Tintriのソフトウェアは機械学習によって高度に機能します
Tintri VMstoreのソフトウェア機能、Analytics、VMスケールアウト、自動QoSは機械学習のアルゴリズムを活用し、分析・予測・自律運用を実現しています。
ここで知っていただきたいこと
- Elasticsearch、Apache Spark、Amazon Machine Learningを使用しているTintri Analyticsは、環境内の実行中のアプリケーションからデータを取得し、シナリオをシミュレートし、導入の詳細な将来予測を行います。
- 自動QoSは、個々のアプリケーションのパフォーマンスをマッピングし、要求サイズを監視することにより、さまざまな要求サイズのプロファイルを自動的に作成するのに役立ちます。
- VMスケールアウトは機械学習を活用して、アプリケーションのストレージ容量とパフォーマンスのニーズを特定し、そのニーズに基づいてアクションを推奨し、的確な指示を行います。
最近注目されている自動運転車はIT技術で成り立っています。信号の状況を把握したり、交通標識の一時停止や速度制限などをカメラで認識しなければなりません。高速道路上の最も小さな操作についても説明するセンサーはもちろん、数百万の自発的な刺激を分析、解釈、実行できるリアルタイムの遠隔測定法を用いています。
もし、これらのリアルタイムなITの仕組みにバグがあった場合、急に危険な乗り物になってしまいます。そもそも、ソフトウェアの精度が十分でない場合や遠隔測定が遅れている場合や、細かいレベルでデータを読み取ることができなかったらどうすればよいでしょう?
直接人の命に関わるわけではありませんが、エンタープライズクラウドのリアルタイムなデータの把握と分析もシステムを安定稼働させるための重要な要素です。TintriはTintri Analytics、VMスケールアウト、自動QoSに機械学習のアルゴリズムを搭載して、的確な情報を提供しています。Tintriの機械学習アルゴリズムは、個々のアプリケーションのデータに基づく強力な予測ツールと計画ツールを使用して、システムの稼働が正しい軌道に乗っていることを確認します。
Tintri Analytics
よく他のストレージベンダーが、データの分析に機械学習を使っていると言っていますが、できる範囲はLUN単位もしくはボリューム単位ですので、ワークロードやアプリケーション単位で将来のトレンド分析をすることはできません。Tintri Analyticsでは、ボリューム単位またはLUN単位の相関や各ワークロードの平均を把握し、アプリケーションごとの細かい分析から将来の予測をします。言い換えれば、Tintriのアナリティクスは、遅れた不正確なセンサーによるクラッシュを危険にさらすのではなく、すべての単一要素をリアルタイムで検討することによってナビゲートすることができます。
Tintri Analyticsと従来の分析
たとえば、今後3ヵ月で大規模なSQLの導入を計画しているとしましょう。通常、ソフトウェアがLUNをマッピングするのには十分であっても、パフォーマンスと容量にどのような影響が及ぶかについては十分に把握できないでしょう。
Tintri Analyticsでは、Elasticsearch、Apache Spark、Amazon Machine Learningを使用した強力な機械学習アルゴリズムを使用することで、実環境で実行されているアプリケーションから何百万ものデータポイントを取得し、シナリオをシミュレートし、SQLを導入したことでインフラ環境にどのような影響があるか、また将来最大18ヶ月においてどのように環境が変化するかを予測することができます。
良いデータが良い予測をする
どの機械学習モデルでも、モデルの品質と組み合わせた利用可能なデータの品質、量、深さは、予測の正確さと有用性に直接影響します。当然ながら、従来の「予測的」分析では、100%正確な将来の傾向分析を作成する細かいデータを得ることはできません。アプリケーションレベルでデータを得ることができるHCIベンダーであっても、異なるワークロードがストレージパフォーマンスをどのように使用するかまでは分かりません。
Tintri Analyticsは、細かいアプリケーションレベルのデータを使用するだけでなく、新しいVM、変化するサイズ、スペース節約、成長率を常に記録し、過去3年間の履歴データを使って予測がより正確になるようにします。それが、分析のために機械学習を実際に活用する理由です。
