Udostępnij przez

Dostosowywanie aparatu optymalizacji platformy Azure

Silnik optymalizacji Azure (AOE) to zestaw runbooków usługi Azure Automation, które zbierają, pozyskują i analizują dane dotyczące zużycia i wydajności platformy Azure, aby dostarczyć zalecenia dotyczące optymalizacji kosztów. Aparat został zaprojektowany tak, aby był elastyczny i dostosowywalny, co pozwala dostosować jego zachowanie w celu lepszego dopasowania do potrzeb organizacji. Ten artykuł zawiera wskazówki dotyczące dostosowywania ustawień silnika. Obejmuje to dostosowywanie progów, zmienianie harmonogramów i rozszerzanie zakresu silnika.


Poszerz zakres silnika

Domyślnie zarządzana tożsamość usługi Azure Automation ma przypisaną rolę Czytelnik tylko w ramach odpowiedniej subskrypcji. Można jednak rozszerzyć zakres swoich zaleceń, udzielając tej samej roli Czytelnik innym subskrypcjom lub, co jeszcze prostsze, Grupie Zarządzania najwyższego poziomu.

W kontekście rekomendacji dotyczących dopasowania rozmiaru maszyn wirtualnych z rozszerzeniami Twoje maszyny wirtualne mogą przesyłać dane do wielu obszarów roboczych. Jeśli musisz uwzględnić inne obszary robocze — oprócz głównego, którego używa usługa AOE — w zakresie zaleceń wystarczy dodać identyfikatory obszarów roboczych do AzureOptimization_RightSizeAdditionalPerfWorkspaces zmiennej (zobacz więcej szczegółów w temacie Konfigurowanie obszarów roboczych).

Jeśli masz wiele katalogów Entra ID (nazywanych również dzierżawami), możesz rozszerzyć zasięg AOE na inną dzierżawę niż ta, w której AOE zostało wdrożone. Aby to osiągnąć, masz dwie opcje, z których każda ma swoje zalety i wady:

Service principal w drugorzędnym tenantcie Wdrażanie usługi Azure Lighthouse
Zapewnia najszersze pokrycie funkcji (zobacz ograniczenia poniżej) Zapewnia niemal pełne pokrycie funkcji (zobacz ograniczenia poniżej)
Używa mniej bezpiecznej i niezarządzanej opcji uwierzytelniania na podstawie wpisów tajnych Zapewnia solidne uwierzytelnianie, ponownie używając zarządzanej tożsamości silnika.
Nie obsługuje ponownego użycia metryk wydajności z obszarów roboczych usługi Log Analytics w dzierżawie wtórnej podczas ulepszania zaleceń dotyczących odpowiedniego rozmiaru maszyny wirtualnej. Nie obejmuje obsługi obiektów Entra firmy Microsoft, co ma wpływ na kompletność skoroszytu Tożsamości i ról oraz zaleceń związanych z identyfikatorem Entra firmy Microsoft. Karta Przegląd skoroszytu zgodności zasad nie przynosi danych z dzierżawy pomocniczej; obsługiwana jest tylko szczegółowa analiza zasad.
Implementacja jest oparta na wykonaniu skryptu programu PowerShell pomocniczego Implementacja jest oparta na wdrożeniu szablonu usługi Azure Resource Manager
Bardziej skalowalne pokrycie drugiego najemcy poprzez po prostu nadanie uprawnień do głównej usługi w zakresie wyższego poziomu. Wdrażanie odbywa się na subskrypcję w dzierżawie pomocniczej; wymaga skalowania usługi Azure Policy
Mniej opłacalne, ponieważ harmonogramy zadań są duplikowane dla najemcy dodatkowego Bardziej opłacalne, ponieważ istniejące harmonogramy zadań automatycznie obejmują dzierżawę pomocniczą

Wielodzierżawność z podmiotem usługi w dzierżawcy pomocniczym

Aby rozszerzyć zakres silnika przy użyciu podejścia opartego na principalu usługi, należy upewnić się, że spełnione są następujące wymagania wstępne:

