Multi-Session-Empfehlungen - Amazon AppStream 2.0

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Multi-Session-Empfehlungen

Bei der Festlegung der maximalen Anzahl von Benutzersitzungen auf einer Instance in einer Multi-Session-Umgebung sollten Sie mehrere Faktoren berücksichtigen, um eine optimale Leistung und Streaming-Erfahrung zu gewährleisten. Im Folgenden finden Sie Empfehlungen, mit denen Sie die optimale Anzahl von Benutzersitzungen auf einer Instance ermitteln können:

  • Bewerten der Ressourcenanforderungen: Ermitteln Sie die Ressourcenanforderungen der Anwendungen, die in den Sitzungen verwendet werden. Berücksichtigen Sie Faktoren wie z. B. CPU, Arbeitsspeicher, die Festplatten-E/A und die Netzwerkbandbreite. Anhand dieser Bewertung können Sie ermitteln, wie viele Ressourcen für jede Benutzersitzung in der Regel benötigt werden.

  • Berücksichtigen der Instance-Spezifikationen: Berücksichtigen Sie die Spezifikationen der Instance, einschließlich der Anzahl der CPUs, des verfügbaren Arbeitsspeichers und der GPU-Spezifikationen. Instances mit höheren Spezifikationen können eine größere Anzahl von Benutzersitzungen verarbeiten. Weitere Informationen zu den verschiedenen von AppStream 2.0 unterstützten Instance-Typen und den Preisen finden Sie unter Amazon AppStream 2.0 – Preise.

  • Leistungstests: Führen Sie Leistungstests für die Anwendungen und Workloads durch, die voraussichtlich in den Benutzersitzungen ausgeführt werden. Messen Sie die Ressourcenauslastung, die Reaktionszeiten und die Gesamtsystemleistung. Verwenden Sie diese Daten, um die Auswirkungen gleichzeitiger Benutzersitzungen auf die Leistung zu bewerten und das optimale Verhältnis von Sitzungen zu Instances zu ermitteln. Sie können diese Bewertungen für verschiedene von AppStream 2.0 angebotene Instance-Typen durchführen, um den optimalen Instance-Typ oder die optimale Instance-Größe für Ihre Endbenutzer zu ermitteln. Weitere Informationen zu den verschiedenen Instance-Typen, die von AppStream 2.0 angeboten werden, finden Sie unter AppStream-2.0-Instance-Produktreihen.

  • Überwachen der Ressourcenauslastung: Überwachen Sie kontinuierlich die Ressourcenauslastung der Instance bei normaler Nutzung. Behalten Sie die CPU-, Arbeitsspeicher- und Festplattenauslastung im Auge. Stellen Sie sicher, dass die Ressourcennutzung innerhalb akzeptabler Grenzen bleibt, um Leistungseinbußen zu vermeiden. In einer Multi-Session-Umgebung können Sie diese Metriken auf AppStream 2.0 und der CloudWatch-Konsole anzeigen. Weitere Informationen finden Sie unter Überwachen von Amazon-AppStream-2.0-Ressourcen.

  • Berücksichtigen der Verhaltensmuster der Benutzer: Analysieren Sie die Verhaltensmuster der Benutzer, um die Spitzenauslastzeiten und die mögliche gleichzeitige Nutzung zu ermitteln. Manche Benutzer weisen ein unregelmäßiges oder sporadisches Nutzungsverhalten auf, während andere den ganzen Tag über eine konstante Nutzung zeigen. Berücksichtigen Sie diese Muster bei der Festlegung der maximalen Anzahl von Benutzersitzungen, um Ressourcenkonflikte in Spitzenzeiten zu vermeiden.

    AppStream 2.0 ermöglicht es Ihnen, maximal 50 Benutzersitzungen pro Instance zu konfigurieren, unabhängig vom ausgewählten Instance-Typ oder der Größe. Dies ist jedoch nur eine Obergrenze und kein empfohlener Grenzwert. Die folgende Beispieltabelle soll Ihnen helfen, die maximale Anzahl von Benutzersitzungen auf einer Instance in einer Multi-Session-Flotte zu ermitteln. Die in der Tabelle angegebene empfohlene maximale Anzahl von Benutzern basiert auf allgemeinen Richtlinien und Annahmen. Das Testen mit der realen Arbeitslast ist von entscheidender Bedeutung, da die tatsächliche Leistung je nach den individuellen Eigenschaften des Workloads, den Ressourcenanforderungen der Anwendung und dem Benutzerverhalten variieren kann.

Empfehlungen, die auf Workload-Typen basieren
Endbenutzerkategorie Workload-Typ Beispielbenutzer Anwendungsfälle Empfohlene Konfiguration(en)
Endbenutzer, die eine einzelne Aufgabe ausführen und nur wenige Anwendungen verwenden Leicht Sachbearbeiter, Front-Desk-Benutzer Dateneingabeanwendungen, Textbearbeitung, Bastion-Host 4 Benutzer pro vCPU auf Stream.standard.xlarge/2xlarge oder Stream.compute.xlarge+ oder Stream.memory.xlarge+ oder
Endbenutzer, die eine einzelne Aufgabe ausführen und nur wenige Anwendungen verwenden Leicht bis mittelschwer Sachbearbeiter, Front-Desk-Benutzer, Kontaktcenter-Mitarbeiter Dateneingabeanwendungen, Textbearbeitung, Bastion-Host, Chat, E-Mail, Messaging-Apps 2 Benutzer pro vCPU auf Stream.standard.xlarge/2xlarge oder Stream.Compute.xlarge+ oder Stream.memory.xlarge+ oder
Endbenutzer, die komplexe Tabellen, Präsentationen und umfangreiche Dokumente erstellen Mittelschwer Sachbearbeiter, Kontaktcenter-Mitarbeiter, Geschäftsanalysten Dateneingabeanwendungen, Chat, E-Mail, Messaging-Apps, Produktivitäts-Apps 2 Benutzer pro vCPU auf Stream.memory.xlarge+ oder Stream.compute.xlarge+
Endbenutzer mit Hochleistungs-Workloads Mittelschwer bis schwer Wissensarbeiter, Softwareentwickler, Business-Intelligence-Analysten Software-Skripting 1 Benutzer pro vCPU auf Stream.memory.xlarge+ oder Stream.compute.xlarge+
Endbenutzer mit Hochleistungs-Workloads Schwer Wissensarbeiter, Softwareentwickler, Datenwissenschaftler Bildschirmübertragung, Software-Skripting, Datenanalyse 1 Benutzer pro vCPU auf Stream.memory.xlarge+ oder Stream.compute.xlarge+
Endbenutzer mit Workloads, die Grafiken und umfangreiche Rechen-/Speicherressourcen benötigen Schwer bis intensiv Grafik-/Architekturdesigner, CAD/CAM-Benutzer Grafikintensive Anwendungen, wie z. B. Remote-Grafik-Workstations 1 Benutzer pro 2 vCPU Graphics.g4dn*
Endbenutzer mit Workloads, die Grafiken und umfangreiche Rechen-/Speicherressourcen benötigen Intensiv Videoredakteure, Gamer und Spieleentwickler, Data-Miner, GIS-Dateningenieure, KI-Wissenschaftler Videotranskodierung und 3D-Rendering, fotorealistisches Design, Grafik-Workstations, ML-Modelltraining, ML-Inferenz 1 Benutzer pro 2 vCPU Graphics.G5*