Planungsmethode zum Ressourcenbedarf Was ist Predictive Capacity Planning (vorausschauende Kapazitätsplanung)?

Predictive Capacity Planning ist eine Planungsmethode, die den erwarteten zukünftigen Bedarf an Ressourcen wie Speicherplatz, Netzwerkkapazität oder Rechenleistung vorhersagt, um die erforderlichen Ressourcen bereitzustellen, bevor die Auslastung kritische Grenzen erreicht oder Systeme überlastet werden. Die Planungsmethode verwendet hierfür historische und aktuelle Nutzungs- und Telemetriedaten sowie statistische und mathematische Modelle und Künstliche Intelligenz.

Der deutsche Begriff für Predictive Capacity Planning lautet „vorausschauende“ oder „vorhersehende Kapazitätsplanung“. Es handelt sich dabei um eine fortgeschrittene, proaktive Planungsmethode, die den zukünftigen Bedarf an Ressourcen vorhersagt, Verantwortliche und Entscheidungsträger darüber informiert und gegebenenfalls Maßnahmen anstößt, um die erforderlichen Ressourcen bereitzustellen, bevor Engpässe entstehen.

Im IT-Bereich beschäftigt sich die Planungsmethode mit allen Infrastrukturressourcen und Kapazitäten, die für den reibungslosen Betrieb von IT-Services notwendig sind. Das sind beispielsweise Rechenressourcen, Speicherressourcen, Netzwerkressourcen, Cloud-Ressourcen wie Instanzen, Container und verwaltete Dienste, Lizenzen, Benutzerkontingente und Stromversorgung, Kühlung oder Stellfläche im Rechenzentrum. Geht es speziell um die vorausschauende Analyse und Prognose des Speicherbedarfs, wird dies teilweise auch als Predictive Storage Analytics (im Deutschen: vorausschauende oder vorhersehende Speicheranalyse) bezeichnet.

Prinzipielle Funktionsweise und Kernkomponenten der vorausschauenden Kapazitätsplanung

Die Grundlage für das Predictive Capacity Planning bilden historische und aktuelle Nutzungs- und Leistungsdaten. Dazu gehören zum Beispiel aktuelle und historische Speicher-, CPU-, Netzwerk- und Systemauslastungen, IOPS-Werte, Latenzen, Antwortzeiten, Fehlerraten, Benutzerzahlen, Transaktionen, Logs, Traces und viele weitere Daten.

Die Rohdaten werden kontinuierlich erfasst, aufbereitet und zum Beispiel in Zeitreihen- oder Analysedatenbanken gespeichert. Anschließend werden sie weiterverarbeitet und analysiert. Es werden beispielsweise Spitzenwerte ermittelt, gleitende Mittelwerte gebildet, Abhängigkeiten zwischen Arbeitslasten und Ressourcenverbrauch abgeleitet, zeitabhängige Muster oder saisonale Effekte identifiziert und Wachstumsraten ermittelt.

Auf Basis dieser Analyseergebnisse sagen Prognosemodelle oder Prognose-Engines den wahrscheinlichen zukünftigen Ressourcenbedarf voraus. Sie berücksichtigen dabei auch geplante Ereignisse, Leistungsziele, Reserven, Wachstum, Skalierungsoptionen, Kosten und gegebenenfalls Service-Level-Anforderungen. Für die Vorhersagen selbst können verschiedene statistische Modelle und Algorithmen sowie Künstliche Intelligenz und maschinelles Lernen zum Einsatz kommen. Die Vorhersagen betrachten in der Regel mehrere Szenarien (realistisch, optimistisch und pessimistisch) und liefern Prognosebereiche zwischen einer oberen und einer unteren Prognosegrenze.

Auf Basis der Prognosen, der tatsächlich verfügbaren Kapazität und zuvor definierter Regeln und Schwellwerte werden Warnungen ausgegeben, Handlungsempfehlungen erstellt oder automatisiert Maßnahmen ausgelöst. Administratoren erhalten zum Beispiel Meldungen, wann Ressourcen erschöpft sein werden und welche Kapazitäten wann benötigt werden. Idealerweise ist das System sogar in der Lage, über Automatisierungsfunktionen Ressourcen zu skalieren oder umzuschichten.

In der Regel verfügen Lösungen für die vorausschauende Kapazitätsplanung auch über Visualisierungstools, die die Prognoseergebnisse, Abhängigkeiten und Handlungsempfehlungen für die Entscheider oder Administratoren grafisch aufbereiten und verständlich darstellen.

Prinzipiell funktioniert das Predictive Capacity Planning wie ein geschlossener, kontinuierlicher Regelkreis. Es wird geprüft, wie genau die Prognosen tatsächlich waren. Gegebenenfalls werden die Modelle entsprechend nachjustiert. Anschließend werden die geschilderten Schritte erneut durchlaufen.

Vorteile des Predictive Capacity Planning

Typische Vorteile, die sich durch Predictive Capacity Planning ergeben, sind zum Beispiel:

• verbesserte Prognosegenauigkeit,

• proaktive statt reaktive Steuerung,

• Senkung des Risikos von Überlastungen oder Ressourcenengpässen,

• effizienterer Einsatz der vorhandenen Ressourcen,

• verbesserte Performance, Servicequalität und Zuverlässigkeit,

• Kosteneinsparungen durch rechtzeitige und gezielte Erweiterung und weniger Überprovisionierung,

• fundiertere Investitions- und Budgetplanungen,

• höhere Agilität.

(ID:50956951)