בינה מלאכותית באירוח אתרים: זיהוי חריגות וחיזוי עומסים
בינה מלאכותית באירוח אתרים יכולה לזהות חריגות, להציע כיווני חקירה ולסייע בחיזוי עומסים. היא מועילה כשהאתר כבר אוסף נתונים עקביים וכשיש מי שמסוגל לבדוק ולפעול. הצעד הראשון לעסק קטן הוא להפריד בין התראה שמצביעה על בעיה לבין פעולה אוטומטית שמשנה תצורה, מוסיפה משאבים או מגדילה את החשבון. אחרי שבוחרים מטרה אחת אפשר למדוד אם המערכת תרמה לזמינות, לזמן התגובה או לזמן הטיפול בתקלה.

איפה למידת מכונה עוזרת באחסון אתרים?
ניטור רגיל יכול להתריע כשיש יותר מעשר שגיאות בתוך דקה. מערכת לזיהוי חריגות יכולה להביא בחשבון את העובדה שלאתר יש דפוס שונה בשבת וביום עבודה, ולהתריע כשמשהו חורג מהתבנית הרגילה. תחזית עומסים פותרת בעיה אחרת: אם שירות מוכר מקבל הרבה בקשות באותה שעה, אפשר להכין קיבולת לפני תחילת השיא. ניתוח לוגים יכול לסייע בזיהוי קבוצת שגיאות שהצוות לא הגדיר עבורה התראה מראש.
בדקו איזה תרחיש מהווה קושי בשירות אירוח אתרים שלכם. רוב העמודים באתר תוכן עשויים להיטען היטב מהמטמון. בחנות, בטופס או במערכת שכל משתמש רואה בה נתונים אישיים, חלק גדול יותר מהעבודה עשוי להגיע ישירות לשרת ולמסד הנתונים. תחזית על מספר ביקורים עוזרת אם אפשר לקשור אותה לעומס על רכיב מזוהה. רשמו איפה קיים צוואר הבקבוק ומה יוכיח שנפתר לפני שבוחרים פתרון.
| מצב | מה מודדים | גישה אפשרית |
|---|---|---|
| עומס שחוזר בכל בוקר | בקשות וקיבולת בשעות השיא | הרחבה מתוזמנת או לפי תחזית |
| עלייה פתאומית בשגיאות | שגיאות לפי פעולה ושעת הופעה | התרעה ותחקור |
| האטה בעמוד אחד | זמן תגובה ונתיב טעינה | בדיקת מטמון, קוד או מסד נתונים |
| קמפיין חד־פעמי | נפח צפוי ומשך העומס | בדיקת עומס והכנה מראש |
אילו מדדים צריך לאסוף קודם?
בספר SRE של גוגל מתוארים ארבעה אותות לניטור: זמן תגובה, תעבורה, שגיאות ורוויה של המשאב. באתר קטן אפשר להתחיל מבדיקה חיצונית של עמוד משמעותי ושל פעולה כמו מילוי טופס או הזמנת ניסיון. בצד השרת, הפרידו בין עמודים ציבוריים לפעולות שדורשות זיהוי. אם מסד נתונים, תור משימות או שירות צד שלישי מעכבים את הביצוע, יש למדוד גם אותם. פרק ניטור המערכות של Google SRE.
תעדו מועד ואזור זמן באופן עקבי, כדי שאפשר יהיה להצליב בין התרעה לפריסה, שינוי הגדרות או קמפיין. סמנו חגים ושעות פעילות מקומיות כשיש להם השפעה על הביקוש. מערכת שלומדת משבוע רגיל עשויה לראות בגל גולשים בחג התנהגות חריגה, גם אם הפעילות צפויה. כתבו איך מתייחסים גם לחורים בנתונים, למשל כשהמדידה החיצונית מפסיקה זמנית או כשחלק מהבקשות מגיעות ממקור שונה.
איך בוחנים את המודל לפני שינוי אוטומטי?
התחילו בהתראה או בתחזית בלבד. ב־Amazon CloudWatch, למשל, זיהוי חריגה בונה טווח צפוי למדד מנתונים קיימים, ואפשר להגדיר התראה כשהערך חורג ממנו. בדקו מה היה קורה בתקלה שכבר תועדה, בשבוע שקט ובתקופת מבצע. ספרו כמה התרעות היו צריכות פעולה, כמה נבדקו בלי שנמצאה בעיה וכמה תקלות המערכת החמיצה. תיעוד AWS להתראות על חריגות.
ב־Amazon EC2 Auto Scaling אפשר לבחון מדיניות חיזוי במצב תחזית בלבד לפני שהיא משנה קיבולת. לפי תיעוד AWS, נדרשות לפחות 24 שעות נתוני עומס לחיזוי ראשוני, ונתונים לתקופה ארוכה יותר עוזרים לבסס אותו. התנאים תלויים בשירות שבו משתמשים. אם מדד החיזוי מציג נפח כניסות אבל הבעיה נובעת מתור ארוך של פעולות איטיות, כדאי להעריך אם נדרש מדד אחר. כיצד חיזוי קיבולת פועל ב־Amazon EC2.
