Monitorar o desempenho dos dispositivos de rede é fundamental para compreender suas necessidades e usar os recursos certos para manter o desempenho em níveis ideais. Ao definir thresholds para métricas críticas de desempenho, os administradores de rede podem monitorar de perto as estatísticas de desempenho de vários dispositivos e da rede como um todo e determinar como os recursos da rede podem ser alocados para garantir o desempenho máximo.
No entanto, como acontece com todos os desafios de rede, isso também tem uma desvantagem. Por mais que definir thresholds manualmente dê ao administrador controle completo sobre as métricas de desempenho de cada dispositivo, configurá-los pode ser uma tarefa trabalhosa. Como o administrador precisa conhecer as tendências de desempenho de cada dispositivo, bem como as estatísticas atuais, é extremamente difícil configurar manualmente os dispositivos individuais. E se for uma rede corporativa com milhares de dispositivos, a situação definitivamente piora.
Por que configurar limites manualmente é contraproducente?
A técnica de threshold adaptável do OpManager aproveita o poder do Machine Learning para permitir que os administradores de rede executem essa tarefa crítica com mais facilidade do que nunca. Usando algoritmos preditivos avançados e cálculos baseados em porcentagem, o threshold adaptável em tempo real do OpManager se adapta rapidamente às métricas de desempenho em constante mudança dos dispositivos de rede e prevê valores altamente confiáveis para suas métricas, que são então usados para definir thresholds para os monitores de desempenho configurados.
Durante a configuração do threshold no OpManager, os administradores de rede geralmente determinam o valor nominal para um monitor específico de um dispositivo com base em tendências e padrões de uso anteriores. Os thresholds são então configurados com esse valor de linha de base para três níveis diferentes de alertas de monitoramento de rede nomeadamente Atenção, Crítico e Problema.Isso é feito no nível do dispositivo ou também pode ser aplicado a vários dispositivos em massa.
Agora, com o método threshold adaptável, a necessidade de estudar estatísticas de desempenho anteriores é completamente removida da equação. Os algoritmos preditivos avançados do OpManager assumem essa tarefa tediosa, lendo padrões nas estatísticas de desempenho em vários intervalos de tempo e também com base em vários padrões de uso da rede, e calculam um valor de "Previsão" altamente utilizável para esse monitor.
Esse threshold adaptável baseado em machine learning requer pelo menos três dias de dados de desempenho para começar a fornecer valores de previsão. Uma vez estabelecidos os modelos de dados e fornecidos os valores, eles são então usados pelo OpManager como valores thresholds básicos para controlar a frequência e os critérios para os alertas gerados.
Uma vez habilitados os Thresholds adaptávels, o usuário só precisa fornecer os valores de desvio para cada criticidade do alerta. Quando o valor de um monitor específico excede o valor de desvio configurado para uma criticidade específica, um alerta é gerado com o nível correspondente para esse monitor.
Por exemplo, se o valor previsto do monitor de utilização da CPU for 70 e os desvios Atenção/Problema/Críticos estiverem definidos como 15/10/20 respectivamente, um alerta com a criticidade "Atenção" será gerado quando o valor de utilização da CPU exceder 80 (70 + 10) e assim por diante.
Como os thresholds adaptáveis facilitarão o trabalho?
Os thresholds adaptáveis do OpManager retiram a carga de trabalho redundante dos ombros do administrador de rede pelos seguintes motivos:
