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
编辑 | 夕颜来源 | 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。