作者：元毅、子白
导读
在云原生容器时代，用户需要面对不同的业务场景：周期性的业务，Serverless 按需使用等。在使用自动弹性中， 会发现这样或那样的问题，其中最需要关注的是弹性滞后、冷启动问题。阿里巴巴云原生团队和阿里达摩院决策智能时序团队合作开发 AHPA 弹性预测产品，该产品主要出发点是基于检测到的周期做“定时规划”，通过规划实现提前扩容的目的，在保证业务稳定的情况下，让你真正实现按需使用。
背景
用户对云弹性能力的期望越来越高，这个期望主要来自两方面。一是云原生概念的崛起，从 VM 时代到了容器时代，云的使用模式正在发生变化。二是新型业务模式的崛起，这些崛起的新型业务模式在设计之初就是基于云来建构的，天然就有对弹性的诉求。
有了云，用户不再需要自己从物理机、机房搭建基础设施，云给用户提供了非常弹性的基础设施。云的最大优势就是可以给用户提供弹性的资源供给，特别是到了云原生时代，用户对弹性的诉求也越来越强烈。弹性需求强度在 VM 时代还是人工操作分钟级别的，在容器时代，已经达到秒级的要求，用户面对不同的业务场景，对云的期望和要求也正在发生变化：
- 周期性的业务场景：新型业务比如直播、在线教育和游戏，这些业务有一个很大的共同点就是有非常明显的周期性，这种周期性促使客户思考面向弹性的业务架构。再加上云原生的理念很自然的就想到按需弹起一批服务起来，用完就释放。
- Serverless 的到来：Serverless 的核心理念是按需使用，自动弹性。用户不需要容量规划。但当你真正开始使用 Serverless 的时候，会发现这样或那样的问题，其中最需要关注的是弹性滞后、冷启动问题。对于响应时延敏感的业务，这是不可接受的。
那么面对上面的场景，当前 Kubernetes 中现有的弹性方案是否可以解呢？
传统弹性方案面临的问题
一般在 Kubernetes 中管理应用实例数有三种方式：固定实例数、HPA 和 CronHPA 。使用最多的是固定实例数，固定实例数最大的问题就是在业务波谷时造成很明显的资源浪费。为了解决资源浪费的问题所以有了 HPA，但 HPA 的弹性触发是滞后的，这就导致资源的供给也会滞后，资源不能及时供给可能会导致业务稳定性下降。CronHPA 可以定时伸缩，看起来可以解决弹性滞后的问题，但具体定时粒度有多细、业务量有变化时需要频繁地手动调节定时弹性策略吗？如果这样做，这就会带来非常繁重的运维复杂度，也很容易出错。
AHPA 弹性预测
AHPA（Advanced Horizontal Pod Autoscaler）弹性预测主要出发点是基于检测到的周期做“定时规划”，通过规划实现提前扩容的目的。但既然是规划就会有疏漏，所以需要对规划的实例数有一个实时调整的能力。所以本方案有两个弹性策略：主动预测和被动预测。主动预测基于达摩院 RobustPeriod 算法[1] 识别周期长度然后利用RobustSTL 算法[2] 提起出周期性趋势，主动预测下个周期应用的实例数量；被动预测基于应用实时数据设定实例数量，可以很好的应对突发流量。此外，AHPA 还增加了兜底保护策略，用户可以设置实例数量的上下界。AHPA 算法中最终生效的实例数是主动预测、被动预测及兜底策略中的最大值。
架构
弹性首先是要在业务稳定的情况下进行的，弹性伸缩的核心目的不仅是帮用户节省成本，更是增强业务的整体稳定性、免运维能力和构建核心竞争力。AHPA 架构设计的基本原则：
- 稳定性：保证用户服务稳定的情况下进行弹性伸缩
- 免运维：不给用户增加额外的运维负担，包括：不在用户侧增加新的 Controller、Autoscaler 配置语义比 HPA 更清晰
- 面向 Serverless：以应用为中心，面向应用维度的设计，用户无需关心实例个数的配置，按需使用、自动弹性。
架构如下：
- 丰富的数据指标：支持包括 CPU、Memory、QPS、RT 以及外部指标等
- 稳定性保障：AHPA 的弹性逻辑基于主动预热、被动兜底的策略，并结合降级保护，保证了资源稳定。
- 主动预测：根据历史预测出未来一段时间的趋势结果，适用于周期性的应用。
- 被动预测：实时预测。针对突发流量场景，通过被动预测实时准备资源。
- 降级保护：支持配置多个时间区间范围最大、最小实例。
- 多种伸缩方式：AHPA 支持伸缩方式包括 Knative、HPA 以及 Deployment：
- Knative：解决 Serverless 应用场景下，基于并发数/QPS/RT 弹性冷启动的问题
- HPA：简化 HPA 弹性策略配置，降低用户使用弹性的门槛，解决使用 HPA 面临的冷启动的问题
- Deployment：直接使用 Deployment，自动扩缩容
适应场景
AHPA 适应场景包括：
- 有明显周期性场景。如直播、在线教育、游戏服务场景等
- 固定实例数+弹性兜底。如常态业务下应对突发流量等
- 推荐实例数配置场景
预测效果
开启 AHPA 弹性后，我们提供可视化页面，用于查看 AHPA 效果。下面是一个基于 CPU 指标进行预测的示例（与使用 HPA 比较）：
说明：
- Predict CPU Oberserver：蓝色表示 HPA 实际的 CPU 使用量，绿色表示预测出来的 CPU 使用量。绿色曲线大于蓝色，表明通过预测给出的容量是足够的。
- Predict POD Oberserver：蓝色表示使用 HPA 实际的扩所容 Pod 数，绿色表示预测出来的扩所容 Pod 数，绿色曲线小于蓝色，表明通过预测弹性的 Pod 数更低。
- 周期性：根据历史 7 天的数据，通过预测算法检测到该应用具备周期性。
结论：预测结果表明，弹性预测趋势符合预期。
邀测试用
点击此处查看阿里云容器服务 AHPA 弹性预测产品文档详情。当前 AHPA 已开启用户邀测，欢迎感兴趣的用户点击文档中“提交工单”位置申请白名单，期待您的试用及反馈。
参考文献
[1] (阿里达摩院决策智能时序团队) 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] (阿里达摩院决策智能时序团队) 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] (阿里达摩院决策智能时序团队) 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.
