Halaman ini menjelaskan alat, strategi, dan alur kerja terstruktur untuk memodernisasi workload mainframe lama di Google Cloud.
Jika Anda adalah arsitek cloud perusahaan, engineer mainframe, atau pakar migrasi, gunakan informasi di halaman ini untuk mengevaluasi alat penilaian mainframe, memodernisasi data mainframe, membuat layanan berbasis cloud menggunakan alat yang didukung AI, dan memvalidasi paritas fungsional sebelum cutover.
Sebelum membaca halaman ini, Anda harus memiliki inventaris aplikasi mainframe (seperti set data COBOL, PL/I, JCL, dan DB2/VSAM) dan pemahaman tentang sasaran arsitektur cloud target Anda.
Memilih jalur modernisasi mainframe
Gunakan tabel berikut untuk memilih strategi modernisasi dan alat Google Cloud yang direkomendasikan berdasarkan workload sumber dan sasaran modernisasi Anda:
| Jalur modernisasi | Workload sumber | Alat yang direkomendasikan | Layanan target | Panduan skenario |
|---|---|---|---|---|
| Refaktorisasi aplikasi dengan bantuan AI | Aplikasi COBOL, PL/I, dan CICS monolitik | Google Cloud Modernization Hub, Mainframe Assessment Tool, Antigravity CLI | Google Kubernetes Engine (GKE), Cloud Run, Spanner, atau AlloyDB untuk PostgreSQL | Pemfaktoran ulang aplikasi mainframe |
| Konversi dan validasi kode otomatis | Aturan bisnis yang diekstrak dan codebase prosedural lama | Antigravity CLI, Dual Run | Cloud Run atau GKE | Konversi kode mainframe otomatis |
| Lift-and-shift mainframe (Emulasi) | Workload IBM z/OS atau IBM i yang memerlukan perubahan kode minimal | Runtime emulasi partner, Mainframe Connector | Compute Engine, Cloud SQL | Lift and shift workload mainframe |
| Offload dan analisis data | Set data batch EBCDIC, file VSAM, dan tabel DB2 | Mainframe Connector | BigQuery, Cloud Storage | Konfigurasi Mainframe Connector |
Kemampuan utama
Google Cloud menyediakan alat dan layanan berikut untuk setiap fase modernisasi mainframe:
- Penilaian aplikasi otomatis: Mainframe Assessment Tool (MAT) melakukan rekayasa balik kode sumber (COBOL, PL/I, JCL), memetakan dependensi program dan data, serta mengekstrak aturan bisnis yang disematkan.
- Forward engineering dengan bantuan AI: Antigravity CLI dan Antigravity membantu developer mengonversi aturan bisnis yang diekstrak menjadi layanan berbasis cloud modern dalam bahasa target, seperti Java atau Go, yang berjalan di GKE atau Cloud Run.
- Modernisasi data: Mainframe Connector melakukan transcoding dan memindahkan set data mainframe (EBCDIC) ke Google Cloud layanan seperti BigQuery dan Cloud Storage.
- Validasi fungsional: Dual Run menjalankan workload produksi secara bersamaan di mainframe dan Google Cloud untuk memverifikasi konsistensi data dan paritas fungsional sebelum cutover.
Rekayasa balik dan maju
Modernisasi mainframe mengandalkan pendekatan disiplin ganda berikut untuk mengekstrak logika dan membangun ulang aplikasi dengan aman:
- Rekayasa balik: menganalisis aplikasi mainframe yang ada untuk memahami codebase sebelum modernisasi dimulai. Dengan menggunakan Mainframe Assessment Tool (MAT), Anda memetakan dependensi aplikasi dan mengekstrak aturan bisnis dari kode lama (COBOL, PL/I). MAT menggunakan AI generatif untuk menghasilkan spesifikasi teknis dan struktur data katalog.
- Forward engineering: mengubah persyaratan bisnis tingkat tinggi dan aturan yang diekstrak menjadi kode aplikasi modern. Dalam modernisasi mainframe, forward engineering menggunakan alat otomatis dan Antigravity CLI untuk mengonversi aturan bisnis menjadi spesifikasi fungsional, dokumen persyaratan produk (PRD), cerita pengguna, dan layanan cloud di Google Cloud.
Alur kerja modernisasi
Diagram berikut menggambarkan lima fase proses modernisasi mainframe:
Fase 1: Menyerap dan merekayasa balik kode sumber
Pada Fase 1, Anda menggunakan Mainframe Assessment Tool (MAT) untuk menganalisis aplikasi mainframe yang ada di seluruh kemampuan berikut:
- Penyerapan kode sumber: menginventarisasi dan mengurai COBOL, PL/I, Assembler, tugas batch JCL, copybook, dan skema database.
