Teknologi Infrastruktur

1

Pemodelan Kapasitas Infrastruktur

E-Busniess/E-Commerce

Sasaran

2

Memahami teknik pemodelan kapasitas komponen-komponen infrastruktur e-Busniess dengan menggunakan:Konsep pemodelan perilaku pengguna.Konsep pemodelan interaksi antar komponen

infrastruktur.Studi kasus pada situs online.

Perencanaan Kapasitas

3

Kriteria mutu layanan TI: kinerja (response time), ketersediaan (prosentase downtime), skalabilitas, dan keamanan.Situs online dengan kinerja rendah -

melampaui batas psikologis 8 detik – akan ditinggalkan pengunjung.

Situs dengan ketersediaan rendah dapat berakibat: citra buruk & kehilangan peluang bisnis.

Perencanaan Kapasitas

4

… kinerja (response time), ketersediaan (availability), skalabilitas (scalabilty), dan keamanan (security):Skalabilitas situs online dalam melayani

banyak pengunjung sekaligus menentukan kinerja dan ketersediaan situs.

Teknologi pengamanan yang tidak memadai menjadikan pengunjung enggan/takut bertransaksi.

Kapasitas Infrastruktur

5

Elemen-elemen utama QoS dalam perancangan infrastruktur:

Konsumen

Manajemen

ServiceLevel

Agreement

PilihanTeknologi & Standar

PlafonBiaya

(Anggaran)

KapasitasMemadai

Response time < 8 detikKetersediaan > 99.5%

Instalasi Rp 100 jutaPemeliharaan < Rp 20 juta/tahun

Oracle DBMS,SSL, dsb.

Pendekatan

6

Merancang arsitektur teknologi situs online berdasarkan pola penggunaan Sumber data: log akses server web.

Biasa digunakan untuk menghitung jumlah akses rata-rata per hari, jam-jam tersibuk, dsb.

Untuk menentukan konfigurasi server-server, kapasitas (bandwidth) jaringan, ukuran server-server, jenis software, dsb.

Pendekatan

7

Tahapan:Kategorisasi pengguna berdasarkan

perilakunya (use case).Karakterisasi beban kerja situs per sesi per

kategori pengguna.Pembuatan model kapasitas situs.Penghitungan parameter-parameter

model kapasitas situs.Identifikasi titik rawan (bottle neck)Perkirakan dampak peningkatan beban atau

upgrading komponen infrastruktur.

Pemodelan KapasitasPerencanaan berbasis model:

8

Model-model Referensi

9

Model-model dalam analisa/perencanaan kapasitas:

Model Bisnis

Model Fungsional

Model Pengguna

Model Sumber Daya

Karakteristik Bisnis

Struktur Navigasi dan Fungsi

Pola PerilakuPengguna

Arsitektur Fisikdan Beban Layanan

Model-model Referensi

10

Model BisnisPola B2C, B2B, C2C, dsb.

Model FungsionalDekomposisi fungsi-fungsi sistem.

Model PenggunaPola navigasi pengunjung situs.Model probabilistik perilaku pengunjung.

Model Sumber DayaModel beban kerja (utilisasi CPU, dsb.)Model kinerja (maksimum jumlah transaksi per

detik, dsb.)

Model Fungsional

11

Contoh:

LayananKaryawan

LayananPemasok

LayananKeuangan

LayananInventaris

Cari & pilihproduk

OrderProduk

Cek StatusOrder

Ubah/Batal-kan Order

UpdateKatalog

AmbilData Order

Lapor Peneri-maan Produk

Ambil DataTagihan

Login

Logout

LayananUser

PortalE-Procurement

Model Perilaku Pengguna

12

Pola “navigasi” per sesi:Pola urutan aktivasi fungsi-fungsi: login, lihat

katalog, cari produk, pesan, mengecek pesanan, dsb.

Pola navigasi seorang pengguna dapat berbeda antara sesi (kunjungan) satu dengan sesi (kunjungan) berikutnya.

Model-model:Customer Behavior Model Graph (CBMG)Customer Visit Model (CVM)

CBMG

13

Pengumpulan Data CBMG

14

Data diperoleh dari log akses pada server webSesi: urutan akses oleh client (IP address) yang

sama.Batas antar sesi untuk client yang sama:

berdasarkan minimum jarak waktu antar akses, kalau melebihi berarti sudah masuk sesi berikutnya.

