Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Perencanaan

Untuk menavigasi persyaratan aplikasi warisan mainframe secara efektif, organisasi sering memulai dengan penilaian komprehensif lingkungan mainframe mereka.

Penemuan aplikasi

Alat yang ampuh dalam fase awal ini adalah Rocket Enterprise Analyzer, yang memberikan wawasan mendalam tentang struktur, dependensi, dan kompleksitas aplikasi mainframe. Alat ini membantu Anda menentukan ruang lingkup upaya modernisasi Anda, potensi risiko, dan peluang untuk pengoptimalan.

Salah satu aspek penting untuk diungkap adalah jaringan ketergantungan data yang rumit dalam sistem mainframe. Dependensi ini sering tersembunyi di bawah lapisan kode lama dan dapat secara signifikan memengaruhi upaya modernisasi. Dengan memetakan bagaimana aplikasi dan modul yang berbeda berinteraksi dengan berbagai sumber data, Anda dapat lebih memahami efek potensial dari setiap perubahan yang Anda rencanakan untuk diterapkan.

Ketergantungan data

Penilaian menyeluruh terhadap dependensi data dapat mengungkapkan informasi penting tentang aliran data, kualitas data, dan tata kelola data dalam lingkungan mainframe Anda. Pengetahuan ini sangat berharga ketika merencanakan strategi migrasi data, memastikan integritas data selama modernisasi, dan mengidentifikasi peluang untuk optimasi data. Dengan mendapatkan gambaran yang jelas tentang data Anda, Anda dapat membuat keputusan yang lebih tepat tentang pendekatan modernisasi mana yang paling efektif dan paling tidak mengganggu operasi Anda yang ada.

Analisis top-down yang mengidentifikasi penggunaan tabel berdasarkan transaksi atau pekerjaan job control language (JCL) adalah kunci untuk menciptakan perencanaan dan prioritas gelombang. Pendekatan ini menjelaskan hubungan antara berbagai komponen sistem mainframe Anda, dan membantu Anda mengembangkan pendekatan strategis dan bertahap untuk modernisasi. Dengan mengidentifikasi tabel mana yang paling sering diakses dan proses mana, Anda dapat memprioritaskan upaya modernisasi Anda: Anda dapat fokus pada area berdampak tinggi terlebih dahulu dan memastikan transisi yang lebih lancar dengan gangguan minimal terhadap operasi bisnis yang kritis.

Selain menggunakan Rocket Enterprise Analyzer untuk menemukan dependensi data, banyak organisasi juga menggunakan solusi custom-built mereka sendiri untuk mendapatkan wawasan yang lebih dalam tentang lingkungan mainframe mereka. Alat in-house ini sering mengeksploitasi kekayaan informasi yang tersedia dalam katalog IBM Db2 dan catatan Fasilitas Manajemen Sistem (SMF).

Tolok ukur kapasitas

Salah satu langkah dalam merencanakan proyek replatforming mainframe Anda adalah mengumpulkan informasi terperinci tentang konsumsi beban kerja Anda saat ini. Data ini akan membantu Anda memprediksi secara akurat dan menyediakan kapasitas awal yang diperlukan di lingkungan cloud target Anda. Misalnya, kami menyarankan Anda mengumpulkan data konsumsi per jam juta instruksi per detik (MIPS) untuk transaksi online dan transaksi batch dari IBM Customer Information Control System (CICS) atau Information Management System (IMS) dan job control language (JCL).

IBM menawarkan beragam model harga untuk MIPS dalam komputasi mainframe, dan banyak dari model ini berpusat di sekitar penggunaan puncak. Di antara model berbasis puncak ini, yang paling umum adalah puncak empat jam bergulir.

Biaya mainframe mencakup lima bidang utama yang secara signifikan memengaruhi pengeluaran keseluruhan:

Kelima kategori biaya ini, dikombinasikan dengan biaya berbasis MIPS, membentuk inti dari sebagian besar anggaran mainframe. Namun, proporsi relatifnya dapat sangat bervariasi tergantung pada ukuran organisasi Anda, industri, dan pola pemanfaatan mainframe tertentu.

