作者：元毅、子白

導(dǎo)讀

在云原生容器時(shí)代，用戶需要面對(duì)不同的業(yè)務(wù)場(chǎng)景：周期性的業(yè)務(wù)，Serverless 按需使用等。在使用自動(dòng)彈性中， 會(huì)發(fā)現(xiàn)這樣或那樣的問題，其中最需要關(guān)注的是彈性滯后、冷啟動(dòng)問題。阿里巴巴云原生團(tuán)隊(duì)和阿里達(dá)摩院決策智能時(shí)序團(tuán)隊(duì)合作開發(fā) AHPA 彈性預(yù)測(cè)產(chǎn)品，該產(chǎn)品主要出發(fā)點(diǎn)是基于檢測(cè)到的周期做“定時(shí)規(guī)劃”，通過規(guī)劃實(shí)現(xiàn)提前擴(kuò)容的目的，在保證業(yè)務(wù)穩(wěn)定的情況下，讓你真正實(shí)現(xiàn)按需使用。

背景

用戶對(duì)云彈性能力的期望越來越高，這個(gè)期望主要來自兩方面。一是云原生概念的崛起，從 VM 時(shí)代到了容器時(shí)代，云的使用模式正在發(fā)生變化。二是新型業(yè)務(wù)模式的崛起，這些崛起的新型業(yè)務(wù)模式在設(shè)計(jì)之初就是基于云來建構(gòu)的，天然就有對(duì)彈性的訴求。

有了云，用戶不再需要自己從物理機(jī)、機(jī)房搭建基礎(chǔ)設(shè)施，云給用戶提供了非常彈性的基礎(chǔ)設(shè)施。云的最大優(yōu)勢(shì)就是可以給用戶提供彈性的資源供給，特別是到了云原生時(shí)代，用戶對(duì)彈性的訴求也越來越強(qiáng)烈。彈性需求強(qiáng)度在 VM 時(shí)代還是人工操作分鐘級(jí)別的，在容器時(shí)代，已經(jīng)達(dá)到秒級(jí)的要求，用戶面對(duì)不同的業(yè)務(wù)場(chǎng)景，對(duì)云的期望和要求也正在發(fā)生變化：

• 周期性的業(yè)務(wù)場(chǎng)景： 新型業(yè)務(wù)比如直播、在線教育和游戲，這些業(yè)務(wù)有一個(gè)很大的共同點(diǎn)就是有非常明顯的周期性，這種周期性促使客戶思考面向彈性的業(yè)務(wù)架構(gòu)。再加上云原生的理念很自然的就想到按需彈起一批服務(wù)起來，用完就釋放。

• Serverless 的到來： Serverless 的核心理念是按需使用，自動(dòng)彈性。用戶不需要容量規(guī)劃。但當(dāng)你真正開始使用 Serverless 的時(shí)候，會(huì)發(fā)現(xiàn)這樣或那樣的問題，其中最需要關(guān)注的是彈性滯后、冷啟動(dòng)問題。對(duì)于響應(yīng)時(shí)延敏感的業(yè)務(wù)，這是不可接受的。

那么面對(duì)上面的場(chǎng)景，當(dāng)前 Kubernetes 中現(xiàn)有的彈性方案是否可以解呢？

傳統(tǒng)彈性方案面臨的問題

一般在 Kubernetes 中管理應(yīng)用實(shí)例數(shù)有三種方式：固定實(shí)例數(shù)、HPA 和 CronHPA 。使用最多的是固定實(shí)例數(shù)，固定實(shí)例數(shù)最大的問題就是在業(yè)務(wù)波谷時(shí)造成很明顯的資源浪費(fèi)。為了解決資源浪費(fèi)的問題所以有了 HPA，但 HPA 的彈性觸發(fā)是滯后的，這就導(dǎo)致資源的供給也會(huì)滯后，資源不能及時(shí)供給可能會(huì)導(dǎo)致業(yè)務(wù)穩(wěn)定性下降。CronHPA 可以定時(shí)伸縮，看起來可以解決彈性滯后的問題，但具體定時(shí)粒度有多細(xì)、業(yè)務(wù)量有變化時(shí)需要頻繁地手動(dòng)調(diào)節(jié)定時(shí)彈性策略嗎？如果這樣做，這就會(huì)帶來非常繁重的運(yùn)維復(fù)雜度，也很容易出錯(cuò)。