自動QoS
Tintriをご存じない方は、個々のアプリケーションごとにサービスの品質をどのように調整していますか?他社ストレージの場合は、アプリケーションごとのサービス品質を把握してコントロールすることは不可能です。それに対して、Tintriは創業当時から、この点が一番重要であると認識し開発を行っています。
Tintriは、アプリケーションやサービスグループ単位で自動QoSを提供するため、ノイジーネイバー(うるさい隣人)やモンスターVMが発生しても他のアプリケーションに被害をもたらさないように調整し、予想外の動きをするアプリケーションを即時に特定することができます。しかも、各ワークロードの状況を機械学習でリアルタイムに分析し、人手を介さずに自動的に調整できる点が特長です。
アプリケーションレベルの分析
自動QoSを使用すると、VMの要求サイズに基づいて、個々のアプリケーションごとにQoSを自動的に予測して設定できます。自動QoSをリアルタイムで運用させるために、Tintri内部で継続的な機械学習を行っています。アプリケーションレベルのTintri CONNECTアーキテクチャーがどのように動作するかを説明します。
- Tintriに格納される個別のアプリケーションの性能情報をマッピング Tintri Analyticsと同じように、機械学習アルゴリズムは相関関係をスキップし、仮想化されたクラウドアプリケーションの重要な抽象化のレベルを正しく把握します。
- Tintriはアプリケーションの要求サイズを常に監視 Tintriが8k、次に256kのリクエストサイズを取得した場合、次に、機械学習アルゴリズムは、それらのサイズでどのくらい多くの要求が入ってくるかを学習します。機械学習は常に正確なパターンを選びます。
- これらのパターンに基づき、さまざまな要求サイズのプロファイルを自動的に作成 8kと256kの要求サイズのパターンを理解した後、機械学習によって他の要求サイズを推定し、このブロックサイズでどれだけのQoSが必要かを正確に知ることができます。
ファイルシステムに最適な動き
Tintriの自動QoSは、要求データサイズごとにQoSを手動で調整する必要はありません。細かいデータと強力な機械学習アルゴリズムが手作業を省いてくれます。
VMスケールアウト
従来のストレージのスケールアップおよびスケールアウトソリューションはハードウェアごとに手法が異なっており、ストレージ技術に熟知したIT部門の管理者が必要になります。社内にそのような人材がいない場合は、システムインテグレータのストレージスペシャリストに管理を任せるしかありません。そこでTintriのVMスケールアウトは、他社のスケールアウトと異なるアプローチを取っています。VMスケールアウトは、実際のアプリケーションニーズと機械学習アルゴリズムに基づいてストレージのプールを最適化します。
使い方
- アプリケーションのストレージ容量とパフォーマンスのニーズを識別:Tintriは、アプリケーションレベルでコンピューティング、ネットワーク、およびストレージ全体を監視し、それらのリソースがどれだけ必要なのかを把握します。
- アプリケーションのニーズに基づいて推奨するアクションを提案:Tintriは、アプリケーションを移動するためのコスト、過去のリソース消費量などをチェックする強力なマシン学習アルゴリズムを使用して、個々のアプリケーションがどのストレージノードに格納されると快適に稼働するかを識別します。ストレージが推奨事項を提案し、ユーザーが最終判断をします。
- 推奨した結果を予測:「実行」を押すと、VMのスケールアウトはVM配置の結果と実行にどれくらいの時間がかかるかを知らせます。また、ストレージのライブマイグレーションをオフロードすれば、VM配置に数時間ではなく数分で終了することもあります。
機械学習の応用
Tintriの機械学習の応用はこれからもさまざまな機能に追加されていく予定です。Tintriは、ワークロードごとのパフォーマンスがどれだけのインフラリソースを消費するかを測定し、今後3年間のパフォーマンスとキャパシティを計算し、自動的にサービス品質を設定したり、配置を最適化したりできます。今後もさらに多岐にわたる部分にまで機械学習を応用していく予定です。