从 Ops 到 NoOps，阿里文娱智能运维的关键：自动化应用容量管理

作者|  阿里文娱高级开发工程师 金呈

责编 | 夕颜

出品 | CSDN（ID：CSDNnews）

概述

1. 背景

随着业务形态发展，更多的生产力集中到业务创新，这背后要求研发能力的不断升级。阿里文娱持续倾向用更加高效、稳定、低成本的方式支持快速软件交付，保障高可用。于是运维力从 “HaaS”（Handwork as a Service）到“PaaS”再到“SaaS”（System as a Service），运维生产力从 Ops 到 DevOps 再到 NoOps。

在传统应用容量管理模式下，应用、集群容量评估缺乏有效数据依据与支撑，往往牺牲效率或成本来平衡经验决策风险，另一方面，人肉决策和执行难以满足业务对稳定性和效能的追求。因此，阿里文娱急需一个能够把优酷所有应用的容量管理起来的能力。

2. 目标

整体目标分成 2 个阶段，一是摸清各应用容量水平，二是为所有应用赋予弹性伸缩的能力， 最终直观看到各应用及总体资源使用率的明显提升。

 

技术挑战与解法

 

1. 单机性能

既然谈到容量问题，已知的压测方案有链路压测方案、模拟流量压测方案等。为什么还要 自研一套基于单机引流的压测方案来评估应用容量水平？

1）更接近日常真实水平； 

2）无人工决策，纯机器决策单机性能瓶颈；

3）全自动，比如配置成发布结束后进行单机性能压测。

 

2. 弹性

弹性指标选择：仅靠集群 CPU 水位弹性确实可以解决绝大多数类型应用，但若基于集群QPS 水位则可更精准的进行弹性伸缩。

1）多维度弹性指标，同时也需要支持自定义指标；

2）多方位弹性方案，使用条件编排策略来达到多个弹性指标之间的协同。

 

技术方案

 

1. 全自动单机性能探索

与各接入层对接，自动配置权重完成单机引流，配合性能拐点算法支撑，完成自动识别性 能拐点并终止压测，最后一并记录单机能力值。并允许每天定时压测、发布结束压测来感知每 天、或每次发布给单机性能带来的变化，使用户更亲近自身应用的容量水平。

2. 弹性伸缩

与底层交付系统联动，打造从规划，交付，计费，弹性水平扩展、回收、资源排布调度全 生命态面向业务需求的自驱动统筹调度资源管理系统。一方面，业务资源统一平台构建与维护， 挖掘空闲资源，共享弹性计算力，整体提高部署密度，降低业务单位成本；另一方面，面向不 同应用场景，自动化容量管理，按需分配，保证应用服务可用性，提高容量运维效能。

3. 方案结合

全自动单机性能探索与弹性伸缩的结合框架，如下图：

 

1）应用接入：无缝接入；

2）单机性能压测自定义配置：无需再定义配置过多配置，默认“智能探索”可以支持大部分 场景；

3）单机引流：从集群中其他机器的流量引流至被压测机器；

4）智能拐点识别：使用时间序列数据趋势转折点提取算法，进行拐点识别；

5）单机性能预测：详见技术细节；

6）基础弹性配置：详见技术细节。

 

技术细节

 

1. 单机引流权重优化

1）调整权重就是调整单机流量，且权重越高，单机流量越高；

2）增加自动化调整权重策略方法。权重优化：用于已经识别出拐点，保证下一次压测接近 MAX 权重保持平缓；权重递增：用于未触发拐点，保证下一次压测能引更多的流量。

2. 响应时间拐点识别

 

             

使用算法：箱线图。基于 IQR 定制多组 k 的箱线图上限的异常提取，上限=Q3+k*IQR 实现。而效果能够定位到多数拐点，并且一般拐点前的一个时间点的值为单机能力值。

 

3. 成功率拐点识别

0 错误代表 100%成功率

 

             

成功率拐点识别相比响应时间拐点识别更加严格。虽然同样是“基于 IQR 定制多组 k 的箱 线图”实现，但此时 k 必须收紧，因为成功率指标较为敏感，稍有波动就应该终止压测。

 

4. 拐点提取参考了“时间序列数据趋势转折点提取算法”文章

 

             

比如在 3 个连续点 Xi、Xi+1、Xi+2 的判定上，它们的发展趋势共有 9 种情况：当 Xi+2-Xi>0， 即图 a，b，e 这 3 种情况属于总体趋势上升，当 Xi+2-Xi<0，即图 f，g，i 这 3 种情况属于总体 趋势下降，当 Xi+2-Xi=0，即图 c，d，h 这 3 种情况属于总体保持不变。

而我们通过“基于 IQR 定制多组 k 的箱线图”可以识别出上升和下降 2 种拐点，分别对应 不同的场景，如响应时间拐点识别（上升拐点识别），成功率拐点识别（下降拐点识别），而 k 的定义方式也参考近期数据。

比如某个应用日常响应时间稳定在 100-200ms 和某个应用日常响应时间稳定在 2-3ms 的 k值是不一样的，不合适的 k 用在 2-3ms 的这种数据上会导致异常识别较为频繁及不准确。

 

5. 单机性能预测方案

单机性能与什么有关，系统指标？如果是 JAVA 应用还和 JVM 相关指标有关？而应用本身 有会有各种池的限制，如 JVM 相关池、TOMCAT 相关池、DB 相关池、Redis 相关池、队列相 关池等，这些都可以作为预测单机性能的特征。先基于 PCA 抽象出 N 个特征，也称降维，可 将两两线性相关的因素进行整合或排出，降维后建立线性回归模型，而拟合度较高的模型将予 以采纳并进行预测。同时预测参数也需要实事求是，比如日常 CPU 区间为 2-60%，那预测参数 可以为 80%，此时若超过 100%那将毫无意义。

6. 流量驱动弹性方案

基于 CPU 指标的弹性伸缩：比如 CPU 超过 60%则执行弹性扩容，CPU 低于 20%则执行弹 性缩容。扩容与缩容允许按机器数比例进行伸缩：如按 5%的机器数进行弹性扩容。定义弹性区 间：如 10-20，机器数会在 10-20 区间变动。

一般低峰期会处在最低机器数区域，高峰则会处在最高机器数区域，基于外挂单机能力模 型。允许基于 QPS 水位指标进行弹性，可随 QPS 增加而增加机器数，反之则减少机器数。

 

总结

自动化容量管理与弹性伸缩的深度结合解决了当前容量预估的问题，使得资源能够被合理使用。一方面，用户专注业务层，做基于业务需求的容量规划、交付和维护，革命性改变生产关系，提高研发迭代效率；另一方面，更加细粒度的弹性伸缩，比如小时、分钟的资源的快速流转，资源粒度分解到具体硬件计算垂直伸缩，也是一种更优的解决方案，使得弹性更加迅速能做到秒级能力，进一步压缩集群密度，降低单位成本。

【END】

更多精彩推荐

☞“谷歌杀手”发明者，科学天才 Wolfram

☞漫画：“哈夫曼编码” 是什么鬼？

☞数据库激荡40年，深入解析PostgreSQL、NewSQL演进历程

☞黑客用上机器学习你慌不慌？这 7 种窃取数据的新手段快来认识一下！

☞超详细！一文告诉你 SparkStreaming 如何整合 Kafka ！附代码可实践

☞Libra的Move语言初探，10行代码实现你第一个智能合约

你点的每个“在看”，我都认真当成了喜欢