AHPA 彈性預(yù)測(cè)

AHPA（Advanced Horizontal Pod Autoscaler）彈性預(yù)測(cè)主要出發(fā)點(diǎn)是基于檢測(cè)到的周期做“定時(shí)規(guī)劃”，通過規(guī)劃實(shí)現(xiàn)提前擴(kuò)容的目的。但既然是規(guī)劃就會(huì)有疏漏，所以需要對(duì)規(guī)劃的實(shí)例數(shù)有一個(gè)實(shí)時(shí)調(diào)整的能力。所以本方案有兩個(gè)彈性策略：主動(dòng)預(yù)測(cè)和被動(dòng)預(yù)測(cè)。主動(dòng)預(yù)測(cè)基于達(dá)摩院 RobustPeriod 算法[1] 識(shí)別周期長(zhǎng)度然后利用RobustSTL 算法[2] 提起出周期性趨勢(shì)，主動(dòng)預(yù)測(cè)下個(gè)周期應(yīng)用的實(shí)例數(shù)量；被動(dòng)預(yù)測(cè)基于應(yīng)用實(shí)時(shí)數(shù)據(jù)設(shè)定實(shí)例數(shù)量，可以很好的應(yīng)對(duì)突發(fā)流量。此外，AHPA 還增加了兜底保護(hù)策略，用戶可以設(shè)置實(shí)例數(shù)量的上下界。AHPA 算法中最終生效的實(shí)例數(shù)是主動(dòng)預(yù)測(cè)、被動(dòng)預(yù)測(cè)及兜底策略中的最大值。

架構(gòu)

彈性首先是要在業(yè)務(wù)穩(wěn)定的情況下進(jìn)行的，彈性伸縮的核心目的不僅是幫用戶節(jié)省成本，更是增強(qiáng)業(yè)務(wù)的整體穩(wěn)定性、免運(yùn)維能力和構(gòu)建核心競(jìng)爭(zhēng)力。AHPA 架構(gòu)設(shè)計(jì)的基本原則：

• 穩(wěn)定性： 保證用戶服務(wù)穩(wěn)定的情況下進(jìn)行彈性伸縮

• 免運(yùn)維： 不給用戶增加額外的運(yùn)維負(fù)擔(dān)，包括：不在用戶側(cè)增加新的 Controller、Autoscaler 配置語義比 HPA 更清晰

• 面向 Serverless： 以應(yīng)用為中心，面向應(yīng)用維度的設(shè)計(jì)，用戶無需關(guān)心實(shí)例個(gè)數(shù)的配置，按需使用、自動(dòng)彈性。

架構(gòu)如下：

• 豐富的數(shù)據(jù)指標(biāo)： 支持包括 CPU、Memory、QPS、RT 以及外部指標(biāo)等

• 穩(wěn)定性保障： AHPA 的彈性邏輯基于主動(dòng)預(yù)熱、被動(dòng)兜底的策略，并結(jié)合降級(jí)保護(hù)，保證了資源穩(wěn)定。

• • 主動(dòng)預(yù)測(cè)：根據(jù)歷史預(yù)測(cè)出未來一段時(shí)間的趨勢(shì)結(jié)果，適用于周期性的應(yīng)用。
• • 被動(dòng)預(yù)測(cè)：實(shí)時(shí)預(yù)測(cè)。針對(duì)突發(fā)流量場(chǎng)景，通過被動(dòng)預(yù)測(cè)實(shí)時(shí)準(zhǔn)備資源。
• • 降級(jí)保護(hù)：支持配置多個(gè)時(shí)間區(qū)間范圍最大、最小實(shí)例。