Web ServerWeb Browser

(1) HTTP request

(2) HTML file

HTML collection

Access log file

Pembuatan CBMG

Sesi 1 Sesi 2 Sesi 3/index.htm /index.htm /info/index.htm/info/spec.htm /contact.htm/product/manuals.htm

15

100.222.33.52 [10/Nov/2005:10:00:01] “GET /index.htm”146.35.100.24 [10/Nov/2005:10:00:03] “GET /info/spec.htm”100.222.33.52 [10/Nov/2005:10:00:03] “GET /catalog/index.htm”100.222.33.52 [10/Nov/2005:10:00:09] “GET /product/manuals.htm”146.35.100.24 [10/Nov/2005:10:00:10] “GET /info/spec/data.htm”146.35.100.24 [10/Nov/2005:10:05:15] “GET /info/info/order.htm”100.222.33.52 [10/Nov/2005:10:32:23] “GET /index.htm”100.222.33.52 [10/Nov/2005:10:33:01] “GET /contact.htm”100.222.33.52 [10/Nov/2005:11:20:00] “GET /info/index.htm”

Sesi 1

Sesi 2

Sesi 3Threshold: 30 menit

(http://www.piti.com/info/index.htm)Client IP: 100.222.33.52

Pembuatan CBMG

16

Dari data urutan akses setiap sesi dihitung probabilitas transisi dari satu titik navigasi (fungsi) ke titik navigasi (fungsi) lain:

P(i,j) = Ci,j / Σ Ci,k untuk k = 1, …, n.• Ci,j adalah jumlah transisi dari fungsi i ke fungsi j• n adalah jumlah fungsi (titik navigasi).

HTTP logs

Session log Page request log CBMG

Matriks CBMGMatriks CBMG: probabilitas transisi antar titik navigasi

17

CBMG

18

Mengukur tingkat penggunaan fungsi-fungsi.Contoh:

Jumlah baca katalog: 0,5 per sesi.Jumlah search per sesi: (1 x 0,5) + (1 x 0,5 x x

1,0 x 0,6) + (1 x 0,5 x 0,62) + (1x 0,5 x 0,63) + … + (1x 0,5 x 0,6∞) = 1,25 per sesi

Entry Home Search Browse1,0 0,5 1,0

0,6

0,4

CBMG

Catalog Browse0,5 1,0 1,0

Customer Visit ModelCVM: daftar

frekuensi akses untuk setiap fungsi per sesi.

Juga dihitung dari data log akses server Web.

Digunakan untuk membuat model beban kerja.

19

Pembuatan CVM

20

Penentuan jumlah sesi dalam tabel CVM:Berdasarkan kategori pengunjung, atauDengan teknik clustering (pengelompokan

data) sesiSetiap data sesi direpresentasikan sebagai vektor yang

komponennya adalah fungsi-fungsi atau titik navigasi.Misalnya vektor dengan 6 komponen [login, registrasi,

search, pesan, cek-pesanan, logout], contoh datanya: [1,1,1,0,0,1], [0,0,2,0,0,0], [1,0,0,0,1,1], dst.

Dapat menggunakan teknik k-means clustering berdasarkan jarak antar vektor.

K-Means Clustering

21

1 2

3 4

k = 3

Jarak = √(xi-xj)2 + (yi-yj)2

Centroid: (Σx/n, Σy/n)

CVMNilai dalam tabel CVM adalah nilai rata-rata

tiap cluster atau kategori pengunjung.Contoh CVM dengan jumlah cluster k = 4.

22

Manfaat Model Perilaku

23

Untuk mengetahui, misalnya:Pola navigasi sesi-sesi yang melibatkan

transaksi.Pola navigasi khas tiap kategori user.Rata-rata berapa kali suatu fungsi diakses

per jenis sesi (kategori user).Dsb.

Pemodelan Beban dengan CSID

24

Pemodelan beban berdasarkan komponen infrastruktur dimana fungsi-fungsi dijalankan dan CVM/CBMG.

