Ved hjælp af Unicenter TNG til forbedring af Performance Management - dummies

Unicenter TNG præstationsstyring værktøjer kompilerer systemudnyttelsesdata og regnskabsdata, der muliggør aktiviteter som kapacitetsplanlægning, regnskabsafgift tilbage til tildeling af datasystemomkostninger og lang tidsplanlægning og trendanalyse. Disse Unicenter TNG performance management aktiviteter involverer dataindsamling og analyse og hjælper dig med at træffe beslutninger, mens du opbygger effektivitet i systemet.

Unicenter TNG hjælper med at gætte ud af performance management. En ekstra fordel er, at rapporter og diagrammer fra præstationsviseren kan bruges til at visualisere ressourcer og begrunde beslutninger.

Steve forsøger for eksempel at afgøre, om hans gruppe skal købe flere arbejdsstationer, eller hvis gruppens medlemmer på en eller anden måde kan presse mere ydeevne ud af dem, de har. Unicenter TNG indsamler rutinemæssigt alle typer data på virksomhedsressourcer. Steve kan udtrække de data, der vedrører et bestemt sæt af maskiner og bestemme, hvor meget efterspørgslen er placeret på disse systemer i en 24-timers periode. Ved at sammenligne CPU-brugen af ​​flere arbejdsstationer, kan Steve f.eks. Bestemme, hvordan systemets arbejdsbelastninger kan omfordeles, hvilket fører til en mere effektiv ressourceudnyttelse. Selvfølgelig kan hans konklusion være, at alle systemer nærmer sig kapacitet, og det er på tide at bestille nyt udstyr. Han kan derefter bruge de understøttende data til at retfærdiggøre sin indkøbsforespørgsel.

Dataindsamling og trendanalyse

Unicenter TNG Performance Management gør det muligt at sammenligne data i realtid med data fra en tidligere tidsperiode - i går, sidste uge, sidste kvartal eller for to år siden (forudsat at sådanne data blev indsamlet for to år siden).

Fordelene ved at sammenligne nye og gamle data inkluderer:

• Forventning af problemer: Sammenligninger side om side giver dig mulighed for at observere ændringer i systemressourcer og potentielle problemområder, såsom hukommelsestærskler, diskbrug, caching, og lignende.

• Stærkere analyse: Efterhånden som den historiske database udvider, bliver kapacitetsplanlægning og analyse kapaciteter stærkere. Online diagrammer og rapporteringsfunktioner hjælper dig med at afgøre, om systemer udfører inden for acceptable grænser.
• Bemyndiget beslutningstagning: IT-gruppen styrer, hvilken type data der indsamles og hvordan den indsamles. Administratoren kan bestemme hvilke ressourcer der skal overvåges, når data skal indsamles, og hvor lang tid data skal opbevares.

Præstationsagenter

Unicenter TNG bruger to typer agenter til indsamling af præstationsrelaterede data:

• Real-time performance agent: Også kaldet performance scope, denne agent giver dig en real-time visning af systemets ydeevne.
• Historisk præstationsagent: HPA indsamler tidsbåndede data, som er gemt i ydeevne-terninger.
De tidsbåndede data, der indsamles af HPA, er præstationsdata, der er samplet på et forudbestemt interval, og repræsenterer et øjebliksbillede af, hvordan systemerne opfører sig på et bestemt tidsrum. HPA forespørger operativsystemet hvert minut (typisk hver 5, 10, 15 eller 20 minutter) for at indsamle præstationsdata og skrive det til en kubefil. Administratoren kan definere, hvor ofte data indsamles og variere frekvensen afhængigt af typen af ​​data. Så kan Unicenter for eksempel undersøge hukommelseskapacitet hvert 3. minut, men indsamle data om, hvor mange brugere der logges på hvert 20. minut.Dataindsamling kan være ressourceintensiv. Hyppig polling (f.eks. Et intervall på 60 sekunder eller 3 minutter) bruger flere systemressourcer end et længere interval (f.eks. En time eller den 20-minutters standard, der leveres af Unicenter). Administratorer bør overveje, hvor ofte forskellige ressourcer skal polles og bruge det samlingsinterval, der passer bedst til organisationens behov. Du kan fremskynde afstemningstiden til særlige formål, som f.eks. Test, men sørg for at bremse tempoet, når testen er færdig.

Historisk præstationsagent (HPA)

Unicenter anvender HPA til cull-data. HPA udfører flere vigtige funktioner:

• Samler data: HPA samler periodisk alle typer systemdata på tværs af it-virksomheden. Sådanne data omfatter hukommelsesbrug, diskbrug, cache, tilslutninger i brug, antallet af brugere, der er logget ind og andre systemressourcer.
• Genererer ydeevne-kuber: HPA skriver de indsamlede data til en ydeevne-kube-fil, som er en kommasepareret fil med dato, tid, målt parameter (f.eks. Hukommelsesforbrug) og værdifelter.
• Distribuerer terninger: HPA overfører kubefilen til et vilkårligt antal ledere ved hjælp af CA Messaging (CA-M) og CA File Transfer (CA-FT).

Performance kuben er faktisk kommasepareret data, der kan ses gennem Excel. Unicenter TNG tilbyder brugerdefinerede skabeloner og menupunkter, der gør det muligt at se og grafere kube-filerne. Typer af ydeevne-kuber

Afhængigt af tidsperiode og omfang opretter HPA tre typer ydeevne-kuber:

Daglig ydeevne-kube:

• Denne kube omfatter data fra en periode på op til 24 timer, og det kan kombineres med andre daglige terninger for at producere i gennemsnit mange dage. Periodens ydeevne-terning:
• Periodens terning omfatter daglige terninger udarbejdet fra en maskine. Denne terning dækker mere end en dag og kan omfatte uger, en måned, et år eller mere. Virksomhedsydelse kube:
• Virksomhedskuben omfatter daglige eller periodebukser indsamlet fra mere end en maskine. Kapacitetsplanlægning

Unicenter TNG hjælper med at maksimere brugen af ​​ressourcer med kapacitetsplanlægningskapaciteter. Med performance management kan du finde ud af, hvordan systemer udnyttes. Du kan f.eks. Bemærke, at serveren i regnskabsføring ofte kører hukommelsesproblemer, der overstiger tærskler, der er defineret, når de kører batchopgaver efter timer. Du bestemmer, at serveren i personaleafdelingen sjældent bruges om natten. På baggrund af denne observation kan du omdanne nogle af de regnskabsmæssige job til at køre om natten på HR-maskine.

Unicenter TNGs kapacitetsplanlægning lader dig ved at overveje præstationsmålinger, f.eks. Responstid, gennemløb og samtidighed, vurdere serverforbrug.

• Bestem hvilke maskiner der er overbrugt
• , og hvilke der kan være underudnyttede. Undersøg trends i brug
• (f.eks. Om en server bruges mere eller mindre hyppigt over tid). Identificer flaskehalser, s
• uch som batchopgaver, der hælder i en kø eller for stor netværkstrafikknedbrydende responstid.