La surveillance des performances des périphériques réseau est essentielle pour comprendre les besoins du réseau et utiliser les bonnes ressources afin de maintenir ses capacités à un niveau optimal. En définissant des seuils pour les paramètres de performance critiques, les administrateurs réseau peuvent surveiller de près les statistiques de performance des différents périphériques et du réseau dans son ensemble et déterminer comment allouer ses ressources pour garantir des résultats exceptionnels.
Toutefois, comme pour tous les défis de mise en réseau, il y a un inconvénient à cela. Si la définition manuelle des seuils donne à l'administrateur un contrôle total sur les mesures de performance de chaque appareil, leur configuration peut être une tâche complexe. L'administrateur doit connaître les tendances de performance de chaque dispositif ainsi que les statistiques actuelles, il est donc extrêmement difficile de configurer manuellement les seuils de chaque périphérique. Et s'il s'agit d'un réseau d'entreprise comportant des milliers d'appareils, la situation devient encore plus problématique.
Pourquoi la configuration manuelle des seuils est désavantageuse ?
La fonction de seuils adaptatifs d'OpManager exploite la puissance du Machine Learning pour permettre aux administrateurs réseau d'effectuer cette tâche délicate en toute simplicité. À l'aide d'algorithmes prédictifs avancés et de calculs basés sur des pourcentages, OpManager s'adapte rapidement aux mesures de performance en constante évolution des périphériques réseau et fournit des valeurs très fiables pour vos mesures, qui sont ensuite utilisées pour définir les seuils des moniteurs de performance configurés.
Lors de la configuration des seuils dans OpManager, les administrateurs réseau déterminent généralement la valeur nominale pour un moniteur particulier d'un appareil en fonction des tendances et des modèles d'utilisation précédents. Les seuils sont ensuite configurés avec cette valeur de base pour trois différents niveaux d'alertes, à savoir Attention, Critical "Critique", et Trouble "Problème". Cette opération est effectuée au niveau d'un appareil ou peut également être appliquée en masse à plusieurs dispositifs.
Aujourd'hui, avec les seuils adaptatifs, la nécessité d'étudier les statistiques de performance précédentes n'est plus nécessaire. Les algorithmes prédictifs avancés d'OpManager prennent en charge cette tâche pénible en lisant les modèles dans les statistiques de performance sur plusieurs intervalles de temps et également sur la base de plusieurs modèles d'utilisation du réseau, et calculent une valeur "prévisionnelle" très utilisable pour ce moniteur. Ces algorithmes prédictifs basés sur le Machine Learning nécessitent au moins 3 jours de données de performance pour commencer à fournir des valeurs prévisionnelles. Une fois que les modèles de données ont été établis et que les valeurs prévisionnelles sont fournies, celles-ci sont ensuite utilisées par OpManager comme valeurs de seuil de base pour contrôler la fréquence et les critères des alertes émises.
Une fois les seuils adaptatifs activés, il suffit à l'utilisateur de fournir les valeurs d'écart pour chaque niveau d'alerte critique. Lorsque la valeur du moniteur particulier dépasse la valeur d'écart configurée pour une criticité particulière, une alerte est déclenchée avec le niveau correspondant pour ce moniteur.
Par exemple, si la valeur d'utilisation du CPU prévue est de 70 et que les écarts Attention / Trouble "Problème" / Critical "Critique" sont fixés à 10/15/20 respectivement, une alerte avec le niveau de risque "Attention" est générée lorsque la valeur d'utilisation du CPU dépasse 80 (70 + 10) et ainsi de suite.
Comment les seuils adaptatifs facilitent-ils les tâches ?
Questions fréquentes :
Êtes-vous prêt à tester les fonctionnalités avancées de notre solution sur votre réseau ? Téléchargez gratuitement une version d'essai complète de 30 jours d'OpManager et vous verrez à quel point cette solution peut améliorer considérablement la qualité de surveillance de votre réseau !