Voici la page que nous pensons que vous vouliez. Voir les résultats de la recherche à la place :

Analyse comparative des infrastructures « cloud-native » de Landslide

Évaluer les performances du processeur, de la mémoire, du stockage et du réseau sur l'ensemble des clusters Kubernetes afin de vérifier que l'infrastructure est prête avant le déploiement de CNF.

image_produit

  • Technology

    Kubernetes, Cloud-Native Infrastructure, 5G SA, 5G-Advanced

  • Test types

    CPU Benchmarking, Memory Benchmarking, Storage Benchmarking, Networking Benchmarking, A/B Testing, Shadow Testing, Continuous Benchmarking

sortDropdown icon View Data Sheet

Prêt pour un devis

Découvrez ce qui est inclus et explorez les options de mise à niveau disponibles auprès de Keysight.

Points forts

Landslide Cloud Engine évalue les performances, l'efficacité et le comportement des infrastructures cloud natives et des ressources cloud dans des conditions réelles, à l'aide d'une architecture à plusieurs niveaux basée sur des microservices.

Analyse comparative des performances

  • Évaluation des performances du processeur, de la mémoire, du stockage et des réseaux sur les principales distributions Kubernetes en cloud privé, notamment OpenShift, VMware Tanzu, WNDRVR Cloud Platform, Rancher et k3s
  • Mesure le débit du processeur, l'utilisation de la mémoire, les opérations d'entrée-sortie (E/S) de stockage et le trafic réseau dans le cadre de charges de travail configurables
  • Recueille des métriques détaillées au niveau de Kubernetes concernant l'utilisation, la latence et l'efficacité de l'allocation

Flux de travail et automatisation

  • Le moteur de workflow par glisser-déposer permet de combiner un nombre illimité d'actions liées au processeur, à la mémoire, au stockage et au réseau au sein d'un même scénario
  • S'intègre aux pipelines d'intégration continue et de livraison continue (CI/CD) pour permettre une analyse comparative continue de l'infrastructure dans le cadre des workflows DevOps
  • Prend en charge les charges de travail et les paramètres définis par l'utilisateur afin de simuler diverses conditions de fonctionnement

Visualisation et analyse

  • Tableaux de bord en temps réel basés sur Grafana, Prometheus et Kafka pour une prise de décision rapide et fondée sur les données
  • Collecte complète des métriques à partir des exportateurs Kubernetes, notamment cAdvisor, Node Exporter et kube-state-metrics
  • Une base de données de séries chronologiques stocke les résultats destinés à l'analyse des tendances et à la visualisation des corrélations

Validation dynamique de l'infrastructure

  • Vérifie que les clusters Kubernetes sont capables d'allouer, de migrer et de restaurer dynamiquement des charges de travail dans des environnements multi-fournisseurs
  • Prend en charge les tests A/B et les tests fantômes pour comparer les modifications de configuration
  • Identifie les goulots d'étranglement au niveau des ressources avant le déploiement en production

Services et assistance