Kostenoptimierungsstrategien für HDInsight-Cluster
Der erste Schritt bei der Kostenoptimierung von HDInsight ist die Auswahl des richtigen Clustertyps für die jeweilige unterstütze Workload. Wenn Sie den falschen Clustertyp auswählen, kann dies zu längeren Verarbeitungszeiten mit umfassenderen Computevorgängen als erforderlich führen. Dadurch entstehen Kosten, die für die durchgeführte Aktivität möglicherweise nicht angemessen und für den jeweiligen Vorgang übertrieben sind.
Zuvor war es ebenso wichtig, die richtige Clustergröße auszuwählen, um sicherzustellen, dass Ihre Workloads bei hoher Nachfrage schnell bedient werden können. Die Probleme mit der Auswahl der Clustergröße wurden jedoch behoben. Die Größe konnte vorher nicht geändert werden, ohne den Cluster zu beenden und ihn manuell erneut mit der neuen Größe bereitzustellen. Dies war unpraktisch und führte zur Verzögerung bei der Verarbeitung der Daten.
Vor Kurzem hat HDInsight ein Feature für die automatische Skalierung eingeführt, das die Computekapazität des Clusters skaliert, um bedarfsgesteuerte Verarbeitungsanforderungen zu erfüllen. Mit dem Feature für die automatische Skalierung können Sie den HDInsight-Cluster bei hoher Nachfrage hochskalieren und bei geringer Nachfrage wieder herunterskalieren. Mit diesem Feature wird sichergestellt, dass Sie Ihre Ausgaben entsprechend dem Bedarf Ihres HDInsight-Setups minimieren können.
Nicht verwendete Cluster sollten Sie löschen. Sie können den HDInsight-Cluster mithilfe von Apache Ambari oder Azure Monitor überwachen, um die Cluster zu ermitteln, die nicht verwendet werden.