- מזהים את התסמין ואת הפעולה שנפגעה.
- מצליבים בקשות, מטמון, זמני תלות ושינוי אחרון.
- מחליטים אם שולחים התראה, מתקנים הגדרה או מרחיבים קיבולת.
- בודקים שהפעולה חזרה לעבוד ואומדים את ההוצאה בפועל.
דוגמה להמחשה מחנות מקוונת
בקמפיין בוקר הביקורים עלו בכ־60%, זמן התגובה באחוזון 95 עלה מ־400 ל־900 אלפיות שנייה ושיעור השגיאות נותר נמוך. במקביל, אחוז הבקשות שנענו מהמטמון ירד מ־90% ל־55%. אלה נתונים להמחשה. במקרה כזה שווה לבדוק תחילה אם שינוי בתצורה העביר יותר בקשות אל השרת המקורי. שרת נוסף עשוי להקל על העומס, אבל מבלי לדעת למה המטמון הפסיק לשרת חלק מהבקשות קשה לתכנן את הטיפול הבא.
בתרחיש אחר התעבורה יציבה ורק שלב התשלום האט. בדקו את זמן הטיפול בשרת, אצל ספק התשלום ובתור שעומד בין שניהם. הריצו עסקת בדיקה בסביבה מורשית עם מידע לדוגמה. התרעה טובה תזהה איזה שלב נפגע ומתי, ותפנה למסך שמאפשר להבדיל בין השהיה של הספק לבין עבודה ממושכת ביישום. הגדירו מי מקבל את ההתרעה בשעות שאין בהן צוות זמין ומה מידע מספיק כדי לפתוח קריאה.
מה שואלים ספק אירוח שמציע AI?
בקשו לראות מה קורה כשהמערכת מגלה תקלה ומהי ברירת המחדל אם החיזוי לא זמין. בדקו מי יכול לגשת ללוגים, מה נשמר, לאיזו תקופה ואם אפשר לייצא נתונים. קבעו מי רשאי לאשר פעולות בסביבה פעילה ואילו פעולות מחייבות תקרת קיבולת או תקציב. בקשו לראות איך עוצרים את השינוי האוטומטי ואיך חוזרים למצב קודם. ודאו שדרך זו מוכרת לאדם שמקבל אחריות בסופי שבוע.
ניסוי ראשון יכול להימשך חודש. בשבוע הראשון רשמו זמינות וזמן תגובה והסירו מלוגי הבדיקה מידע מיותר. בשבוע השני הוסיפו התראה על מדד אחד. בשבוע השלישי השוו אירועים חדשים ותקלה קודמת ובדקו תגובות של הצוות. בשבוע הרביעי ראו אם זמן האבחון ירד, איזה חלק מהתרעות היה שימושי ואם השתנתה עלות השירות. כשמדד מתריע לעיתים קרובות בלי השפעה על הלקוחות, אפשר לתקן את הסף ולהישאר במצב התראה לפני הרחבה.
איך מכינים גבולות פעולה מראש?
דוגמה לכלל מעשי היא הוספת מופע שרת אחד בלבד עד רף מוסכם, ולאחר מכן פנייה למפעיל. רשמו מתי הכלל פעיל, כמה זמן צריך לעבור לפני פעולה חוזרת ומתי הוא נסגר. בדקו מה יקרה אם כמה התראות מופעלות יחד, ואם ספק אחר כבר מנהל קיבולת עבור אותו שירות. אחרי שהגדרתם גבולות, תרגלו חזרה למצב הידני בסביבה נפרדת. לצוות צריך להיות מקום אחד שבו מופיעים האירוע, ההחלטה והמדדים שלפני הפעולה ואחריה.
איך משווים עלויות לפני ואחרי?
בדקו את המחיר של שרתים, אחסון לוגים ושירות ניטור באותו פרק זמן, ובנפרד את הזמן שהצוות משקיע בבדיקת התרעות. כמה התרעות שנשלחו בלילה והצריכו בדיקה ידנית עלולות להפוך ניסוי זול על הנייר ליקר בפועל. הציגו גם זמני תגובה ושגיאות בימים דומים, כי תוצאה קצרה אחרי קמפיין יכולה להיראות שונה מהחודש כולו. אם השיפור נמדד בעיקר בשעות עומס, רשמו מה קרה בשעות רגילות. כך תדעו אם הפתרון שיפר את השירות באופן שניתן לשחזר, וכמה עלה לקבל את השיפור.
שאלות נפוצות
האם אתר קטן צריך מערכת חיזוי?
בדיקות זמינות, טופס תקין והתראות ממוקדות יכולות להספיק אם העומס יציב. חיזוי מתאים כשיש דפוס חוזר, מספיק נתונים וצורך להכין קיבולת לפני השיא.
האם מודל יודע למה האתר איטי?
הוא עשוי להצביע על דפוס או קשר בין מדדים. כדי לזהות גורם, הצוות בודק בנפרד הגדרות, קוד ותלויות ומאמת את התיקון מול הפעולה שנפגעה.