Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Teknologi Infrastruktur 1 Pemodelan Kapasitas Infrastruktur Situs.

Presentasi serupa


Presentasi berjudul: "Teknologi Infrastruktur 1 Pemodelan Kapasitas Infrastruktur Situs."— Transcript presentasi:

1 Teknologi Infrastruktur 1 Pemodelan Kapasitas Infrastruktur Situs

2 Sasaran 2 Memahami teknik pemodelan kapasitas komponen- komponen infrastruktur TI dengan menggunakan: Konsep pemodelan perilaku pengguna. Konsep pemodelan interaksi antar komponen infrastruktur. Studi kasus pada situs online.

3 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.

4 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.

5 Kapasitas Infrastruktur 5 Elemen-elemen utama QoS dalam perancangan infrastruktur: Konsumen Manajemen Service Level Agreement Service Level Agreement Pilihan Teknologi & Standar Pilihan Teknologi & Standar Plafon Biaya (Anggaran) Plafon Biaya (Anggaran) Kapasitas Memadai Kapasitas Memadai Response time < 8 detik Ketersediaan > 99.5% Instalasi Rp 100 juta Pemeliharaan < Rp 20 juta/tahun Oracle DBMS, SSL, dsb.

6 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.

7 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.

8 Pemodelan Kapasitas Perencanaan berbasis model: 8

9 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 Struktur Navigasi dan Fungsi Pola Perilaku Pengguna Pola Perilaku Pengguna Arsitektur Fisik dan Beban Layanan Arsitektur Fisik dan Beban Layanan

10 Model-model Referensi 10 Model Bisnis Pola B2C, B2B, C2C, dsb. Model Fungsional Dekomposisi fungsi-fungsi sistem. Model Pengguna Pola navigasi pengunjung situs. Model probabilistik perilaku pengunjung. Model Sumber Daya Model beban kerja (utilisasi CPU, dsb.) Model kinerja (maksimum jumlah transaksi per detik, dsb.)

11 Model Fungsional 11 Contoh: Layanan Karyawan Layanan Pemasok Layanan Keuangan Layanan Inventaris Cari & pilih produk Order Produk Cek Status Order Ubah/Batal- kan Order Update Katalog Ambil Data Order Lapor Peneri- maan Produk Ambil Data Tagihan Login Logout Layanan User Portal E-Procurement

12 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)

13 CBMG 13

14 Pengumpulan Data CBMG 14 Data diperoleh dari log akses pada server web Sesi: 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 Server Web Browser (1) HTTP request (2) HTML file HTML collection Access log file

15 Pembuatan CBMG Sesi 1Sesi 2Sesi 3 /index.htm /info/index.htm /info/spec.htm/contact.htm /product/manuals.htm [10/Nov/2005:10:00:01] “GET /index.htm” [10/Nov/2005:10:00:03] “GET /info/spec.htm” [10/Nov/2005:10:00:03] “GET /catalog/index.htm” [10/Nov/2005:10:00:09] “GET /product/manuals.htm” [10/Nov/2005:10:00:10] “GET /info/spec/data.htm” [10/Nov/2005:10:05:15] “GET /info/info/order.htm” [10/Nov/2005:10:32:23] “GET /index.htm” [10/Nov/2005:10:33:01] “GET /contact.htm” [10/Nov/2005:11:20:00] “GET /info/index.htm” Sesi 1 Sesi 2 Sesi 3 Threshold: 30 menit (http://www.piti.com/info/index.htm) Client IP:

16 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) = C i,j / Σ C i,k untuk k = 1, …, n. C i,j adalah jumlah transisi dari fungsi i ke fungsi j n adalah jumlah fungsi (titik navigasi). HTTP logs Session log Page request log CBMG

17 Matriks CBMG Matriks CBMG: probabilitas transisi antar titik navigasi 17

18 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 0,6 2 ) + (1x 0,5 x 0,6 3 ) + … + (1x 0,5 x 0,6 ∞ ) = 1,25 per sesi Entry Home Search Browse 1,0 0,5 1,0 0,6 0,4 CBMG Catalog Browse 0,5 1,0

19 Customer Visit Model CVM: daftar frekuensi akses untuk setiap fungsi per sesi. Juga dihitung dari data log akses server Web. Digunakan untuk membuat model beban kerja. 19

20 Pembuatan CVM 20 Penentuan jumlah sesi dalam tabel CVM: Berdasarkan kategori pengunjung, atau Dengan teknik clustering (pengelompokan data) sesi Setiap 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.