  • Utwórz zasadę usługi (rejestrację aplikacji) i sekret w dzierżawie pomocniczej.
  • Przyznaj wymagane uprawnienia jednostce usługi w dzierżawie pomocniczej, mianowicie uprawnienie Czytelnik w subskrypcjach/grupach zarządzania platformy Azure i uprawnienie Globalny Czytelnik w Microsoft Entra ID.
  • Utwórz poświadczenie automatyzacji na koncie automatyzacji AOE. Ustaw identyfikator klienta jednostki usługi jako nazwę użytkownika i tajne hasło jako hasło.
  • Register-MultitenantAutomationSchedules.ps1 Wykonaj skrypt (dostępny w folderze głównym AOE) w kontekście subskrypcji, w której wdrożono usługę AOE. Ten skrypt tworzy nowe harmonogramy zadań dla każdego z runbooków eksportu i konfiguruje je do wykonywania zapytań w tenant pomocniczy. Wystarczy wywołać skrypt przy użyciu następującej składni:
./Register-MultitenantAutomationSchedules.ps1 -AutomationAccountName <AOE automation account> -ResourceGroupName <AOE resource group> -TargetSchedulesSuffix <suffix to append to every new job schedules, e.g., Tenant2> -TargetTenantId <secondary tenant GUID> -TargetTenantCredentialName <name of the Automation credential created in the previous step> [-TargetSchedulesOffsetMinutes <offset in minutes relative to original schedules, defaults to 0>] [-TargetAzureEnvironment <AzureUSGovernment|AzureGermanCloud|AzureCloud>] [-ExcludedRunbooks <An array of runbook names to exclude from the process>] [-IncludedRunbooks <An array of runbook names to include in the process>]

Obsługa wielu dzierżaw za pomocą usługi Azure Lighthouse

Aby rozszerzyć zakres silnika przy użyciu podejścia opartego na Azure Lighthouse, należy upewnić się, że spełnione są następujące wymagania wstępne:

  • Przygotuj szablon usługi Azure Resource Manager do wdrożenia w dzierżawie pomocniczej. Możesz ponownie użyć szablonu odwołania as-is w naszym repozytorium (pliklighthouse-template.json dostępny w folderze głównym AOE ).
  • Jeśli wdrażasz szablon dla pojedynczej subskrypcji, wystarczy wykonać kroki opisane tutaj, używając powyższego szablonu referencyjnego i określając wartości parametrów szablonu (jako oddzielny plik parametrów lub bezpośrednio w interfejsie Azure Portal).
  • Jeśli musisz wdrożyć na dużą skalę w wielu subskrypcjach, możesz skorzystać z usługi Azure Policy, postępując zgodnie z instrukcjami dostępnymi tutaj i dostosowując kod definicji zasad, aby postępować zgodnie z powyższym szablonem referencyjnym.
  • Niezależnie od podejścia do wdrożenia parametry szablonu, które należy podać, są następujące:
    • managedByTenantId — identyfikator dzierżawy Microsoft Entra, gdzie wdrożono AOE.
    • principalId — identyfikator obiektu Entra firmy Microsoft dla tożsamości zarządzanej przez system w koncie automatyzacji AOE.
    • principalIdDisplayName — nazwa konta automatyzacji AOE.

Dostosowywanie harmonogramów

Domyślnie czas bazowy harmonogramów automatyzacji AOE jest ustawiany jako czas wdrożenia. Wkrótce po zakończeniu początkowego wdrożenia eksporty, importy i runbooki rekomendacji są uruchamiane zgodnie z domyślnymi harmonogramami silnika. Jeśli na przykład wdrożysz AOE w poniedziałek o godzinie 11:00, otrzymasz nowe zalecenia co poniedziałek o godzinie 23:30. Jeśli ten harmonogram, z jakiegoś powodu, nie pasuje do Twoich potrzeb, możesz zresetować go do czasu, który lepiej ci odpowiada, używając skryptu Reset-AutomationSchedules.ps1 (dostępnego w folderze głównym AOE). Wystarczy wywołać następujący skrypt. Postępuj zgodnie ze składnią i odpowiadaj na żądania wejściowe:

./Reset-AutomationSchedules.ps1 -AutomationAccountName <AOE automation account> -ResourceGroupName <AOE resource group> [-AzureEnvironment <AzureUSGovernment|AzureGermanCloud|AzureCloud>]

Wybrana godzina podstawowa musi znajdować się w formacie UTC i musi być zdefiniowana zgodnie z dniem tygodnia i godziną generowania zaleceń. Musisz wyjmować 3h30m od wybranego czasu. Jest to spowodowane tym, że czas podstawowy definiuje harmonogramy dla wszystkich zależnych runbooków automatyzacji, które muszą być uruchomione przed wygenerowaniem zaleceń. Załóżmy na przykład, że zalecenia mają być generowane co poniedziałek o godzinie 8:30 rano; podstawowy czas to najbliższa data kalendarzowa przypadająca na poniedziałek, o godzinie 5:00 rano. Format wybranej daty musi mieć wartość RRRR-MM-dd HH:mm:ss, na przykład 2022-01-03 05:00:00.

