平均と最大値には、グローバルな時間コンテキストに応じて日次生データまたは時間別生データのいずれかが使用されます。期間が過去7日以内の場合は時間別集計が使用され、それ以外の場合は日次集計が使用されます。

予測期間はトレンド期間の長さの1/2に設定されます。たとえば、30日トレンドは15日先、90日トレンドは45日先です。

上のチャートは、HR-Devデータベースの30日間の日次平均CPU使用量および最大量を示しています。平均使用量と最大使用量データ系列の間には一貫してかなりのギャップがあり、日中のCPU需要の変動性が高いことを示しています。

最大使用量のトレンドと予測は、データベースの最大割当てに非常に近いか、最大割当てに達しています。これは、需要が増加した場合または新しいワークロードが導入された場合に容量不足になるリスクがあることを示しています。

予測最大使用量(平均アクティブCPU: 約29)と予測平均使用量(平均アクティブCPU: 約15)の差は、すべての作業を安全に実行するために必要なCPUの量と、すべての作業を行うために実際に必要なCPUの量の差です。CPUリソースがデータベースにハード割当てされている場合、この差は、支払対象のリソースの量から使用されているリソースの量を差し引いた量を表します。つまり、機会コストは、CPUの需要の変動が大きいことによって発生します。

このような変動のコストを軽減する可能性がある方法の1つは、複数のデータベース間でCPUリソースを共有し、変化する需要に応じてそれらのデータベース間で動的リソース割当てを可能にすることです。

自動スケール対応のOracle Autonomous Databaseは、まさにそのようなソリューションを提供します。