PerfectScale ahora reconoce los triggers de HPA que apuntan a un solo contenedor, lo que mantiene la precisión de las recomendaciones de right-sizing para workloads que usan autoescalado a nivel de contenedor. Las recomendaciones se aplican únicamente al contenedor que el HPA monitorea, evitando así sugerencias sobredimensionadas o subdimensionadas. Podfit y Zoom-In ahora distinguen entre triggers a nivel de pod y a nivel de contenedor, para que los datos que ves coincidan con el comportamiento real de tu autoscaler.

Un menú más claro que muestra todas las funciones de PerfectScale, con las páginas de organización y de clúster en secciones separadas y acceso rápido a cualquier clúster.

PerfectScale ahora muestra los costos del clúster, la pérdida en pods y el ahorro potencial en EUR, GBP, JPY, ILS, CHF y más.

PerfectScale ahora identifica los contenedores cuyas asignaciones de CPU no dejan de crecer sin resolver la presión de recursos, señal de un problema en el workload y no de demanda real. La automatización pausa nuevos aumentos de CPU cuando se alcanzan los umbrales que configuraste. Define límites de aumento diarios y semanales en tu YAML de automatización para que el right-sizing sea seguro y predecible.

Los pods no desalojables bloquean el scale-down y el drain de los nodos, limitando sin que lo notes la elasticidad del clúster y los ahorros. Ahora puedes verlos y corregirlos vía API.

Aprovecha al máximo los recursos en namespaces regidos por ResourceQuotas

API pública con datos de utilización de nodos, eficiencia e insights de optimización de infraestructura

Encuentra todos los workloads de Java de un clúster con un solo clic, sin necesidad de etiquetas

Los números en PerfectScale ahora se muestran tal como se escriben en tu país.

Detecta y corrige las configuraciones que impiden el scale-down de nodos.

PerfectScale by DoiT ahora ofrece recomendaciones accionables para mejorar la configuración de tu NodePool de Karpenter y alinearla por completo con la forma real en que se ejecutan tus workloads.

PerfectScale ahora te da visibilidad sobre el uso de la memoria GPU: se elimina un punto ciego y puedes correr tus workloads de AI/ML con total confianza.

Reduce la carga de mantenimiento y mantén tus agentes siempre al día con el PerfectScale Operator, un operador de Kubernetes que se encarga de la instalación y las actualizaciones de todos los componentes de PerfectScale.

Descubre con precisión qué pods están manteniendo activos tus nodos y bloqueando el scale-down. La nueva vista de Unevictable Pods en PerfectScale InfraFit pone en evidencia estos workloads en cualquier node group, con un desglose de recursos por nodo para CPU, memoria y GPU. Combínala con las recomendaciones de nodos para mejorar el bin-packing, sacarle más provecho a Karpenter o Cluster Autoscaler y reducir tu gasto en Kubernetes.

Ahora puedes usar el parámetro "period" para acotar la ventana de tiempo de tus workloads y su análisis de costos

Entiende por qué las recomendaciones de memoria quedan donde quedan: ahora con una línea de métrica Max Memory que puedes activar y marcadores de eventos OOM kill directamente en el gráfico de ZoomIn.

Activa y gestiona la automatización de workloads de Kubernetes directamente desde la interfaz web de PerfectScale

Actualizamos el modelo de estados de automatización de workloads y mejoramos la experiencia de uso.

Las políticas de optimización ahora se pueden gestionar directamente a través de Custom Resources de Kubernetes, junto con la interfaz de usuario o en lugar de ella, brindando a los equipos control total estilo GitOps sobre cómo PerfectScale recomienda recursos en cada nivel de la jerarquía del clúster.

Lanzamos una actualización importante en las recomendaciones de nodos de PerfectScale para K8s: pasamos de una única "mejor opción" a una experiencia con múltiples sugerencias que les da a los usuarios verdadera libertad de elección sobre su infraestructura.