美团技术团队
·
预测技术在美团弹性伸缩场景的探索与应用
💡
原文中文，约7000字，阅读约需17分钟。
📝
内容提要
美团与中国人民大学合作研究企业大规模服务的弹性伸缩技术，提出PASS系统以解决负载预测和资源分配问题。研究表明，周期性负载数据需采用多样化预测算法，在线模型在突变特征上表现不佳，而离线模型能捕捉突变但存在振幅偏差。PASS系统通过动态匹配预测算法和基于历史日志的性能模型，显著提高了QoS保障率和资源利用效率。
🎯
关键要点
- 美团与中国人民大学合作研究企业大规模服务的弹性伸缩技术，提出PASS系统以解决负载预测和资源分配问题。
- 周期性负载数据需采用多样化预测算法，在线模型在突变特征上表现不佳，而离线模型能捕捉突变但存在振幅偏差。
- PASS系统通过动态匹配预测算法和基于历史日志的性能模型，显著提高了QoS保障率和资源利用效率。
- 研究表明，92.80%的应用表现出强周期性，适合使用模型可靠地预测QPS流量数据。
- PASS系统在不违反QoS的前提下，预测伸缩到业务所需的实例数量，并持续监控QoS指标以快速响应QoS违例。
❓
延伸问答
PASS系统的主要功能是什么？
PASS系统主要用于解决负载预测和资源分配问题，通过动态匹配预测算法和性能模型，提高QoS保障率和资源利用效率。
美团的负载预测研究中发现了什么关键特征？
研究发现92.80%的应用表现出强周期性，适合使用模型可靠地预测QPS流量数据。
在线模型和离线模型在负载预测中的表现有何不同？
在线模型在突变特征上表现不佳，而离线模型能捕捉突变但存在振幅偏差。
美团的弹性伸缩策略有哪些局限性？
现有的弹性伸缩策略如阈值法和排队论无法有效保障QoS，尤其在尾延迟要求下表现不佳。
PASS系统如何提高QoS保障率？
PASS系统通过动态匹配适合的预测算法和基于历史日志的性能模型，显著提高了QoS保障率。
美团与中国人民大学的合作研究主要集中在哪些方面？
合作研究主要集中在企业大规模服务的弹性伸缩技术和负载预测算法的应用。
➡️