21 K-Means Clustering k = 3 Jarak = √ (x i -x j ) 2 + (y i -y j ) 2 Centroid: (Σx/n, Σy/n)

22 CVM Nilai dalam tabel CVM adalah nilai rata-rata tiap cluster atau kategori pengunjung. Contoh CVM dengan jumlah cluster k = 4. 22

23 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.

24 Pemodelan Beban dengan CSID 24 Pemodelan beban berdasarkan komponen infrastruktur dimana fungsi- fungsi dijalankan dan CVM/CBMG. Contoh: Web Server Secure Web Server Secure Web Server Payment Server Payment Server Application Server Application Server Database Server Database Server Client Browser Client Browser e-Commerce Site

25 Contoh CVM & CBMG Contoh CVM sederhana: Tipe Sesi:Baca daftar iklan properti Pasang iklan properti Cari iklan properti Prosentase:5%19%76% 25 Entry Show list Submit form Search keyword Get status Show results 1.0 CBMG:

26 CBMG & Physical DFD → CSID 26 C WSAS C WS DB AS C WS Entry Show list Submit form Search keyword Get status Show results 1.0 list form entry status request form keyword query list result C : client WS : web server AS : application server DB : database server

27 Client Server Interaction Diagram Model CSID: 27 [p,m] p: probabilitas dalam satu sesi. m: ukuran data dalam kilo bytes.

28 CSID 28 Dari CSID dapat dihitung Probabilitas DB server (DB) akan digunakan dalam suatu sesi: 1,0 x 0,95 x 0,8 = 0,76 Berapa 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)

29 Analisa Kapasitas Sumberdaya Perkiraan kapasitas berdasarkan CSID Jumlah maksimum sesi paralel yang dapat dilayani tanpa delay untuk LAN dengan bandwidth 100 Mbps ≈ KByte/second (termasuk datagram packet overhead) Misalnya rata-rata KByte persesi adalah 15 KBytes maka kapasitas jaringan adalah /15 = 666,66 sesi paralel. 29 internet router Web server Appli- cation server DB server LAN 100Mbps

30 Analisa Kapasitas Sumberdaya 30 Perkiraan kapasitas berdasarkan CSID Kapasitas 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).

31 Penentuan Parameter Model Benchmarking 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 database aplikasimiddleware Server Web intranet client

32 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.)

33 Proyeksi Kapasitas 33 Penyebab peningkatan beban kerja: Perubahan/perkembangan model bisnis. Perubahan/penambahan fungsi layanan. Perubahan perilaku konsumen (trend, promosi, dsb.) Perombakan infrastruktur TI.

34 Proyeksi Kapasitas 34 Rencana kapasitas infrastruktur e-Bisnis disesuaikan dengan rencana pengembangan lanjut sistem e-Bisnis Rencana evolusi model bisnis Rencana evolusi fungsi layanan Perkiraan evolusi perilaku konsumen Rencana evolusi infrastruktur Perencanaan model bisnis & fungsi layanan Perencanaan perilaku konsumen Perencanaan sumber daya TI Tiga proses perenca- naan utama

35 Proyeksi Kapasitas 35 Karakterisasi Bisnis Model Bisnis Rencana Pengembangan Bisnis Rencana Pengembangan Bisnis Rencana Penambahan Fungsi-fungsi Rencana Penambahan Fungsi-fungsi Model Fungsional Model Fungsional Analisis Fungsional Analisis Fungsional Hasil analisis Use Case Struktur dan fitur situs Hasil analisis strategi Karakterisasi Perilaku Konsumen Karakterisasi Perilaku Konsumen CBMG Rencana Pengubahan Perilaku Konsumen Rencana Pengubahan Perilaku Konsumen Hasil analisis statistik


Download ppt "Teknologi Infrastruktur 1 Pemodelan Kapasitas Infrastruktur Situs."

Presentasi serupa


Iklan oleh Google