Fallstudie: Anpassung von Cloud-Ressourcen

Fallstudie: Anpassung von Cloud-Ressourcen nach Profil

Das Problem

Ein Kunde betrieb mehrere Pipeline-Jobs auf einer Hardware, die ursprünglich in einer Proof-of-Concept-Phase ausgewählt und seitdem nie gegen den tatsächlichen Workload überprüft worden war. Zeit und Cloud-Erfahrung im Team reichten für eine eigene Optimierung nicht aus.

Die Untersuchung

Um nicht an Build-Schritten zu optimieren, die für die Gesamtlaufzeit irrelevant sind, schränkte ich zunächst auf die Build-Phasen mit dem höchsten Zeitanteil ein und analysierte diese gezielt.

Das Profiling identifizierte die langsamen Prozesse schnell. Da diese kommerziellen Komponenten keine öffentlichen Symbole für ein tieferes Tracing lieferten, zog ich die Optimierungsgrenze bewusst auf Prozessebene. Der Trace zeigte, dass die Prozesse nicht von externen Ereignissen beeinflusst wurden und ihre interne Struktur nicht beobachtbar war.

Ursache

Der Trace zeigte deutlich, dass der Prozess einen einzelnen Kern stark auslastete. Es war kein Speicher-, Netzwerk- oder IO-Engpass, sondern reine Rechenarbeit auf wenigen Kernen, obwohl bis zu 16 Kerne zur Verfügung standen.

Da der Kunde die Komponente nicht selbst betreute und Parallelität an dieser Stelle nicht trivial integrierbar war, musste die Lösung eine Ebene höher ansetzen.

Die Lösung

Der Kunde bezahlte für 16 Kerne und viel RAM, nutzte davon aber kaum etwas. Ich passte das Hardware-Profil dieser Pipelines an den realen Workload an. Die Laufzeit verbesserte sich dadurch in den analysierten Phasen um 17 %. Das gewählte Profil war zugleich 66 % günstiger als das vorherige.

Ergebnis

• Build-Dauer: 17 % schneller, im Schnitt 25 Minuten Einsparung pro Pipeline-Lauf
• Cloud-Kosten: 66 % niedriger pro virtueller Maschine
• Skalierung: 16 Pipelines profitieren von der Umstellung
• Gesamtaufwand: 3 Tage von Projektbeginn bis validiertem Ergebnis