Skrypt prosi również o wprowadzenie w razie potrzeby grupy hybrydowych pracowników, w której mają być uruchamiane runbooki (zobacz następną podsekcję).


Skaluj runbooki AOE przy użyciu hybrydowego workera

Domyślnie skrypty Runbook AOE Automation są uruchamiane w kontekście piaskownicy Azure Automation. Problemy z wydajnością mogą wystąpić ze względu na limity pamięci piaskownicy usługi Automation. Możesz też zdecydować się na zaimplementowanie prywatnych punktów końcowych dla konta magazynu danych lub bazy danych SQL w celu poprawy zabezpieczeń AOE. W obu przypadkach należy uruchomić runbooki z Hybrydowego Pracownika. Jest to maszyna wirtualna platformy Azure lub lokalna maszyna wirtualna wyposażona w rozszerzenie Hybrydowego Procesu Roboczego dla usługi Automation. Aby zmienić kontekst wykonywania elementów Runbook AOE, należy użyć skryptu Reset-AutomationSchedules.ps1 . Zobacz, jak używać skryptu w poprzedniej podsekcji. Po ustawieniu czasu podstawowego wykonywania elementów Runbook wprowadź nazwę grupy hybrydowych procesów roboczych, w której mają być uruchamiane elementy Runbook.

Ważne

  • Maszyna hybrydowego pracownika musi mieć zainstalowane wymagane moduły PowerShell. Plik upgrade-manifest.json zawiera listę wymaganych modułów.
  • Po zmianie kontekstu wykonania książki zadań na pracownika hybrydowego, zawsze należy używać flagi DoPartialUpgrade za każdym razem, gdy aktualizujesz AOE, w przeciwnym razie utracisz ustawienia harmonogramu książki zadań i przywrócisz domyślną konfigurację piaskownicy.
  • Tożsamość zarządzana używana do uwierzytelniania w Azure, Microsoft Entra ID oraz w zakresach kont rozliczeniowych to nadal ta sama, którą wykorzystuje Azure Automation. Jest używany nawet wtedy, gdy maszyna Hybrydowego Pracownika ma przypisaną tożsamość zarządzaną (zobacz szczegóły). Tożsamości zarządzane przypisane przez użytkownika są obsługiwane w kontekście pracowników hybrydowych tylko wtedy, gdy:
    • Konto usługi Automation nie ma żadnej skojarzonej tożsamości zarządzanej, czyli tylko maszyna hybrydowego procesu roboczego może mieć tożsamość zarządzaną przypisaną przez użytkownika.
    • Wszystkie elementy Runbook działają w kontekście hybrydowego procesu roboczego. W takim przypadku należy utworzyć Zmienną Automatyzacji AzureOptimization_UAMIClientID z wartością identyfikatora klienta tożsamości zarządzanej przypisanej przez użytkownika.
    • AzureOptimization_AuthenticationOption Wartość zmiennej automatyzacji jest aktualizowana do UserAssignedManagedIdentity.

Dostosowywanie progów

W przypadku rekomendacji kosztowych Advisor domyślna konfiguracja AOE generuje agregacje metryk maszyn wirtualnych na poziomie 99. percentyla, ale można je dostosować, aby były mniej zachowawcze. Istnieją również regulowane progi metryk, które są używane do obliczania oceny dopasowania. Wartości progów domyślnych to 30% dla procesora (5% dla rekomendacji zamknięcia), 50% dla pamięci (100% dla zamknięcia) i 750 Mbps dla przepustowości sieci (10 Mbps dla zamknięcia). Wszystkie regulowane konfiguracje są dostępne jako zmienne usługi Azure Automation. Informacje w następnej tabeli zawierają najważniejsze zmienne konfiguracji. Aby uzyskać do nich dostęp, przejdź do opcji menu Automation Account - Udostępnione zasoby - zmienne.