• 多種伸縮方式： AHPA 支持伸縮方式包括 Knative、HPA 以及 Deployment：

• • Knative：解決 Serverless 應(yīng)用場(chǎng)景下，基于并發(fā)數(shù)/QPS/RT 彈性冷啟動(dòng)的問題
• • HPA：簡(jiǎn)化 HPA 彈性策略配置，降低用戶使用彈性的門檻，解決使用 HPA 面臨的冷啟動(dòng)的問題
• • Deployment：直接使用 Deployment，自動(dòng)擴(kuò)縮容

適應(yīng)場(chǎng)景

AHPA 適應(yīng)場(chǎng)景包括：

• 有明顯周期性場(chǎng)景。如直播、在線教育、游戲服務(wù)場(chǎng)景等
• 固定實(shí)例數(shù)+彈性兜底。如常態(tài)業(yè)務(wù)下應(yīng)對(duì)突發(fā)流量等
• 推薦實(shí)例數(shù)配置場(chǎng)景

預(yù)測(cè)效果

開啟 AHPA 彈性后，我們提供可視化頁面，用于查看 AHPA 效果。下面是一個(gè)基于 CPU 指標(biāo)進(jìn)行預(yù)測(cè)的示例（與使用 HPA 比較）：

說明：

• Predict CPU Oberserver：藍(lán)色表示 HPA 實(shí)際的 CPU 使用量，綠色表示預(yù)測(cè)出來的 CPU 使用量。綠色曲線大于藍(lán)色，表明通過預(yù)測(cè)給出的容量是足夠的。

• Predict POD Oberserver：藍(lán)色表示使用 HPA 實(shí)際的擴(kuò)所容 Pod 數(shù)，綠色表示預(yù)測(cè)出來的擴(kuò)所容 Pod 數(shù)，綠色曲線小于藍(lán)色，表明通過預(yù)測(cè)彈性的 Pod 數(shù)更低。
• 周期性：根據(jù)歷史 7 天的數(shù)據(jù)，通過預(yù)測(cè)算法檢測(cè)到該應(yīng)用具備周期性。

結(jié)論：預(yù)測(cè)結(jié)果表明，彈性預(yù)測(cè)趨勢(shì)符合預(yù)期。

邀測(cè)試用

點(diǎn)擊??此處??查看阿里云容器服務(wù) AHPA 彈性預(yù)測(cè)產(chǎn)品文檔詳情。當(dāng)前 AHPA 已開啟用戶邀測(cè)，歡迎感興趣的用戶點(diǎn)擊文檔中“提交工單”位置申請(qǐng)白名單，期待您的試用及反饋。

參考文獻(xiàn)

[1] (阿里達(dá)摩院決策智能時(shí)序團(tuán)隊(duì)) Qingsong Wen, Kai He, Liang Sun, Yingying Zhang, Min Ke, and Huan Xu. RobustPeriod: Robust Time-Frequency Mining for Multiple Periodicity Detection, in Proc. of 2021 ACM SIGMOD/PODS International Conference on Management of Data (SIGMOD 2021), Xi’an, China, Jun. 2021.

[2] (阿里達(dá)摩院決策智能時(shí)序團(tuán)隊(duì)) Qingsong Wen, Jingkun Gao, Xiaomin Song, Liang Sun, Huan Xu, Shenghuo Zhu. RobustSTL: A Robust Seasonal-Trend Decomposition Algorithm for Long Time Series, in Proc. of the 33rd AAAI Conference on Artificial Intelligence (AAAI 2019), 2019, pp. 5409-5416, Honolulu, Hawaii, Jan. 2019.

[3] (阿里達(dá)摩院決策智能時(shí)序團(tuán)隊(duì)) Qingsong Wen, Zhe Zhang, Yan Li and Liang Sun. Fast RobustSTL: Efficient and Robust Seasonal-Trend Decomposition for Time Series with Complex Patterns, in Proc. of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (KDD 2020), San Diego, CA, Aug. 2020.

總結(jié)

以上是生活随笔為你收集整理的AHPA：开启 Kubernetes 弹性预测之门的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。