Pemodelan Kapasitas Infrastruktur Situs

1. Pemodelan Kapasitas Infrastruktur Situs Teknologi Infrastruktur

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

6. Pendekatan • 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 • 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:

9. Model Bisnis Karakteristik Bisnis Model Fungsional Struktur Navigasi dan Fungsi Model Pengguna Pola Perilaku Pengguna Model Sumber Daya Arsitektur Fisik dan Beban Layanan Model-model Referensi • Model-model dalam analisa/perencanaan kapasitas:

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

12. Model Perilaku Pengguna • 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

14. Web Server Web Browser HTML collection (1) HTTP request (2) HTML file Access log file Pengumpulan Data CBMG • 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.

15. Sesi 1 Sesi 2 Sesi 3 (http://www.piti.com/info/index.htm) Pembuatan CBMG 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” Threshold: 30 menit Client IP: 100.222.33.52

16. HTTP logs Page request log Session log CBMG Pembuatan CBMG • Dari data urutan akses setiap sesi dihitung probabilitas transisi dari satu titik navigasi (fungsi) ke titik navigasi (fungsi) lain: P(i,j) = Ci,j / ΣCi,k untuk k = 1, …, n. • Ci,j adalah jumlah transisi dari fungsi i ke fungsi j • n adalah jumlah fungsi (titik navigasi).

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

18. CBMG • 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 CBMG 0,6 0,5 1,0 Browse 0,4 Entry 1,0 Home Search 0,5 1,0 1,0 Browse Catalog

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.

20. Pembuatan CVM • 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. 1 2 Jarak =√(xi-xj)2 + (yi-yj)2 3 4 K-Means Clustering k = 3 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.

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

25. 1.0 Show list 0.05 1.0 Submit form Get status 0.19 1.0 Entry 0. 76 1.0 Search keyword Show results 1.0 Contoh CVM & CBMG • Contoh CVM sederhana: • CBMG:

26. C C WS WS WS AS AS 1.0 Show list 0.05 1.0 Submit form Get status 0.19 1.0 Entry 0. 76 C 1.0 Search keyword Show results 1.0 DB CBMG & Physical DFD → CSID request list form entry status status C : client WS : web server AS : application server DB : database server query keyword form result list list

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

28. CSID • 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. internet router LAN 100Mbps Appli- cation server DB server Web server Analisa Kapasitas Sumberdaya • Perkiraan kapasitas berdasarkan CSID • Jumlah 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.

30. Analisa Kapasitas Sumberdaya • 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. Server Web intranet middleware aplikasi database 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. client

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

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

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