Zmienna opis
AzureOptimization_AdvisorFilter Jeśli nie interesuje Cię uzyskanie zaleceń dla wszystkich filarów usługi Non-Cost Advisor, możesz określić filtr na poziomie filaru (lista rozdzielona przecinkami z co najmniej jedną z następujących wartości: HighAvailability,Security,Performance,OperationalExcellence). Domyślnie dotyczą wszystkich filarów.
AzureOptimization_AuthenticationOption Domyślną metodą uwierzytelniania dla Runbooków w usłudze Automation jest RunAsAccount. Możesz jednak zmienić wartość na ManagedIdentity , jeśli używasz hybrydowego procesu roboczego na maszynie wirtualnej platformy Azure.
AzureOptimization_ConsumptionOffsetDays Runbook zbiera dane o zużyciu Azure i codziennie wykonuje zapytania dotyczące zdarzeń rozliczeniowych z przed siedmiu dni (ustawienie domyślne). Możesz zmienić przesunięcie na bliżej, ale należy pamiętać, że niektóre typy subskrypcji (na przykład MSDN) nie obsługują niższej wartości.
AzureOptimization_PerfPercentileCpu Domyślny percentyl agregacji metryk procesora CPU to 99. W miarę jak wartość percentyla maleje, algorytm oceny dopasowania do rozmiaru maszyny wirtualnej dostosowuje się mniej ostrożnie.
AzureOptimization_PerfPercentileDisk Domyślny percentyl dla agregacji metryk we/wy i przepustowości dysku wynosi 99. W miarę jak wartość percentyla maleje, algorytm oceny dopasowania do rozmiaru maszyny wirtualnej dostosowuje się mniej ostrożnie.
AzureOptimization_PerfPercentileMemory Domyślny percentyl agregacji metryk pamięci to 99. W miarę jak wartość percentyla maleje, algorytm oceny dopasowania do rozmiaru maszyny wirtualnej dostosowuje się mniej ostrożnie.
AzureOptimization_PerfPercentileNetwork Domyślny percentyl agregacji metryk sieci to 99. W miarę jak wartość percentyla maleje, algorytm oceny dopasowania do rozmiaru maszyny wirtualnej dostosowuje się mniej ostrożnie.
AzureOptimization_PerfPercentileSqlDtu Domyślny percentyl, który ma być używany do metryk DTU bazy danych SQL. W miarę obniżania się percentyla, algorytm dostosowywania rozmiaru bazy danych SQL działa mniej konserwatywnie.
AzureOptimization_PerfThresholdCpuPercentage Próg procesora (w % czasu procesora). Powyżej, zmniejsza się współczynnik odpowiedniego rozmiaru maszyny wirtualnej. Poniżej znajdują się wyzwalacze zaleceń dotyczących optymalizacji kosztów dla odpowiedniego rozmiaru Zestawu Skalowania Maszyn Wirtualnych platformy Azure (zestawu skalowania).
AzureOptimization_PerfThresholdCpuShutdownPercentage Próg procesora (w % czasu procesora). Powyżej tego wskaźnika dopasowania do odpowiedniego rozmiaru maszyny wirtualnej zmniejsza się wynik oceny (tylko zalecenia dotyczące zamykania).
AzureOptimization_PerfThresholdCpuDegradedMaxPercentage Próg procesora (Maksymalnie zaobserwowany procent użycia procesora). Nad skalą wyzwalane są zalecenia dotyczące wydajności dopasowane do właściwego rozmiaru.
AzureOptimization_PerfThresholdCpuDegradedAvgPercentage Próg CPU (średnia z obserwowanego % czasu pracy procesora). Nad skalą wyzwalane są zalecenia dotyczące wydajności dopasowane do właściwego rozmiaru.
AzureOptimization_PerfThresholdMemoryPercentage Próg pamięci (w % używanej pamięci). Powyżej, zmniejsza się współczynnik odpowiedniego rozmiaru maszyny wirtualnej. Poniżej znajduje się zestaw skalowania, który uruchamia zalecenia dotyczące kosztów o odpowiednim rozmiarze.
AzureOptimization_PerfThresholdMemoryShutdownPercentage Próg pamięci (w % używanej pamięci). Powyżej tego wskaźnika dopasowania do odpowiedniego rozmiaru maszyny wirtualnej zmniejsza się wynik oceny (tylko zalecenia dotyczące zamykania).
AzureOptimization_PerfThresholdMemoryDegradedPercentage Próg pamięci (w % używanej pamięci). Nad skalą wyzwalane są zalecenia dotyczące wydajności dopasowane do właściwego rozmiaru.