Data MIPS per jam sangat penting untuk mendapatkan pemahaman komprehensif tentang pola dan kinerja beban kerja mainframe Anda. Tidak seperti rata-rata harian atau bulanan, data per jam memberikan wawasan terperinci yang mengungkapkan fluktuasi bernuansa dalam pemanfaatan sumber daya sistem Anda sepanjang hari. Tingkat detail ini sangat berharga untuk menilai kinerja dan kebutuhan kapasitas aplikasi Anda secara akurat di cloud.

Dengan menganalisis data MIPS per jam, Anda dapat mengidentifikasi periode penggunaan puncak, tren spot, dan menentukan potensi kemacetan yang mungkin dikaburkan dalam data agregat, seperti yang ditunjukkan pada diagram berikut. Perincian ini memungkinkan perencanaan kapasitas yang lebih tepat, membantu mengoptimalkan alokasi sumber daya, dan berpotensi mengarah pada penghematan biaya dan peningkatan efisiensi sistem.

Data MIPS per jam juga berfungsi sebagai alat tolok ukur kinerja yang penting. Ini menetapkan dasar rinci kinerja sistem Anda, yang sangat berharga ketika Anda merencanakan atau mengevaluasi perubahan sistem seperti migrasi atau peningkatan. Dengan membandingkan data MIPS per jam pra-perubahan dan pasca-perubahan, Anda dapat secara akurat mengukur dampak modifikasi ini pada kinerja sistem Anda dan memastikan bahwa mainframe Anda terus memenuhi kebutuhan organisasi Anda.

Untuk mengumpulkan data MIPS per jam, Anda memiliki beberapa opsi. Salah satu pendekatannya adalah dengan menggunakan catatan SMF secara langsung. Catatan-catatan ini memberikan banyak informasi tentang aktivitas sistem dan penggunaan sumber daya. Atau, Anda dapat menggunakan alat khusus seperti IBM Sub-Capacity Reporting Tool (SCRT), yang dapat menyederhanakan proses pengumpulan dan analisis data MIPS.

Terlepas dari metode yang Anda pilih, penting untuk mengumpulkan data selama periode yang diperpanjang—idealnya, beberapa bulan. Periode pengumpulan yang diperpanjang ini memungkinkan Anda memperhitungkan variasi siklus dalam beban kerja Anda, seperti lonjakan end-of-month pemrosesan atau fluktuasi musiman. Dengan menangkap pola jangka panjang ini, Anda dapat mengembangkan gambaran yang lebih akurat dan komprehensif tentang karakteristik kinerja mainframe Anda, yang memungkinkan pengambilan keputusan yang lebih baik dan manajemen kapasitas yang lebih efektif.

Perencanaan gelombang

Anda dapat menggunakan informasi yang Anda kumpulkan untuk memprioritaskan inisiatif replatforming mainframe Anda secara strategis. Pendekatan yang bijaksana adalah memulai dengan beban kerja yang kurang kritis, seperti transaksi bisnis non-inti atau pekerjaan batch, untuk memungkinkan tim memperoleh pengalaman dan menyempurnakan proses dengan risiko minimal terhadap operasi penting. Selain itu, mempertimbangkan beban kerja hanya-baca sebagai kandidat awal untuk migrasi dapat menguntungkan, karena beban kerja ini biasanya melibatkan lebih sedikit kompleksitas dan risiko inkonsistensi data yang lebih rendah. Pendekatan ini memungkinkan Anda untuk membangun kepercayaan diri dan momentum dalam upaya replatforming Anda.

Selain itu, pengelompokan beban kerja yang berbagi tabel Db2 untuk operasi tulis atau pembaruan dapat merampingkan proses migrasi. Dengan mengidentifikasi beban kerja yang saling berhubungan ini, Anda dapat merencanakan gelombang migrasi kohesif yang menjaga integritas data dan meminimalkan kebutuhan akan solusi sementara yang kompleks. Strategi ini tidak hanya mengurangi risiko konflik data tetapi juga mengoptimalkan garis waktu replatforming secara keseluruhan dengan menangani komponen terkait secara bersamaan. Pada akhirnya, pendekatan prioritas berbasis data ini memastikan pertimbangan yang seimbang tentang kekritisan, kompleksitas, dan saling ketergantungan, dan mengarah pada proses modernisasi mainframe yang lebih efisien dan sukses.