Partager via

Résoudre les problèmes liés au moteur d’optimisation Azure

  • Article

Cet article décrit les problèmes courants que vous pouvez rencontrer avec le déploiement et le runtime du moteur d’optimisation Azure (AOE).


Erreur de déploiement de modèle générique lors du déploiement d’AOE

Dans certains cas, le déploiement du modèle AOE entraîne un message ou un The template deployment failed with multiple errors message similaire. Pour identifier la cause de l’échec du déploiement, vous devez archiver le Portail Azure, dans l’option Deployments de menu à la fois dans le groupe de ressources et les détails de l’abonnement dans lequel vous avez choisi de déployer AOE. Le resourcesDeployment déploiement se trouve dans le groupe de ressources et un déploiement avec le préfixe de nom AOE se trouve dans l’abonnement, où vous pouvez identifier les détails de l’erreur. Les stratégies de refus Azure Policy sont l’une des causes courantes des erreurs de déploiement.

Le classeur de recommandations et le rapport Power BI sont vides après le déploiement d’AOE

AOE prend jusqu’à 3 heures après le déploiement pour exporter et ingérer les données requises pour générer des recommandations dans Log Analytics et SQL Database. Si, après cette période, vous ne voyez toujours aucune recommandation, vérifiez si :

  • Vous avez remplacé la source de données Power BI par le point de terminaison SQL Database de votre déploiement AOE. Pour plus d’informations, consultez Rapports.
  • Azure Advisor a signalé des recommandations pour les abonnements dans l’étendue AOE.
  • Vous avez actualisé les données du rapport, car la plupart des pages de rapport Power BI sont configurées pour filtrer les recommandations antérieures à sept jours.
  • Les runbooks Azure Automation ont échoué, en particulier ceux critiques tels que Ingest-RecommendationsToLogAnalytics, Ingest-RecommendationsToSQLServer et tous les runbooks avec un Recommend- préfixe, et vérifiez le message d’exception enregistré, ce qui vous donne normalement un indicateur pour la cause de l’échec.
  • Une limite quotidienne est définie dans l’espace de travail AOE Log Analytics qui peut supprimer l’ingestion des journaux AOE une fois la limite atteinte.

Erreurs de classeur

Les sections suivantes traitent des erreurs courantes que vous pouvez rencontrer dans les classeurs AOE.

Erreur du classeur : échec de la résolution de l’expression de table ou de colonne nommée AzureOptimizationPricesheetV1_CL

Cette erreur est généralement un symptôme de ne pas accorder les autorisations requises à l’identité managée du compte AOE Automation, qui s’authentifie auprès de Microsoft Cost Management pour télécharger votre grille tarifaire Azure. Pour plus d’informations, consultez Activer les classeurs d’engagements Azure.

Le téléchargement de la grille tarifaire AOE pour Azure est pris en charge uniquement pour les Accord Entreprise (EA) et les Contrat client Microsoft (MCA).

Erreurs de classeur : échec de la résolution de l’expression de table ou de colonne nommée AzureOptimizationReservationsUsageV1_CL ou AzureOptimizationSavingsPlansUsageV1_CL

Ce problème peut être dû à un manque d’autorisations dans l’identité managée AOE ou parce que votre organisation n’a pas acheté de réservations ou de plans d’épargne. Consultez la section précédente.

Le classeur Identité et rôles est vide affiche les messages d’erreur

Ce problème est généralement un symptôme de ne pas accorder les autorisations requises au niveau du locataire Microsoft Entra ID à l’identité managée du compte AOE Automation. Une fois que vous avez accordé le Global Reader rôle à l’identité managée AOE, le classeur doit remplir le lendemain. Si, après avoir accordé le rôle que le Global Reader classeur signale toujours des erreurs, vous devez examiner si le Export-AADObjectsToBlobStorage runbook échoue et vérifier le message d’exception enregistré, ce qui vous donne normalement un indicateur pour la cause de l’échec. Une cause classique est l’absence de mémoire suffisante dans le worker de bac à sable Azure Automation. Pour un travail worker hybride, consultez les instructions de mise à l’échelle des runbooks AOE avec Hybrid Worker. Vous pouvez également filtrer les utilisateurs et les groupes d’ID Microsoft Entra en créant les AzureOptimization_AADObjectsUserFilter variables d’automatisation avec AzureOptimization_AADObjectsGroupFilter un filtre OData Microsoft Graph.

Le runbook Export-ConsumptionToBlobStorage prend beaucoup de temps pour terminer

Le premier symptôme que le Export-ConsumptionToBlobStorage runbook prend beaucoup de temps à terminer. Le deuxième symptôme est que le Ingest-OptimizationCSVExportsToLogAnalytics runbook échoue de manière cohérente pour le consumptionexports conteneur.

Ces problèmes peuvent être provoqués par l’AOE ayant à gérer un grand nombre d’abonnements dans votre environnement, en exportant un grand nombre de petits objets blob.

Pour optimiser l’ingestion de consommation Azure, nous vous recommandons de basculer les exportations de consommation d’une étendue d’abonnement vers un compte de facturation ou une étendue de profil de facturation. Les exportations sont possibles uniquement pour les clients EA ou MCA.

Pour effectuer cette action, vous devez créer, dans le compte AOE Automation, une AzureOptimization_ConsumptionScope variable définie sur BillingAccount (EA) ou BillingProfile (MCA). Vérifiez que vous avez accordé les autorisations nécessaires à l’identité managée AOE au niveau du compte de facturation/profil EA/MCA et que les AzureOptimization_BillingAccountID (EA/MCA uniquement) et AzureOptimization_BillingProfileID (MCA uniquement) sont correctement définis (Activer les classeurs d’engagements Azure). Après avoir vérifié les paramètres, l’exécution suivante des exportations de consommation doit générer un objet blob unique pour l’ensemble du compte/profil de facturation.

La page vue d’ensemble des recommandations de taille de machine virtuelle est vide

L’AOE dépend des recommandations de coût Azure Advisor pour le dimensionnement approprié des machines virtuelles. Si aucune machine virtuelle n’apparaît, essayez d’augmenter le seuil du processeur dans la configuration d’Azure Advisor. Pour plus d’informations, consultez Les recommandations relatives à la configuration des groupes de machines virtuelles/groupes de machines virtuelles identiques. Vérifiez que votre infrastructure de machine virtuelle est vraiment surdimensionnée.

Les recommandations de taille de machine virtuelle s’affichent avec Inconnus pour les seuils de métriques

L’AOE dépend de vos machines virtuelles surveillées par les agents Azure Monitor et configurées pour envoyer un ensemble de métriques de performances qui sont ensuite utilisées pour augmenter les recommandations Advisor. Pour plus d’informations , consultez Configurer des espaces de travail.

Petite taille inattendue pour les coûts et les économies

Le runbook d’exportation de consommation Azure a récemment démarré son exécution quotidienne et n’a reçu qu’un jour de données de consommation. Après un mois ou après avoir lancé manuellement le runbook pour les dates passées, vous devez voir les données de consommation correctes.

Données historiques dans les classeurs AOE uniquement pour les 30 derniers jours

La rétention AOE Log Analytics par défaut est de 30 jours. Si vous devez conserver les données historiques pendant une période plus longue, augmentez la rétention Log Analytics en conséquence.


Contenu connexe

Fonctionnalités FinOps connexes :

Produits connexes :

Solutions connexes :