- Pemetaan dependensi data: mengidentifikasi hubungan di seluruh tabel DB2, file VSAM, database IMS, dan file datar.
- Pembuatan hierarki panggilan: membuat grafik panggilan program visual yang menampilkan urutan batch dan alur transaksi Customer Information Control System (CICS) online untuk membuat gelombang migrasi.
Untuk mengetahui informasi selengkapnya, lihat Menyiapkan Mainframe Assessment Tool di Modernization Hub, Membuat penilaian, dan Meninjau hasil penilaian.
Tahap 2: Mengekstrak aturan bisnis tersemat
Sebelum Anda membuat aplikasi modern, isolasi dan verifikasi logika bisnis penting dari blok kode COBOL atau PL/I lama yang kompleks:
- Ekstraksi aturan yang didukung AI: Mainframe Assessment Tool menggunakan Gemini untuk menganalisis kode sumber baris demi baris dan menerjemahkan logika kondisional yang kompleks menjadi aturan bisnis dalam bahasa Inggris yang sederhana.
- Isolasi aturan: mengekstrak validasi khusus domain, penghitungan bunga, atau logika transaksi dari kode prosedural.
- Peninjauan human-in-the-loop: pakar domain dan analis bisnis meninjau, menyempurnakan, dan mengesahkan aturan bisnis yang diekstrak.
- Pembuatan dokumentasi: mengompilasi spesifikasi teknis terbaru secara otomatis untuk program lama.
Untuk mengetahui informasi selengkapnya, lihat Mengekstrak aturan bisnis.
Fase 3: Menguraikan monolit menjadi domain bisnis
Sebelum men-deploy microservice, partisi codebase mainframe monolitik menjadi konteks terbatas dan domain bisnis yang dipisahkan dan dapat dimigrasikan:
- Pemetaan domain: mengelompokkan aset kode ke dalam domain bisnis yang logis (seperti akun, penagihan, dan pembayaran).
- Pemisahan set data bersama: mengidentifikasi struktur data VSAM atau DB2 bersama yang harus dibagi menjadi database khusus layanan.
- Definisi antarmuka: menentukan batas REST atau gRPC API untuk layanan yang diekstrak.
Untuk mengetahui informasi selengkapnya, lihat Meninjau insight yang dihasilkan AI untuk domain bisnis Anda.
Tahap 4: Menulis PRD, model data, dan kode modern
Gunakan Antigravity CLI untuk mengubah output penilaian yang diekstrak menjadi spesifikasi terstruktur, arsitektur target, dan kode aplikasi modern di Google Cloud:
- Pembuatan PRD dan cerita pengguna: menyintesis data penilaian menjadi spesifikasi fungsional, dokumen persyaratan produk (PRD) yang menjelaskan Perjalanan Penting Pengguna (CUJ) dan SLA operasional, serta tugas rekayasa agile.
- Target cloud architecture: pilih runtime komputasi target (Cloud Run, GKE, atau Compute Engine).
- Pemodelan data target: mendesain struktur data (relasional, file, nilai kunci) dan memilih skema database cloud modern berdasarkan workload Anda:
- Pembuatan kode otomatis: mengurutkan blueprint implementasi dan membuat kode aplikasi dalam bahasa target, seperti Java atau Go, yang mengimplementasikan aturan bisnis yang diekstrak dan model data target.
Untuk mengetahui petunjuk tentang cara mengonfigurasi file AGENTS.md yang diekspor, mengaktifkan server MCP Mainframe Assessment Tool, dan memverifikasi kode yang dihasilkan, lihat Memodernisasi dan memvalidasi.
Fase 5: Mengurutkan gelombang migrasi dan memvalidasi paritas
Sebelum beralih ke produksi, migrasikan set data dalam gelombang terstruktur dan validasi paritas fungsional:
- Modernisasi data mainframe: mengonfigurasi Mainframe Connector untuk transcoding volume tinggi set data EBCDIC lama ke Cloud Storage dan BigQuery.
- Migrasi sistem gelombang inkremental: jadwalkan gelombang modernisasi berdasarkan domain bisnis, bukan menjalankan migrasi sistem penuh.
- Pengujian paritas fungsional: gunakan Dual Run untuk memutar ulang transaksi mainframe live secara paralel terhadap Google Cloud untuk memvalidasi aplikasi yang dimodernisasi dan memverifikasi paritas fungsional sebelum menghentikan kode lama.
- Deployment dan operasi: men-deploy workload yang dimodernisasi ke produksi dan memantau performa menggunakan Google Cloud Observability.
Untuk mengetahui informasi selengkapnya, lihat Melakukan transcoding dan memigrasikan data serta Memvalidasi paritas fungsional.