Was ist eine Workload?

Workloads vs. Anwendungen

Auf den ersten Blick mögen Workloads und Anwendungen austauschbar erscheinen, aber sie erfüllen im Systemdesign unterschiedliche Zwecke. Eine Anwendung bezieht sich auf die Software selbst, sei es eine Web-App, eine mobile App oder Desktop-Software. Ein Workload hingegen ist das, was die Anwendung vom zugrunde liegenden System fordert, wie etwa zentrale Verarbeitungseinheiten (CPUs), Speicher oder Festplattenplatz.

Stell dir ein E-Commerce-Anwendung. Die Auslastung der App wird durch die Anzahl der pro Minute verarbeiteten Transaktionen (oder Bestellungen), gleichzeitige Benutzer und die Backend-Prozesse zur Bestandsaktualisierung bestimmt., Benutzersitzungen, oder Empfehlungssysteme. Das Konzept der App ist statisch, doch ihr Arbeitsaufkommen schwankt je nach Nachfrage.

Das Verstehen dieses Unterschieds ist beim Entwerfen von Systemen von entscheidender Bedeutung, insbesondere für Skalierbarkeit und Leistung. Auch wenn die Anwendung zunächst mit einer bestimmten Anzahl von Funktionen entwickelt wurde, wird sich ihre Auslastung ändern, wenn die Nutzeraktivität zunimmt, neue Funktionen eingeführt werden und sich die Infrastruktur weiterentwickelt.

Arten von Workloads

Hier sind einige gängige Arten:

1. Transaktionslasten: Bezieht sich auf Systeme, die große Mengen an Transaktionen, wie beispielsweise Datenbanken oder Online-Zahlungsplattformen. Diese Workloads zeichnen sich durch ihre Anforderungen an geringe Latenzzeiten und hohe Zuverlässigkeit aus.

2. Batch-Workloads: Diese Workloads führen eine Reihe von Jobs aus, die chargenweise verarbeitet. Datenanalyse-Pipelines, nächtliche Berichte sowie ETL-Jobs (Extract, Transform, Load) sind gute Beispiele für Batch-Workloads.

3. Interaktive Workloads: Diese Workloads umfassen Echtzeitaktivitäten, wie beispielsweise die Interaktion mit Endnutzern, sowohl in Web- als auch in mobilen Anwendungen. Sie erfordern schnelle Reaktionszeiten auf Benutzereingaben.

4. Rechenintensive Arbeitslasten: Bezieht sich auf Anwendungen, die erhebliche Rechenleistung erfordern, wie beispielsweise das Training von Modellen für maschinelles Lernen, das Rendern von Videos oder Simulationen.

5. Datenintensive Arbeitslasten: Systeme, die riesige Datenmengen verarbeiten, speichern und abrufen müssen, wie zum Beispiel großflächige Datenbanken oder Big-Data-Plattformen.

Beispiele für Workloads

• E-Commerce-Websites: Diese Arbeitslast umfasst Benutzeranfragen zu Produkten, Datenbankabfragen zum Abrufen von Bestandsdaten, die Abwicklung von Zahlungsvorgängen sowie Versandaktualisierungen.
• Training von Modellen für maschinelles Lernen: Erfordert intensive CPU- oder Grafikprozessor-Ressourcen (GPU), um Modelle anhand großer Datensätze trainieren. Dies wird häufig als rechenintensive Arbeitslast eingestuft.
• Streaming-Dienste: Plattformen wie Netflix verarbeiten interaktive Arbeitslasten, bei denen Das Video wird den Nutzern auf Abruf gestreamt. Dabei kommt ein datenintensives Backend zum Einsatz, das große Multimediadateien speichert.
• Betrugserkennung in Echtzeit: Ein typischer Anwendungsfall für eine Finanzanwendung umfasst Analyse von Echtzeit-Transaktionen zur Aufdeckung potenzieller Betrugsfälle – Diese Streaming-Anwendung verarbeitet in Spitzenzeiten Tausende von Transaktionen pro Sekunde.

