PerfectScale erkennt jetzt HPA-Trigger, die auf einen einzelnen Container abzielen. So bleiben Right-Sizing-Empfehlungen für Workloads mit container-spezifischem Autoscaling präzise. Empfehlungen gelten nur für den Container, den der HPA überwacht – über- oder unterdimensionierte Vorschläge gehören damit der Vergangenheit an. Podfit und Zoom-In unterscheiden jetzt zwischen Triggern auf Pod- und Container-Ebene, sodass die angezeigten Daten dem tatsächlichen Verhalten Ihres Autoscalers entsprechen.

Ein übersichtlicheres Menü, das den gesamten Funktionsumfang von PerfectScale zeigt – mit getrennten Bereichen für Organisations- und Cluster-Seiten und schnellem Zugriff auf jeden Cluster.

PerfectScale zeigt Cluster-Kosten, Pod-Waste und mögliche Einsparungen jetzt in EUR, GBP, JPY, ILS, CHF und weiteren Währungen an.

PerfectScale erkennt jetzt Container, deren CPU-Zuweisungen kontinuierlich steigen, ohne dass sich der Ressourcendruck verringert – ein Hinweis auf ein Problem im Workload statt auf echten Bedarf. Die Automatisierung stoppt weitere CPU-Erhöhungen, sobald Ihre konfigurierten Schwellenwerte erreicht sind. Legen Sie tägliche und wöchentliche Erhöhungslimits in Ihrer Automations-YAML fest, damit das Right-Sizing sicher und planbar bleibt.

Unevictable Pods blockieren Scale-down und Drain von Nodes und schränken so unbemerkt die Elastizität und das Einsparpotenzial Ihres Clusters ein. Jetzt per API sichtbar und behebbar.

Schöpfen Sie Ressourcen in Namespaces mit ResourceQuotas voll aus

Public API für Node-Auslastung, Effizienzdaten und Insights zur Infrastruktur-Optimierung

Finden Sie jeden Java-Workload im Cluster mit einem Klick – ganz ohne Labels

Zahlen in PerfectScale erscheinen jetzt genau so, wie man sie in Ihrem Land schreibt.

Finden und beheben Sie die Konfigurationen, die das Herunterskalieren von Nodes blockieren.

PerfectScale by DoiT liefert jetzt konkrete Empfehlungen, mit denen Sie Ihre Karpenter-NodePool-Konfiguration passgenau auf den realen Betrieb Ihrer Workloads ausrichten.

PerfectScale schafft jetzt Transparenz bei der Auslastung des GPU-Speichers – ein blinder Fleck weniger und mehr Sicherheit beim Betrieb Ihrer AI/ML-Workloads.

Weniger Wartungsaufwand, immer aktuelle Agents – mit dem PerfectScale Operator, einem Kubernetes Operator, der Installation und Upgrades sämtlicher PerfectScale-Komponenten übernimmt.

Sehen Sie auf einen Blick, welche Pods Ihre Nodes am Laufen halten und das Scale-down blockieren. Die neue Unevictable Pods-Ansicht in PerfectScale InfraFit macht diese workloads über alle Node Groups hinweg sichtbar – inklusive Ressourcenaufschlüsselung pro Node für CPU, Memory und GPU. In Kombination mit Node-Empfehlungen verbessern Sie das Bin-Packing, holen mehr aus Karpenter oder Cluster Autoscaler heraus und senken Ihre Kubernetes-Kosten.

Mit dem Query-Parameter "period" lässt sich das Zeitfenster für Workloads und deren Kostenanalyse-Daten gezielt eingrenzen

Nachvollziehen, warum Memory-Empfehlungen genau so ausfallen – jetzt mit zuschaltbarer Max-Memory-Linie und OOM-Kill-Markern direkt im ZoomIn-Chart.

Kubernetes-Workloads direkt über das PerfectScale-Webinterface automatisieren und verwalten

Wir haben das Statusmodell für die Workload-Automatisierung überarbeitet und die zugehörige User Experience verbessert.

Optimierungsrichtlinien können jetzt direkt über Kubernetes Custom Resources verwaltet werden — ergänzend oder alternativ zur Benutzeroberfläche. So erhalten Teams volle GitOps-basierte Kontrolle darüber, wie PerfectScale Ressourcen auf jeder Ebene der Cluster-Hierarchie empfiehlt.

Wir haben ein umfassendes Upgrade der Node-Empfehlungen in PerfectScale für K8s veröffentlicht — statt einer einzelnen "besten Wahl" bieten wir jetzt ein Erlebnis mit mehreren Vorschlägen, das Nutzern echte Entscheidungsfreiheit über ihre Infrastruktur gibt.