云计算应用的增多,还有更多的标准指标需要引起人们的注意,这些指标往往容易被人忽略。

数据中攻心

不涉及中断的性能下降

我们经常使用RTO、RPO这些指标来评价一个数据中心对故障的处理和恢复能力,而很多时候,业务没有发生中断,而是访问体验性非常差,性能下降。其实性能下降几乎与服务中断一样重要,性能下降指标会告诉你问题有多大,而你的工作就是解决这些问题。性能下降意味着特别难以修复的中断将要出现,通常涉及软件层到硬件层的多种类型,使得定位原因远比服务器被拔掉或网络混乱来的难。涉及到用户满意度时,性能下降无异于中断。随着越来越多企业依赖软件与用户进行交互,用户不太可能忍受性能问题。性能下降通常意味着成本制约已经开始伤到快速扩张的骨头,这对大数据项目成功的影响至关重要。外包或云主机可以延缓这种可能性,但数据中心外部的成本同样会增加,这种访问体验上的变差将直接影响到数据中心用户的减少,比如当你登陆一家购物网站,每打开一个链接都要等上十几秒的时间,再好的购物网站,你也会选择放弃转而去别的购物网站,所以这种非中断的性能下降对客户的伤害是非常大的,将致使数据中心流失大量的客户,严重影响到数据中心的收益,所以性能下降也需要作为评价数据中心的指标,性能下降的时间和次数都要作为评价数据中心好坏的标准指标之一。

数据的时效性

数据中心要处理海量的数据,存储的数据量也越来越大,有时不得不不断采购新的存储设备来放置这些不断增长的数据,这些数据日积月累不断增长,逐渐变得无法交付有效数据来满足企业分析或做出决策,比如分析用户的购买模式,或者其他形式大数据分析所需的数据。这些数据也有时效性,随着时间的推移,数据的利用价值在不断降低。例如数据中心的在线交易系统,能够处理一定的输入操作,数据仓库的重要功能就是数据汇总,但随着时间推移,只有很少的信息需要进出仓库。并不是所有信息都需要展示,只有大约20%左右的数据在数据中心或云服务中保持活跃,而这些数据可能对实际的业务分析并没有帮助。随着数据中心的运行时间累计,产生的数据垃圾也越来越多,要及时进行清理。对于那些不常用的,多份数据周期性进行清理和删除,从而可以节省大量的存储空间,数据过多也使得应用系统运行缓慢,比如搜索业务,要对从外网镜像过来的网页信息中进行关键字搜索,如果历史数据过多,会严重影响搜索的速度,保持数据的时效性非常重要。一个数据中心如果数据的时效性做得好,主要从现有数据本身的价值、存储设备利用率、数据重复性存储等几个方面考察,将数据的时效性作为评价指标将有助于提升数据中心存储网的运行效率。

客户满意度

“客户是上帝”人们经常挂在嘴边上的俗语,但真正把客户看作上帝的又有几个呢,尤其在拥有庞大客户群体之后,似乎有了对客户强势的底气,一定程度上忽视了客户的反馈。经常会有些数据中心做些问卷调查或者用户满意度调查,以便找出数据中心服务中还有哪些不足,但真正能将这些信息贯彻执行下去,甚至认真改进的却很少,因为一想到要做改进要投入大量的人力、物力时,就望而却步了,很多时候只要不是引起客户的公愤,有些需求就能推就推,得过且过了,这其中不排除有不少客户反馈的并不结合实际的要求,根本无法去实现。一个数据中心的好坏,除了自己评说,还要听听别人的声音,尤其是使用者的声音,客户满意度就是一个最直接的数据。对数据中心进行评价时,可以多找一些数据中心客户样本,进行多角度的调查,上到技术专家,下到平民百姓,覆盖到使用数据中心应用的所有客户群体,从他们的口中得到数据中心的使用感受,需要改进的地方。客户满意度调查不仅是评价数据中心好坏的重要标准,也应该成为数据中心进行自我改进的重要手段,要认真聆听每一个客户的诉求,只要是合理的就要及时纠正,只有客户满足度上去了,数据中心业务才能蒸蒸日上。

衡量一个数据中心好坏的标准有很多,而以上提到的这些指标往往是经常被人忽略的,甚至是少有被人提及的,要充分重视这些隐性指标,将这些指标也纳入到数据中心考核之中去,这样才能不断提升数据中心的软实力,让数据中心成为一个真正的优秀数据中心。


本文作者:佚名

来源:51CTO

相关文章
|
4月前
|
机器学习/深度学习 数据可视化 数据库
R语言广义线性模型索赔频率预测:过度分散、风险暴露数和树状图可视化
R语言广义线性模型索赔频率预测:过度分散、风险暴露数和树状图可视化
|
4月前
|
数据采集 机器学习/深度学习 算法
多维因素与学生辍学风险预测
多维因素与学生辍学风险预测
46 1
|
4月前
|
数据采集 数据挖掘
多维因素与学生辍学风险预测附录
多维因素与学生辍学风险预测附录
50 0
|
机器学习/深度学习 算法
评估系统或算法质量的重要指标
准确性(Accuracy):衡量系统或算法输出结果与真实结果之间的接近程度。通常使用分类准确率、回归误差等指标来评估。 精确率(Precision)和召回率(Recall):主要用于评估分类模型的性能。精确率衡量预测为正例的样本中实际为正例的比例,召回率衡量实际为正例的样本中被正确预测为正例的比例。
259 4
|
Web App开发 运维 监控
量化日常工作指标
量化日常工作指标
|
敏捷开发 缓存 监控
程序员架构修炼:架构的保障,质量与风险求解质量熵
在前面的小节中,我们从黑天鹅事件谈到了蝴蝶效应和墨菲定律。一言以蔽之,将软件研发质量做好并非易事。质量是一个综合命题,涉及业务的准确性、稳定性和可用性等
|
数据可视化 持续交付
衡量软件交付性能的4个指标
衡量软件交付性能的4个指标
624 0
衡量软件交付性能的4个指标
|
机器学习/深度学习 人工智能 算法
分布外泛化,「经验风险最小化ERM」真的是最好的算法么?
上海交通大学联合华为诺亚方舟实验室 AI 基础理论团队以及香港科技大学,提出了一种新的面向非独立同分布域泛化问题的评价指标 OoD-Bench,同时对 OoD 领域构建了一个统一的框架。
426 0
分布外泛化,「经验风险最小化ERM」真的是最好的算法么?
系统思考负反馈之西蒙的组织均衡分析
系统思考负反馈之西蒙的组织均衡分析 内容提要:西蒙的组织均衡是一个负反馈模型,组织通过目标与结果的偏差,使用权威,沟通,培训,效率和认同这5种方式来影响成员的行为使其符合组织目标,完成组织均衡的负反馈。
938 0