AzureOptimization_PerfThresholdNetworkMbps Próg sieci (całkowity w Mbps). Powyżej, zmniejsza się współczynnik odpowiedniego rozmiaru maszyny wirtualnej.
AzureOptimization_PerfThresholdNetworkShutdownMbps Próg sieci (całkowity w Mbps). Powyżej tego wskaźnika dopasowania do odpowiedniego rozmiaru maszyny wirtualnej zmniejsza się wynik oceny (tylko zalecenia dotyczące zamykania).
AzureOptimization_PerfThresholdDtuPercentage Próg procentowego użycia jednostek DTU. W tym przypadku instancja bazy danych SQL jest uznawana za mało wykorzystywaną.
AzureOptimization_RecommendAdvisorPeriodInDays Interwał w dniach wyszukiwania zaleceń usługi Advisor w repozytorium usługi Log Analytics — wartość domyślna to 7, ponieważ rekomendacje usługi Advisor są zbierane raz w tygodniu.
AzureOptimization_RecommendationAADMaxCredValidityYears Maksymalna liczba lat ważności poświadczeń/certyfikatów Service Principal — każda ważność powyżej tego interwału generuje zalecenie dotyczące zabezpieczeń. Wartość domyślna to 2.
AzureOptimization_RecommendationAADMinCredValidityDays Minimalna liczba dni dla poświadczenia/certyfikatu jednostki usługi przed jego wygaśnięciem — każda ważność poniżej tego interwału generuje zalecenie dotyczące doskonałości operacyjnej. Wartość domyślna to 30.
AzureOptimization_RecommendationLongDeallocatedVmsIntervalDays Liczba kolejnych dni dezaktywacji maszyny wirtualnej przed zaleceniem jej usunięcia (Maszyna wirtualna była dezaktywowana przez dłuższy czas, a dyski nadal generują koszty). Wartość domyślna to 30.
AzureOptimization_RecommendationVNetSubnetMaxUsedPercentageThreshold Maksymalna wartość procentowa tolerowana dla użycia przestrzeni adresowej podsieci. Wartość domyślna to 80.
AzureOptimization_RecommendationVNetSubnetMinUsedPercentageThreshold Minimalny procent użycia przestrzeni adresowej IP w podsieci – każda wartość użycia poniżej tego progu oznacza, że dana podsieć wykorzystuje małą ilość przestrzeni adresowej IP. Wartość domyślna to 5.
AzureOptimization_RecommendationVNetSubnetEmptyMinAgeInDays Minimalny wiek w dniach, w którym ma być oznaczona pusta sieć podrzędna, co pozwala uniknąć oznaczania nowo utworzonych sieci podrzędnych. Wartość domyślna to 30.
AzureOptimization_RecommendationVNetSubnetUsedPercentageExclusions Rozdzielona przecinkami lista nazw podsieci, które muszą zostać wykluczone z zaleceń dotyczących procentowego użycia podsieci, na przykład 'gatewaysubnet','azurebastionsubnet' . Wartość domyślna to 'gatewaysubnet'.
AzureOptimization_RecommendationRBACAssignmentsPercentageThreshold Maksymalny procent przydziałów RBAC ogranicza użycie zasobów. Wartość domyślna to 80.
AzureOptimization_RecommendationResourceGroupsPerSubPercentageThreshold Maksymalny procent liczby grup zasobów na subskrypcję ogranicza użycie. Wartość domyślna to 80.
AzureOptimization_RecommendationRBACSubscriptionsAssignmentsLimit Maksymalny limit przypisań RBAC dla każdej subskrypcji. Obecnie ustawiono wartość 2000 (zgodnie z dokumentacją).
AzureOptimization_RecommendationRBACMgmtGroupsAssignmentsLimit Maksymalny limit przypisań RBAC na grupę zarządzania. Obecnie ustawiono wartość 500 (zgodnie z dokumentacją).
AzureOptimization_RecommendationResourceGroupsPerSubLimit Maksymalny limit liczby grup zasobów na subskrypcję. Obecnie ustawiono wartość 980 (zgodnie z dokumentacją).
AzureOptimization_RecommendationStorageAcountGrowthThresholdPercentage Minimalna procentowa wartość wzrostu konta pamięci masowej wymagana do oznaczenia pamięci masowej jako nieposiadającej polityki retencji.
AzureOptimization_RecommendationStorageAcountGrowthMonthlyCostThreshold Minimalny miesięczny koszt (w walucie EA/MCA) wymagany do oznaczenia magazynu jako nieposiadającego polityki przechowywania.
AzureOptimization_RecommendationStorageAcountGrowthLookbackDays Okres analizowany (w dniach) do analizy wzrostu konta magazynowego.
