Hay diferentes formas de configurar estas ráfagas en función del nivel de control o automatización que necesite un equipo.

• Ráfaga manual: Esto ocurre cuando un administrador añade manualmente recursos de la nube pública. Esto puede ser útil para eventos predecibles, como el lanzamiento de un software planificado, en los que una persona puede decidir exactamente cuándo iniciar y detener la capacidad adicional.
• Ráfaga automática: Este método utiliza políticas de software para activar la ráfaga. Cuando el sistema detecta que el uso de recursos ha alcanzado un límite específico, puede activar automáticamente recursos adicionales en la nube pública sin intervención humana.
• Equilibrio de carga distribuido: este enfoque distribuye el tráfico entre las nubes privadas y públicas de forma simultánea. Dirige las solicitudes de los usuarios a la ubicación más cercana o a la que tenga más capacidad disponible en ese momento.

Para implementar la ráfaga en la nube, no basta con tener dos entornos de computación, sino que se necesita una estrategia para gestionar la complejidad de mover datos y aplicaciones entre ellos. Para hacerlo de forma eficaz, las organizaciones necesitan funciones que garanticen una conectividad fluida y una gestión coherente.

Una de las formas más eficaces de implementar un activador de la ráfaga en la nube es usar Google Kubernetes Engine (GKE) y Horizontal Pod Autoscaler (HPA) con métricas externas. En este caso, tu aplicación on-premise envía una señal (una métrica) a Google Cloud Monitoring. Cuando esa señal supera un umbral, GKE crea automáticamente nuevos pods en la nube para gestionar la carga.

A continuación, te explicamos cómo configurar un activador basado en la profundidad de una cola de Pub/Sub (un indicador habitual de que tus trabajadores on-premise están sobrecargados):

1. Habilita la API de métricas personalizadas: primero, debes permitir que tu clúster de GKE lea métricas de Cloud Monitoring. Para ello, debes implementar el adaptador de métricas personalizadas de Stackdriver en tu clúster. Este adaptador actúa como puente, traduciendo las métricas de Google Cloud a un formato que Kubernetes pueda entender.

2. Define la configuración de HPA: crea un archivo YAML de HorizontalPodAutoscaler. A diferencia de un escalador automático estándar que analiza el uso de la CPU, este examinará una métrica externa, concretamente, el número de mensajes no entregados en una suscripción de Pub/Sub (num_undelivered_messages).

3. Aplicar y monitorizar: aplica esta configuración con kubectl apply -f hpa.yaml. Ahora, GKE "vigila" tu cola. Si tu sistema on-premise se ralentiza y la cola supera el objetivo (50 mensajes), el HPA activará automáticamente la creación de nuevos pods en la nube para procesar el trabajo pendiente. Cuando la cola esté vacía, GKE reducirá el número de pods a cero.

Lo que no se puede ver, no se puede gestionar. Para que la ráfaga en la nube funcione, los equipos de TI deben tener una visión clara de sus recursos tanto en su centro de datos privado como en la nube pública. Google Cloud ofrece herramientas que proporcionan una visibilidad granular sobre cómo usan las aplicaciones la CPU y la memoria.

Al saber exactamente cuánto "combustible" consume una aplicación, los equipos pueden establecer umbrales precisos para saber cuándo es necesario aumentar la capacidad. Si el umbral es demasiado bajo, podrías gastar dinero en la nube pública cuando no es necesario. Si es demasiado alto, la aplicación podría fallar antes de que lleguen los nuevos recursos. La monitorización unificada ayuda a las empresas a ajustar estos parámetros para equilibrar el rendimiento y el coste.

El balanceo de carga manual funciona bien para proyectos pequeños y poco frecuentes, pero puede que no se adapte bien a las aplicaciones empresariales. Para ser más eficientes, las empresas pueden implementar software y herramientas que orquesten automáticamente los recursos de computación en la nube. Las herramientas de automatización, como Terraform o Deployment Manager de Google Cloud, pueden ayudarte a definir la infraestructura como código (IaC).

Esto significa que el sistema puede aprovisionar, configurar y gestionar servidores automáticamente en función de la demanda en tiempo real. Cuando el pico de tráfico disminuye, las herramientas de automatización también se encargan de "desaprovisionar" o cerrar esos recursos. De esta forma, la empresa deja de pagar por la nube pública en el momento en que ya no la necesita.

Mantener el control durante un pico de uso es vital para la seguridad y la gestión del presupuesto. Las empresas necesitan una función de monitorización sólida para hacer un seguimiento de los recursos y asegurarse de que se aprovisionan correctamente sin que se interrumpa el servicio.

Las herramientas de informes ayudan a hacer un seguimiento de cuánto cuestan los picos de uso a lo largo del tiempo. Estos datos son esenciales para predecir los presupuestos futuros. Además, se deben aplicar políticas de seguridad coherentes a los recursos de la función de ráfaga. Las herramientas que implementan la monitorización y la elaboración de informes pueden ayudar a reducir los costes y aumentar la eficiencia con el tiempo, ya que identifican tendencias y anomalías en el uso.