共计 2167 个字符，预计需要花费 6 分钟才能阅读完成。
作者：阿里云容器服务
近日，阿里云容器服务 ACK 与达摩院数据决策团队单干的论文《AHPA: Adaptive Horizontal Pod Autoscaling Systems on Alibaba Cloud Container Service for Kubernetes》获 AAAI 2023 IAAI 人工智能翻新利用奖 [ 1]。AAAI 是人工智能畛域的顶级会议之一，入选中国计算机学会（CCF）举荐 A 类国内会议列表。AAAI/IAAI 次要收录人工智能在工业界胜利利用的案例，备受工业界关注，每年仅有 10 项左右工作被评比为 IAAI 人工智能翻新利用奖，往年 AHPA 也有幸获此殊荣。
AHPA 论文截图
团队介绍
阿里云容器服务 ACK 治理着海量的 Kubernetes 集群，在集群治理、集群运维等畛域积攒了丰盛的教训，并构建了智能运维平台 CIS(Container Intelligence Service)，旨在通过智能化伎俩解决运维难题。达摩院数据决策团队在工夫序列剖析 / 预测 / 异样监测 /AIOps 方向深耕多年 [ 2]，数十篇文章发表在 NeurIPS, ICML, AAAI, KDD, SIGMOD, ICDE 等顶会和多篇中美专利，取得 2022 ICASSP AIOps Challenge(故障定位) 冠军等多个国内奖项。
AHPA
“极致弹性”吸引着泛滥企业拥抱云原生。企业的业务流量往往呈现出显著的波峰、波谷状态，如果采纳固定实例数的形式则会造成较大的资源节约。为此，Kubernetes 提供了 HPA、CronHPA 等弹性伸缩策略。CronHPA 反对在固定工夫进行实例数伸缩，然而设定定时规定较为简单，也会存在资源节约；HPA 策略依据利用实时负载设置实例数量，然而存在弹性触发滞后的问题，导致利用的服务质量降落。为此，容器服务 ACK 联结达摩院时序智能团队独特打造了 AHPA，能够依据历史时序数据进行被动预测，防止弹性滞后。同时会依据实时数据动静调整被动预测后果，兼容周期变动、数据失落等场景。
图 2 AHPA 框架
AHPA 整体架构如图 1 所示，分为数据采集、预测及弹性伸缩三大部分。AHPA 外围算法整体框架如图 2 所示，次要由指标预测及性能模型两个外围模块组成。目前 AHPA 已反对 CPU、Memory、GPU、RT、QPS 等常见指标，在阿里内外泛滥业务中失去利用。AHPA 算法能够帮忙客户辨认业务是否存在周期性。当数据存在周期性时，AHPA 对数据缺失、毛刺以及业务变更引发的数据周期变动等有很强的鲁棒性。即便数据不存在周期性，AHPA 也因具备肯定的预测能力，能够提前感知数据趋势变动；对数据失落、乐音等也有很强的鲁棒性。此外，AHPA 相干算法 RobustScaler 也被数据库畛域顶级会议 ICDE2022（CCF A 类）的长文论用，具体内容请参考论文《RobustScaler: QoS-Aware Autoscaling for Complex Workloads》[ 3]。
图 2 AHPA 算法框架图
在 ACK 集群中应用 AHPA 请参考文档 [ 4]，欢送大家试用并提供宝贵意见。
相干链接
[1] Zhiqiang Zhou, Chaoli Zhang, Lingna Ma, Jing Gu, Huajie Qian, Qingsong Wen, Liang Sun, Peng Li, Zhimin Tang, “AHPA: Adaptive Horizontal Pod Autoscaling Systems on Alibaba Cloud Container Service for Kubernetes”, in Proc. AAAI Conference on Artificial Intelligence and 35th Annual Conference on Innovative Applications of Artificial Intelligence (AAAI/IAAI 2023) , Washington DC, Feb. 2023. (AAAI/IAAI 2023 Innovative Application Award)
[2] Qingsong Wen, Linxiao Yang, Tian Zhou, Liang Sun, “Robust Time Series Analysis and Applications: An Industrial Perspective,” in the 28th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, KDD 2022 Tutorial.
https://qingsongedu.github.io/timeseries-tutorial-kdd-2022/
[3] Huajie Qian, Qingsong Wen, Liang Sun, Jing Gu, Qiulin Niu, Zhimin Tang, “RobustScaler: QoS-Aware Autoscaling for Complex Workloads,” in Proc. IEEE 38th International Conference on Data Engineering (ICDE 2022), Kuala Lumpur, Malaysia, May 2022
[4] 文档
https://help.aliyun.com/docum…
点击此处查看阿里云容器服务 AHPA 弹性预测产品文档详情。
