Site Capacity Planning

35
Teknologi Infrastruktur 1 Pemodelan Kapasitas Infrastruktur E-Busniess/E-Commerce

Transcript of Site Capacity Planning

Page 1: Site Capacity Planning

Teknologi Infrastruktur

1

Pemodelan Kapasitas Infrastruktur

E-Busniess/E-Commerce

Page 2: Site Capacity Planning

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.

Page 3: Site Capacity Planning

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.

Page 4: Site Capacity Planning

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.

Page 5: Site Capacity Planning

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.

Page 6: Site Capacity Planning

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.

Page 7: Site Capacity Planning

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.

Page 8: Site Capacity Planning

Pemodelan KapasitasPerencanaan berbasis model:

8

Page 9: Site Capacity Planning

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

Page 10: Site Capacity Planning

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.)

Page 11: Site Capacity Planning

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

Page 12: Site Capacity Planning

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)

Page 13: Site Capacity Planning

CBMG

13

Page 14: Site Capacity Planning

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

Page 15: Site Capacity Planning

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

Page 16: Site Capacity Planning

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

Page 17: Site Capacity Planning

Matriks CBMGMatriks CBMG: probabilitas transisi antar titik navigasi

17

Page 18: Site Capacity Planning

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

Page 19: Site Capacity Planning

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

Page 20: Site Capacity Planning

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.

Page 21: Site Capacity Planning

K-Means Clustering

21

1 2

3 4

k = 3

Jarak = √(xi-xj)2 + (yi-yj)2

Centroid: (Σx/n, Σy/n)

Page 22: Site Capacity Planning

CVMNilai dalam tabel CVM adalah nilai rata-rata

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

22

Page 23: Site Capacity Planning

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.

Page 24: Site Capacity Planning

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

Page 25: Site Capacity Planning

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:

Page 26: Site Capacity Planning

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

Page 27: Site Capacity Planning

Client Server Interaction DiagramModel CSID:

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

Page 28: Site Capacity Planning

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)

Page 29: Site Capacity Planning

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

Page 30: Site Capacity Planning

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).

Page 31: Site Capacity Planning

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

Page 32: Site Capacity Planning

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.)

Page 33: Site Capacity Planning

Proyeksi Kapasitas

33

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

dsb.)Perombakan infrastruktur TI.

Page 34: Site Capacity Planning

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

Page 35: Site Capacity Planning

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