Contoh:

Web Server

SecureWeb Server

PaymentServer

ApplicationServer

DatabaseServer

ClientBrowser

e-Commerce Site

Contoh CVM & CBMGContoh CVM sederhana:

Tipe Sesi: Baca daftar iklan properti

Pasang iklan properti

Cari iklan properti

Prosentase: 5% 19% 76%

25

Entry

Showlist

Submitform

Searchkeyword

Getstatus

0.05

0.190. 76

1.0

1.0 1.0

Showresults

1.0 1.0

CBMG:

CBMG & Physical DFD → CSID

26

C

WS

AS

C

WS

DBAS

C

WS

Entry

Showlist

Submitform

Searchkeyword

Getstatus

0.05

0.190. 76

1.0

1.0 1.0

Showresults

1.0 1.0list

form entry

status status

request

form keyword query

list list result

C : clientWS : web serverAS : application serverDB : database server

Client Server Interaction DiagramModel CSID:

27[p,m] p: probabilitas dalam satu sesi. m: ukuran data dalam kilo bytes.

CSID

28

Dari CSID dapat dihitungProbabilitas DB server (DB) akan digunakan

dalam suatu sesi: 1,0 x 0,95 x 0,8 = 0,76Berapa kali rata-rata server aplikasi (AS)

akan digunakan dalam suatu sesi: 1 x (0,95 x 0,2) + 2 x (0,95 x 0,8) = 1,71 kali

Berapa rata-rata jumlah kbytes per sesi yang melalui jaringan lokal (LAN) yang menghubungkan server-server situs: 0,05 x (m1+m2) + 0,19 x (m1+m3+m4+m5) + 0,76 x (m1+m3+m6+m7+m8+m9)

Analisa Kapasitas Sumberdaya

Perkiraan kapasitas berdasarkan CSIDJumlah maksimum sesi paralel yang dapat

dilayani tanpa delay untuk LAN dengan bandwidth 100 Mbps ≈ 10.000 KByte/second (termasuk datagram packet overhead)Misalnya rata-rata KByte persesi adalah 15

KBytes maka kapasitas jaringan adalah 10.000/15 = 666,66 sesi paralel.

29

internetrouter

Web server

Appli-cation server

DB server

LAN100Mbps

Analisa Kapasitas Sumberdaya

30

Perkiraan kapasitas berdasarkan CSIDKapasitas server aplikasi

Misalnya utilisasi CPU setiap penggunaan adalah 0,5%, maka kapasitas application server adalah: 100 / (1,71 x 0,5) = 116,96 sesi paralel(lebih kecil dari kapasitas network).

Penentuan Parameter ModelBenchmarking pada tingkat sistem secara

keseluruhan perlu dilakukan untuk mengukur parameter-parameter model kinerja (CPU utilization, dsb.)

Dengan mengukur response time atau transaction rate (TPS) pada berbagai titik pengukuran.

31

databaseaplikasimiddlewareServer Webintranet

client

Perencanaan Kapasitas

32

Perencanaan kapasitas infrastruktur TI:Memahami/memodelkan karakteristik beban

sistem untuk mengetahui tingkat saturasi layanan sistem.

Mengantisipasi peningkatan beban dengan memperlambat tercapainya saturasi layanan. Pengambilan keputusan: Scaling Up

Penggantian dengan mesin berkapasitas lebih besar.

Scaling Out Penambahan mesin dengan kapasitas yang

sama (mirroring, replikasi, mesin paralel, dsb.)

Proyeksi Kapasitas

33

Penyebab peningkatan beban kerja:Perubahan/perkembangan model bisnis.Perubahan/penambahan fungsi layanan.Perubahan perilaku konsumen (trend, promosi,

dsb.)Perombakan infrastruktur TI.

Proyeksi Kapasitas

34

Rencana kapasitas infrastruktur e-Bisnis disesuaikan dengan rencana pengembangan lanjut sistem e-Bisnis

Rencanaevolusi

model bisnis

Rencanaevolusi

fungsi layanan

Perkiraan evolusiperilaku

konsumen

Rencanaevolusi

infrastruktur

Perencanaanmodel bisnis &fungsi layanan

Perencanaanperilaku

konsumen

Perencanaansumber daya

TI

Tiga proses

perenca-naan

utama

Proyeksi Kapasitas

35

Karakterisasi Bisnis

Model BisnisRencana

PengembanganBisnis

RencanaPenambahanFungsi-fungsi

Model Fungsional

AnalisisFungsional

Hasil analisisUse Case

Struktur danfitur situs

Hasil analisis strategi

Karakterisasi PerilakuKonsumen

CBMGRencana PengubahanPerilaku Konsumen

Hasil analisisstatistik