AzureOptimization_ReferenceRegion Region usługi Azure używany jako odniesienie przy pobieraniu listy dostępnych jednostek SKU (domyślnie westeurope).
AzureOptimization_RemediateRightSizeMinFitScore Minimalna ocena dopasowania, jaką musi mieć rekomendacja dotycząca odpowiedniego rozmiaru maszyny wirtualnej, aby można było ją wdrożyć.
AzureOptimization_RemediateRightSizeMinWeeksInARow Minimalna liczba tygodni z rzędu, przez które zalecenie dotyczące optymalizacji rozmiaru maszyny wirtualnej musi zostać ukończone, aby można było wdrożyć modyfikacje.
AzureOptimization_RemediateRightSizeTagsFilter Para nazwa/wartość tagu, którą musi mieć zalecenie dotyczące odpowiedniego rozmiaru maszyny wirtualnej, aby mogła nastąpić remediacja. Przykład: [ { "tagName": "a", "tagValue": "b" }, { "tagName": "c", "tagValue": "d" } ]
AzureOptimization_RemediateLongDeallocatedVMsMinFitScore Minimalna ocena dopasowania rekomendacji dla długo nieużywanej maszyny wirtualnej, która musi być spełniona, aby remediacja mogła się odbyć.
AzureOptimization_RemediateLongDeallocatedVMsMinWeeksInARow Minimalna liczba tygodni z rzędu, którą musi być spełniona rekomendacja dotycząca długo nieprzydzielonej maszyny wirtualnej, aby można było przystąpić do naprawy.
AzureOptimization_RemediateLongDeallocatedVMsTagsFilter Para nazwa/wartość tagu, które musi posiadać zalecenie dotyczące dezintegracji długiej maszyny wirtualnej, jest konieczna, aby mogło dojść do zaradzenia sytuacji. Przykład: [ { "tagName": "a", "tagValue": "b" }, { "tagName": "c", "tagValue": "d" } ]
AzureOptimization_RemediateUnattachedDisksMinFitScore Minimalna ocena dopasowania, jaką musi mieć zalecenie dotyczące nieprzyłączonego dysku, aby przeprowadzone zostało korygowanie.
AzureOptimization_RemediateUnattachedDisksMinWeeksInARow Minimalna liczba tygodni z rzędu, przez które zalecenie dotyczące nieprzyłączonego dysku musi zostać ukończone, aby można było przeprowadzić naprawę.
AzureOptimization_RemediateUnattachedDisksAction Działanie polegające na zastosowaniu zalecenia dotyczącego naprawy dla nieprzyłączonego dysku (Delete lub Downsize).
AzureOptimization_RemediateUnattachedDisksTagsFilter Pary nazwa/wartość tagu, które muszą zawierać zalecenie dotyczące nieprzyłączonego dysku, aby wdrożyć naprawę. Przykład: [ { "tagName": "a", "tagValue": "b" }, { "tagName": "c", "tagValue": "d" } ]
AzureOptimization_RightSizeAdditionalPerfWorkspaces Rozdzielona przecinkami lista innych identyfikatorów obszarów roboczych usługi Log Analytics, gdzie szukać metryk maszyn wirtualnych (zobacz Konfigurowanie obszarów roboczych).
AzureOptimization_PerfThresholdDiskIOPSPercentage Próg procentowego użycia IOPS dysku. Poniżej wyzwalane są rekomendacje dotyczące niewykorzystanych w pełni dysków SSD warstwy Premium.
AzureOptimization_PerfThresholdDiskMBsPercentage Próg procentowego użycia przepływności dysku. Poniżej wyzwalane są rekomendacje dotyczące niewykorzystanych w pełni dysków SSD warstwy Premium.
AzureOptimization_RecommendationsMaxAgeInDays Maksymalny wiek zalecenia (w dniach), który można przechowywać w bazie danych SQL. Wartość domyślna: 365.
AzureOptimization_RetailPricesCurrencyCode Kod waluty (na przykład EUR, USD itd.) używany do zbierania cen detalicznych rezerwacji.
AzureOptimization_PriceSheetMeterCategories Kategorie mierników rozdzielane przecinkami używane do filtrowania arkusza cen w celu uniknięcia pozyskiwania niepotrzebnych danych. Wartość domyślna to "Virtual Machines,Storage".
AzureOptimization_ConsumptionScope Zakres eksportu zużycia: Subscription (wartość domyślna), BillingProfile (tylko MCA) lub BillingAccount (dla MCA, wymaga dodania roli Czytelnik konta rozliczeniowego do tożsamości zarządzanej usługi AOE). Zobacz więcej szczegółów.

Powiązana zawartość

Powiązane produkty:

Powiązane rozwiązania:

  • Last updated on