Auslastungsmanagement

Beim Workload-Management geht es darum, Aufgaben innerhalb eines Systems verfügbarer Ressourcen – wie CPU, Arbeitsspeicher und Speicherplatz – so zu verteilen, dass eine effiziente Leistung gewährleistet ist. Ein ordnungsgemäßes Workload-Management ist entscheidend dafür, dass Anwendungen effizient und effektiv laufen.

Werkzeuge wie OpenPBS und Slurm ermöglichen es Ihnen, die Arbeitslast in einer Cluster-Umgebung zu verwalten, da sie Aufgaben planen und Ressourcen dynamisch verschiedenen Knoten zuweisen. Diese Tools optimieren Hardwareressourcen, indem sie Arbeitslasten so einplanen, dass Jobs mit hoher Priorität Ressourcen erhalten und weniger wichtige Aufgaben zurückgestellt oder in die Warteschlange gestellt werden können, bis Ressourcen verfügbar sind.

Workload-Automatisierung

Skalierbares Workload-Management erfordert Automatisierung. Workload-Automatisierung bezeichnet den Prozess der automatischen Planung, Ausführung und Verwaltung von Aufgaben innerhalb einer Anwendung oder eines Systems. Aufgrund ihrer Skalierbarkeit unterstützt sie die Ressourcenoptimierung, minimiert den manuellen Aufwand und liefert eine konsistente Leistung, insbesondere in dynamischen Umgebungen.

Schlüsselkonzepte der Workload-Automatisierung

• Task-Scheduling: Die Automatisierung auf Betriebssystemebene beinhaltet oft die zeitliche Steuerung von Aufgaben. Sobald sie mit Regeln wie bestimmten Zeiten, Ereignissen oder Systemschwellenwerten konfiguriert ist, kann sie Aufgaben automatisch aufrufen. Beispiele für einfache Automatisierung auf Betriebssystemebene sind Cron-Jobs unter Linux oder die Aufgabenplanung unter Windows.
• Ressourcenskalierung: Automatisierungsplattformen wie Kubernetes skalieren Ressourcen aufgrund von Echtzeit-Nachfrage dynamisch. Wenn es beispielsweise zu einem Anstieg der Nutzer bei einer Webanwendung kommt, rollt Kubernetes automatisch neue Instanzen (Container) aus, um die Last auszugleichen und gleichmäßig zu verteilen.
• Fehlerbehandlung: Automatisierte Systeme können mit Task-Fehlern umgehen. Sobald ein Task fehlschlägt, können Automatisierungstools einen erneuten Versuch starten, einen Fehler protokollieren oder einen Alarm für manuelle Eingriffe auslösen. Auf diese Weise werden Ausfallzeiten minimiert und der Betrieb läuft ununterbrochen weiter, während das System tut, was es tun soll.
• Abhängigkeitsverwaltung Da die Workload-Automatisierung es Ihnen ermöglicht festzulegen, welche Aufgaben von welchen abhängen, bedeutet dies, dass Sie sicherstellen können, dass Prozesse in der richtigen Reihenfolge ausgeführt werden. Betrachten Sie eine Datenverarbeitungspipeline, in der ETL-Jobs der Reihe nach ablaufen müssen – Extrahieren muss dem Transformieren und Laden vorausgehen.

Werkzeuge für die Arbeitslastautomatisierung

1. Kubernetes: Als führende Plattform zur Verwaltung containerisierter Workloads automatisiert Kubernetes die Bereitstellung, Skalierung und das Management von Container-Anwendungen. Es nutzt Controller, um den Systemzustand zu überwachen und Ressourcen an die Nachfrage anzupassen.

2. AWS (Amazon Web Services) Lambda: Serverless-Plattformen wie AWS Lambda ermöglicht es Ihnen, Code als Reaktion auf Ereignisse auszuführen, ohne Server bereitstellen oder verwalten zu müssen. Dieses Automatisierungsmodell ermöglicht es Workloads, als Reaktion auf Benutzerinteraktionen, geplante Aufgaben oder andere Auslöser automatisch und effizient zu skalieren.

3. Apache Airflow: Airflow ist eine beliebte Open-Source-Plattform für die programmgesteuerte Erstellung, Planung und Überwachung von Arbeitsabläufen. Sie ist besonders nützlich für Batch-Workloads, bei denen Aufgaben nacheinander oder zu bestimmten Zeiten ausgeführt werden müssen (z. B. Daten-Pipelines und ETL-Jobs).

4. Terraform: Terraform kann Workloads automatisieren, indem es Infrastruktur als Code (IaC) bereitstellt und verwaltet. Es lässt sich in Plattformen wie AWS und Google Cloud integrieren, um Skalierungsrichtlinien zu automatisieren, Server bereitzustellen und komplexe Infrastruktur-Workflows zu verwalten.

Schutz der Arbeitslast

Mit wachsender Komplexität werden Workloads zunehmend anfällig für Sicherheitsbedrohungen, was den Workload-Schutz unerlässlich macht. Der Workload-Schutz umfasst die Sicherung von Anwendungen, deren Daten und der Infrastruktur, die sie unterstützt.

Eine gängige Strategie besteht darin, Zero-Trust-Sicherheitsmodelle zu verwenden, bei denen jede Entität, die mit einer Workload interagiert (sei es ein Benutzer oder eine Anwendung), authentifiziert und autorisiert wird, bevor sie auf Ressourcen zugreift. Tools wie AWS Shield kann helfen, Workloads vor verteilten Denial-of-Service-Angriffen (DDoS) zu schützen, während Containersicherheitslösungen wie Falcon Kubernetes-Workloads auf Anomalien überwachen.

Cloud Workload Protection (CWP) umfasst die kontinuierliche Überwachung und Beseitigung von Bedrohungen in Cloud-Workloads und Containern. Eine CWP-Plattform (CWPP) ist eine Sicherheitslösung, die Workloads jeder Art an jedem Ort schützt und einen einheitlichen Cloud-Workload-Schutz über mehrere Anbieter hinweg bietet. Cloud-Anbieter bieten in der Regel native Workload-Schutzdienste an, wie z. B. Datenverschlüsselung im Ruhezustand und während der Übertragung, Identitäts- und Zugriffsverwaltung (IAM) sowie Netzwerkisolierung durch Virtual Private Clouds (VPCs).

Wichtige Erkenntnisse und zusätzliche Ressourcen

• Arbeitsbelastung Bezieht sich auf die Anforderung an ein System, während eine Anwendung Software ist.
• Arten von Workloads: Sie reichen von transaktional und interaktiv bis hin zu stapelorientierten, rechenintensiven und datenintensiven Workloads. Jede Workload sollte gemäß den an sie gestellten Anforderungen behandelt werden.
• Arbeitslastmanagement Die effiziente Verwaltung von Workloads wird häufig automatisiert. Das Ziel ist es, Ressourcen basierend auf den Anforderungen des Systems zu nutzen.
• Schutz der Workload: Der Schutz vor Bedrohungen für die Workload ist wichtig, und Cloud-native Tools sowie Sicherheitsmodelle tragen dazu bei, dies zu gewährleisten.

Wir stellen Ihnen auch einige ergänzende Ressourcen zur Verfügung, die Ihrem Unternehmen helfen, Anwendungen zu skalieren und zu verwalten.

• Hochverfügbarkeits-Architektur: Anforderungen & Best Practices
• Was ist eine verteilte Anwendung? Definition und Beispiele

Sie können unsere Blog und Konzepte Drehscheibe um mehr über arbeitslastbezogene Konzepte von Couchbase zu erfahren.